Ayrıcalıklı sütun | Orta ve üst sınıf arabalar neden dürbün kameraları kullanıyor?
Leifeng.com'un notu: Bu makale, Leifeng.com'un özel bir sütunudur.Yazar, Zos Araştırma Enstitüsü araştırma direktörü Zhou Yanwu'dur.Leifeng.com bunu yayınlamaya yetkilidir.
Dürbün kamera, bir monoküler kameranın tamamlayabileceği tüm işlevleri tamamlayabilir ve aynı zamanda ikincisinin asla ulaşamayacağı derinlik bilgisini elde edebilir.
Mercedes-Benz S-Class ve E-Class, BMW 7 Serisi ve 5 Serisi, Lexus LS Serisi (2018), Land Rover Discovery SportSUV, Jaguar XFL, XE gibi tipik lüks arabaların hepsinde dürbün kamerası bulunur.
İnsansız veya insanlı sürüş sisteminin durumuna bakılmaksızın, engeller için en önemli bilgi, engel ile araç arasındaki mesafedir ve ikincisi, engelin tipini belirlemektir.
Engel ile atölye arasındaki mesafeyi doğru bir şekilde değerlendirmek, aracın güvenliğini sağlamak için birincil bilgidir.Ancak doğru mesafe bilgisi elde edilerek olası çarpışma zamanı, yani TTC, doğru bir şekilde elde edilebilir. Sadece engelleri tanımak anlamsızdır: Önünüzde bir çocuğun olduğunu fark ederseniz, ancak doğru mesafe bilgisi alamazsanız, doğru bir TTC alamazsınız ve çocuğun güvenliğini garanti edemezsiniz. Tanındığında, kişi öldürülmüş olabilir ve o zamana kadar derin öğrenme görüntü tanıma anlamsızdır.
Elbette, lidar mesafe ölçümünde de çok hassastır ve aynı zamanda FOV da büyüktür, daha geniş bir alanı kaplar, ancak maliyetlidir, tek bir işlevi vardır ve renkleri (fren lambaları) tanımlayamaz. Dürbün yalnızca mesafeyi doğru bir şekilde ölçmekle kalmaz, aynı zamanda fren lambalarını, şerit çizgilerini, yol kenarı trafik işaretlerini vb. Tanımlayabilir. Lüks arabalar bedelsiz değildir, bu nedenle dürbün kameralar lüks otomobiller için ilk tercih haline gelmiştir.
Monoküler için mesafe bilgisini elde etmek için öncelikle hedefin belirlenmesi gerekir.
Hedef mesafe bilgisini sağlamak için, hedef blok diyagramın sınırına göre bölümlere ayrılmalıdır Bölümleme ve tanıma entegre edilmiştir ve doğru bölümleme, tanıma olmadan elde edilemez.
Görüntü tanıma, basitçe iki kategoriye ayrılır: Biri kelime paketi modeline dayalı görüntü tanıma, diğeri ise derin öğrenmeye dayalı görüntü tanıma.
Avrupa'daki NAVER Laboratuvarı'nda kıdemli bir bilim adamı olan Gabriela Csurka ve diğerleri, BoVM (kelime torbası) modelini "doğal dil işleme" alanında ilk kez görüntü sınıflandırma alanına tanıttılar. Yani görüntü bir belgeye benzer, görüntü bilgisi birkaç sözcükle temsil edilir ve sözcüklerin frekans histogramı nihayet görüntüyü temsil etmek için kullanılır.
İlk olarak, tespit edilecek bir görüntünün özellik noktaları veya özellik bölgeleri, özellik açıklama operatörleri tarafından açıklanır. Çıkarılan özellik operatörleri, özellik frekanslarıyla temsil edilen görsel sözcüklerden oluşan görsel bir sözlük elde etmek için makine öğrenimi yöntemlerini kullanarak eğitilir.
Son olarak, farklı görsel histogram türlerini öğrenerek bir öğrenme modeli elde edilebilir. Test sürecinde test edilecek görüntünün özellikleri çıkarılır, test edilecek görüntünün görsel kelime histogramı elde edilir ve yukarıda elde edilen öğrenme modeli, sınıflandırma ve tanıma sonucunu elde etmek için test edilecek görüntünün frekans histogramı ile eşleştirilir.
Görüntü sınıflandırma modeline Bag-of-Word uygulamasının genellikle üç adım gerektirdiği görülebilir: özellik algılama ve açıklama, görsel sözlük oluşturma ve sınıflandırıcı.
Kelime torbası modelinin (kelime torbası) diğer modellere göre en büyük avantajı, çoğu uygulama için uygun olmasıdır.Görüntüyü bir histogram olarak basit ve sezgisel olarak temsil edebilir, böylece görüntü sınıflandırma ve tanıma problemi haline dönüştürülebilir. Yaygın örüntü tanıma sorunları daha az bilgi işlem kaynağı gerektirir.
Bununla birlikte, görsel paket modelinin de bazı dezavantajları vardır:
Görsel kelime histogramını temsil etmek için özelliği kullanın.Bu dönüştürme işleminde, özelliğin konum bilgisi kaybolur.Önde aniden düşen bir nesne, aniden bir yaya belirmesi gibi konum bilgisi gerektiren bazı araştırmalarda, bu yöntem tabii ki uygun;
Görsel paket modeli, kelimelerin ve kelimelerin bağımsızlığına dayanmaktadır, ancak bazı durumlarda kelime ve kelimeler sürekli video gibi birbiriyle ilişkilidir.Bu nedenle, görsel paket modeli bu durumda Zayıf tanıma sonuçlarına neden olmak için kullanın.
