مخطط جديد لتحديد موقع المركبات يعتمد على الجمع بين الاتصال البصري بالكاميرا والتصوير الفوتوغرامتري

جدول المحتويات

• 1. مقدمة
• 2. بنية النظام المقترح
• 3. المنهجية
• 4. النتائج التجريبية
• 5. تحليل أصلي
• 6. التفاصيل التقنية والصياغة الرياضية
• 7. دراسة حالة: سيناريو القيادة الجماعية على الطرق السريعة
• 8. التطبيقات والاتجاهات المستقبلية
• 9. المراجع

1. مقدمة

تحديد الموقع هو عملية تحديد موضع (x، y في الفضاء ثنائي الأبعاد؛ x، y، z في الفضاء ثلاثي الأبعاد) لجسم ما في وقت محدد. مع ظهور إنترنت الأشياء (IoT) والمركبات ذاتية القيادة، أصبح تحديد الموقع الدقيق أمرًا بالغ الأهمية. يوفر نظام تحديد المواقع العالمي (GPS) التقليدي حلولاً تعتمد على خط الرؤية ولكنه يعاني من مشاكل في الدقة في الممرات الحضرية والأنفاق. تقترح هذه الورقة مخططًا مبتكرًا يجمع بين الاتصال البصري بالكاميرا (OCC) والتصوير الفوتوغرامتري لتحقيق تحديد عالي الدقة لموقع المركبات دون تعديل البنية التحتية الحالية للنقل.

2. بنية النظام المقترح

يصنف النظام المركبات إلى فئتين: المركبات المضيفة (HVs) التي تقدر مواقع المركبات الأخرى، والمركبات الأمامية (FVs) التي تتحرك أمام المركبات المضيفة. تنقل المركبات الأمامية بيانات معدلة من أضواءها الخلفية، والتي تستقبلها كاميرا المركبة المضيفة باستخدام تقنية OCC. بالإضافة إلى ذلك، تُستخدم بيانات أضواء الشوارع (SL) لتحسين دقة موقع المركبة المضيفة.

2.1 المكونات الرئيسية

• الاتصال البصري بالكاميرا (OCC): يستخدم الضوء المعدل من الأضواء الخلفية للمركبات الأمامية وأضواء الشوارع لنقل البيانات.
• التصوير الفوتوغرامتري: يقيس المسافة عن طريق حساب المساحة المشغولة للصورة على مستشعر الصورة.
• دمج البيانات: يجمع بيانات OCC والتصوير الفوتوغرامتري لتحديد موقع قوي.

3. المنهجية

تحدد المركبة المضيفة موقعها الخاص باستخدام بيانات أضواء الشوارع، ثم تحسب الموقع النسبي للمركبة الأمامية من خلال مقارنة تغيرات المسافة بين المركبة المضيفة وأضواء الشوارع وبين المركبة المضيفة والمركبة الأمامية. يتم حساب المسافة بين المركبة الأمامية أو ضوء الشارع وكاميرا المركبة المضيفة باستخدام التصوير الفوتوغرامتري: $d = \frac{f \times H}{h}$، حيث $f$ هو البعد البؤري، $H$ هو الارتفاع الفعلي، و $h$ هو ارتفاع الصورة.

3.1 حساب المسافة

باستخدام نموذج الكاميرا ذات الثقب، تُعطى المسافة $d$ من الكاميرا إلى جسم ما بالعلاقة:

$d = \frac{f \times W}{w}$

حيث $W$ هو العرض الفعلي للجسم و $w$ هو العرض بالبكسل على مستشعر الصورة.

3.2 تقدير الموقع

يتم أولاً تقدير موقع المركبة المضيفة باستخدام التثليث من أضواء شوارع متعددة. ثم، يتم تحديد الموقع النسبي للمركبة الأمامية بالعلاقة:

$\Delta P_{FV} = P_{HV} + \Delta d \cdot \cos(\theta)$

حيث $\Delta d$ هو التغير في المسافة و $\theta$ هي زاوية الوصول.

