Radice Carlo

I'm a student of Laurea Magistrale (master) in Informatica at Università degli Studi di Milano - Bicocca.

I can be reached at c[dot]radice[at]campus[dot]unimib[dot]it

Activity performed while with iralab

Project description:
Il lavoro di tesi ha lo scopo di progettare e poi sviluppare tecniche di machine learning quali GANs per la generazione di point cloud di ambienti urbani a partire da dati immagine per contesti di guida autonoma.
Point cloud di questo tipo possono essere impiegate in task quali la localizzazione dell'osservatore all'interno dell'ambiente stesso mediante il matching della point cloud generata con una mappa 3D pre-esistente dell'ambiente di navigazione.
Nello specifico, le point cloud generate devono quindi rappresentare i diversi ostacoli statici (come edifici, marciapiedi, etc.) e dinamici (come pedoni, altri veicoli, etc.) comunemente presenti in questo tipo di ambiente. Inoltre, si vuole ottenere il dato 3D completo degli ostacoli, considerando di conseguenza la ricostruzione delle parti occluse. Una informazione di questo tipo consente di avere una maggiore precisione in task quali, ad esempio, la localizzazione.
Questo dato può essere ottenuto tramite l'uso di reti neurali allenate su dataset che includono ostacoli dello stesso tipo in cui viene appreso il modello 3D.
In letteratura esistono diversi approcci basati principalmente su DNN e GANs, che affrontano questo problema.
Si potrebbe lavorare utilizzando direttamente immagini ottenute da dataset reali.
Un altro approccio che si potrebbe approfondire consiste nella sintesi di immagini fotorealistiche di scene urbane nelle quali la tridimensionalità degli ostacoli è conosciuta con precisione. Da questa sintesi di immagini fotorealistiche si otterrebbe quindi un'immagine della scena, assieme alla pointcloud 3D degli ostacoli.
Questo approccio permetterebbe di effettuare direttamente il matching tra la point cloud generata dalla rete in addestramento a partire dalle immagini fotorealistiche e le point cloud ground truth delle varie parti di scena, potendo così ottenere una misura di errore usabile in fase di addestramento della rete.