Kelime paketi modeli aslında yalnızca bir evrişim katmanı ve bir yakınsama katmanı içermeye eşdeğerdir ve model, özellik ifade öğrenimi için denetimsiz bir yöntem kullanırken, evrişimli sinir ağı, değiştirilebilen daha fazla basit ve karmaşık hücre katmanını içerir. Karmaşık özellik dönüşümü için ve öğrenme süreci denetlenen bir süreçtir, filtre ağırlığı, daha anlamlı özellik ifadelerini öğrenmek için verilere ve görevlere göre sürekli olarak ayarlanabilir.
Bu bakış açısından, evrişimli sinir ağları daha güçlü özellik ifade yeteneklerine sahiptir, bu nedenle görüntü tanıma görevlerindeki mükemmel performansı kolayca açıklanabilir.
Segmentasyon ve tanımadan sonra mesafe tahmin edilir Mesafenin monoküler tahmini esas olarak piksel boyutuna dayanır Bu yöntem doğru değildir.
Mesafe faktörü nedeniyle yaya 3 ve yaya 2'nin piksel boyutları çok yakın ancak yaya 2 ve yaya 3 ile araç arasındaki mesafe çok farklı ancak monoküler bir görünümden uzaklık tamamen aynı.
Dürbünler ve monokülerler arasında birkaç fark vardır: Öncelikle, dürbün tahmin yerine mesafeyi ölçer.
Binoküler Mesafe İlkesi
Yukarıdaki şekil, monokülerden çok daha doğru olan dürbün için mesafe hesaplama formülüdür. Binoküler ve monoküler arasındaki ikinci fark, dürbün, hedefi tanımadan derinlik (mesafe) verilerini elde edebilmesidir.
Binoküler tipik iş akış şeması
Yukarıdaki resim, dürbünün tipik bir çalışma akış şemasıdır. Dürbünün son çıktısı bir derinlik haritasıdır.
Mesafeyi temsil etmek için renk tonları kullanın. Dürbünün hedefi tanımlaması gerekmese de, dürbün bölümleme gerektirir. Yaygın olarak kullanılan algoritmalar arasında İnanç Yayılımı ve Ortalama Kayma bulunur. Dürbünün en kritik bağlantısı stereo eşleştirmedir.
Dürbünlerin her piksel için stereo eşleştirme yapması gerekir, bu da çok fazla hesaplama gerektirir, ancak algoritma basittir ve FPGA'nın tamamlaması daha uygundur ve FPGA, Tesla gibi küçük bir fabrika değildir.
Dünyadaki ana dürbün sistemi tedarikçileri Almanya ana karası, Bosch, Güney Kore LG, Japonya Hitachi ve Denso'dur.
Kıta MFS430
İki kamera arasındaki mesafe 22 cm, iki kameranın FOV'u 53 derece * 30 derece, pikselleri 1280 * 960 ve farların algılama mesafesi gece 40 metre gündüz 80 metre). Mercedes-Benz'in dürbünlerinin çoğu aynı zamanda Continental Motors tarafından, bazıları da Güney Koreli LG tarafından sağlanmaktadır.
LandRover Discovery SportSUV, Jaguar'ın XFL, XE'sinde Bosch'un dürbün sistemi kullanılıyor, iki kamera arasındaki mesafe 12 cm, piksel sayısı 1080 * 960 (son sürümün çözünürlüğü 1280 * 960'a yükseltildi), seviye Görüş açısı 45 derece, dikey görüş açısı 25 derece ve maksimum algılama mesafesi 50 metredir.Sadece AEB için değil LDW ve TSR (Trafik İşareti Tanıma) için de kullanılabilir.
Ekim 2013'te, Subaru üçüncü nesil Eyesight'ı piyasaya sürdü.İkinci nesil ile karşılaştırıldığında piksel sayısı 300.000'den 1 milyona çıktı.İki kamera arasındaki mesafe hala 350 mm, birinci nesil ise 300 mm. CCD görüntü sensöründen renkli CMOS görüntü sensörüne geçerek saniyede 30 FTP.
İkinci nesilde en uzak algılama mesafesi 70 metreden 100 metreye, yatay görüş açısı ise 25 dereceden 35 dereceye çıkarıldı. Hem kamera hem de işleme IC'si Hitachi tarafından sağlanmaktadır. Bu aynı zamanda şu anda en iyi dürbün sistemi olarak kabul edilmektedir ve 2009'da piyasaya sürülmesinden bu yana küresel bir lider olmuştur.
Ekim 2016'da Denso ve Ricoh Japonya, Daihatsu küçük arabaları için tasarlanmış bir dürbün sistemi başlattı.
Bu dürbün sistemi Denso tarafından tasarlanmış ve yalnızca 8 cm temel uzunluğa sahip Ricoh tarafından üretilmiştir. Daihatsu'nun TANTO'sunda kullanılır.
Denso, Temmuz 2017'de büyük otomobiller için bir dürbün sistemi piyasaya sürdü. Temel uzunluğun 22 cm olduğu tahmin ediliyor. 2018 Lexus LS serisinde kullanılıyor.
Çin'de şu anda birçok dürbün şirketi var ve gelecekte piyasaya süreceği ürünler de dört gözle beklemeye değer.
Lei Feng tarafından önerilen okuma:
Özel sütun | Yabancı sürücüsüz prototip arabalar neden hibrit modelleri seçiyor?