4. النتائج التجريبية

استخدم الإعداد التجريبي كاميرا بدقة 640×480 بكسل، وبعد بؤري 3.6 مم، وضوء خلفي بقطر 0.15 متر. أظهرت النتائج خطأ في قياس المسافة أقل من 5% للمسافات التي تصل إلى 30 مترًا. حقق المخطط المقترح دقة تحديد موقع في حدود 0.5 متر، متجاوزًا بشكل كبير الحلول التي تعتمد فقط على نظام تحديد المواقع العالمي (GPS) والتي عادةً ما يكون بها أخطاء تتراوح بين 2-5 أمتار.

5. تحليل أصلي

الرؤية الأساسية: تقدم هذه الورقة دمجًا ذكيًا لتقنيتين ناضجتين - OCC والتصوير الفوتوغرامتري - لحل مشكلة حاسمة في القيادة الذاتية: تحديد موقع موثوق للمركبات دون ترقيات باهظة الثمن للبنية التحتية. يكمن الابتكار الرئيسي في استخدام الأضواء الخلفية الحالية وأضواء الشوارع كمنارات اتصال، وتحويل البنية التحتية السلبية إلى أدوات تحديد موقع نشطة.

التسلسل المنطقي: يتقدم المؤلفون منطقيًا من تحديد المشكلة (قيود GPS) إلى تصميم الحل (OCC + التصوير الفوتوغرامتري)، ثم إلى النمذجة الرياضية والتحقق التجريبي. التدفق متماسك، على الرغم من أن الورقة قد تستفيد من مقارنة أكثر صرامة مع الأساليب الحديثة مثل SLAM القائم على LiDAR أو اتصال V2X.

نقاط القوة والضعف: تتمثل القوة الرئيسية في النهج منخفض التكلفة وقليل الاعتماد على البنية التحتية. ومع ذلك، يفترض المخطط وجود خط رؤية واضح وظروف إضاءة جيدة، والتي قد لا تتوفر في الضباب أو المطر أو في الليل. بالإضافة إلى ذلك، قد يتأثر الاعتماد على تعديل الضوء الخلفي بالأضواء المتسخة أو التالفة. بالمقارنة مع الأنظمة القائمة على LiDAR (التي تكلف آلاف الدولارات)، فإن هذا النهج القائم على الكاميرا أرخص بكثير ولكنه أقل دقة في الظروف المعاكسة. كما لاحظ Geiger et al. (2012) في مجموعة بيانات KITTI، غالبًا ما تتدهور الطرق القائمة على الكاميرا في سيناريوهات الإضاءة المنخفضة.

رؤى قابلة للتنفيذ: بالنسبة للممارسين، هذا المخطط هو الأنسب للقيادة الجماعية على الطرق السريعة والمساعدة في ركن السيارات حيث تكون ظروف الإضاءة خاضعة للتحكم. يجب أن يستكشف العمل المستقبلي الأساليب الهجينة التي تجمع بين OCC وأجهزة استشعار الرادار أو الموجات فوق الصوتية للتشغيل في جميع الأحوال الجوية. يمكن تعزيز نموذج التصوير الفوتوغرامتري في الورقة باستخدام تقدير العمق القائم على التعلم العميق، كما أوضح Eigen et al. (2014) في عملهم حول التنبؤ بالعمق من صورة واحدة.

6. التفاصيل التقنية والصياغة الرياضية

يستخدم نموذج التصوير الفوتوغرامتري معادلة الكاميرا ذات الثقب:

$\frac{x}{X} = \frac{f}{Z}$

حيث $x$ هو إحداثي الصورة، $X$ هو الإحداثي العالمي، $f$ هو البعد البؤري، و $Z$ هو العمق. بالنسبة لحجم جسم معروف $S$ وحجم صورة $s$، تكون المسافة $D$:

$D = \frac{f \times S}{s}$

يستخدم تعديل OCC مفتاح التشغيل والإيقاف (OOK) بترددات أعلى من 100 هرتز لتجنب الوميض المرئي. تُستخدم قوة الإشارة المستقبلة (RSS) لتقدير المسافة كطريقة ثانوية:

$P_r = P_t \times \frac{A_r}{\pi D^2} \times \cos(\phi)$

حيث $P_r$ هي القدرة المستقبلة، $P_t$ هي القدرة المرسلة، $A_r$ هي مساحة المستقبل، و $\phi$ هي زاوية السقوط.

7. دراسة حالة: سيناريو القيادة الجماعية على الطرق السريعة

السيناريو: مجموعة من ثلاث مركبات تسير بسرعة 80 كم/ساعة على طريق سريع. تنقل المركبة الرائدة (FV) سرعتها وحالة الفرامل عبر الأضواء الخلفية المعدلة. تستخدم المركبة الوسطى (HV) تقنية OCC لاستقبال هذه البيانات والتصوير الفوتوغرامتري لقياس المسافة.

خطوات التنفيذ:

1. يقوم الضوء الخلفي للمركبة الأمامية بتعديل البيانات بتردد 200 هرتز (OOK).
2. تلتقط كاميرا المركبة المضيفة الإطارات بمعدل 30 إطارًا في الثانية، وتقوم بإزالة تشكيل الإشارة.
3. يحسب التصوير الفوتوغرامتري المسافة: $D = \frac{3.6mm \times 0.15m}{h_{pixels} \times 0.006mm/pixel}$.
4. تضبط المركبة المضيفة السرعة للحفاظ على مسافة آمنة (قاعدة الثانيتين: ~44 مترًا عند 80 كم/ساعة).
5. إذا فرملة المركبة الأمامية، تستقبل المركبة المضيفة الإشارة في غضون 33 مللي ثانية (إطار واحد) وتتفاعل.

النتيجة: يحافظ النظام على تشكيل المجموعة بدقة 0.5 متر، مما يقلل من مقاومة الهواء بنسبة تصل إلى 15% ويحسن كفاءة استهلاك الوقود.

8. التطبيقات والاتجاهات المستقبلية

للمخطط المقترح عدة تطبيقات مستقبلية واعدة:

• ركن السيارات الذاتي: استخدام OCC من أضواء مواقف السيارات لتحديد المواقع بدقة.
• إدارة التقاطعات: تتواصل المركبات مع إشارات المرور لتحسين التدفق.
• إدارة الأساطيل: تتبع في الوقت الفعلي لمركبات التوصيل في المناطق الحضرية.
• تكامل V2X: الجمع بين OCC و DSRC أو 5G لتحديد موقع احتياطي.
• البنية التحتية للمدينة الذكية: تصبح أضواء الشوارع عقد اتصال متعددة الوظائف.

يجب أن يركز البحث المستقبلي على اكتشاف الأشياء القائم على التعلم العميق لتحسين المتانة، والتكامل مع أجهزة الاستشعار بالقصور الذاتي للتشغيل السلس أثناء انقطاعات OCC.

9. المراجع

1. M. T. Hossan et al., "A New Vehicle Localization Scheme based on Combined Optical Camera Communication and Photogrammetry," IEEE Access, 2021.
2. A. Geiger, P. Lenz, and R. Urtasun, "Are we ready for autonomous driving? The KITTI vision benchmark suite," CVPR, 2012.
3. D. Eigen, C. Puhrsch, and R. Fergus, "Depth map prediction from a single image using a multi-scale deep network," NeurIPS, 2014.
4. World Health Organization, "Global status report on road safety 2018," WHO, 2018.
5. J. Y. Kim et al., "Optical camera communication for vehicular applications: A survey," IEEE Communications Surveys & Tutorials, 2020.