یک طرح جدید مکان‌یابی خودرو مبتنی بر ترکیب ارتباط دوربین نوری و فتوگرامتری

فهرست مطالب

• 1. مقدمه
• 2. معماری سیستم پیشنهادی
• 3. روش‌شناسی
• 4. نتایج آزمایشی
• 5. تحلیل اصلی
• 6. جزئیات فنی و فرمول‌بندی ریاضی
• 7. مطالعه موردی: سناریوی حرکت دسته‌جمعی در بزرگراه
• 8. کاربردها و جهت‌گیری‌های آینده
• 9. مراجع

1. مقدمه

مکان‌یابی فرآیند شناسایی موقعیت (x، y در فضای دو بعدی؛ x، y، z در فضای سه بعدی) یک شیء در یک زمان مشخص است. با ظهور اینترنت اشیاء (IoT) و خودروهای خودران، مکان‌یابی دقیق به امری حیاتی تبدیل شده است. GPS سنتی راه‌حل‌های خط دید ارائه می‌دهد اما در دره‌های شهری و تونل‌ها با مشکلات دقت مواجه است. این مقاله یک طرح جدید را پیشنهاد می‌کند که ارتباط دوربین نوری (OCC) و فتوگرامتری را برای دستیابی به مکان‌یابی با دقت بالای خودرو بدون تغییر زیرساخت‌های حمل و نقل موجود ترکیب می‌کند.

2. معماری سیستم پیشنهادی

سیستم خودروها را به دو دسته طبقه‌بندی می‌کند: خودروهای میزبان (HV) که موقعیت سایر خودروها را تخمین می‌زنند، و خودروهای ارسال‌کننده (FV) که در جلوی خودروهای میزبان حرکت می‌کنند. خودروهای ارسال‌کننده داده‌های مدوله شده را از چراغ‌های عقب خود ارسال می‌کنند که توسط دوربین خودروی میزبان با استفاده از OCC دریافت می‌شود. علاوه بر این، از داده‌های چراغ‌های خیابان (SL) برای بهبود دقت موقعیت خودروی میزبان استفاده می‌شود.

2.1 اجزای کلیدی

• ارتباط دوربین نوری (OCC): از نور مدوله شده چراغ‌های عقب خودروهای ارسال‌کننده و چراغ‌های خیابان برای انتقال داده استفاده می‌کند.
• فتوگرامتری: با محاسبه مساحت تصویر اشغال شده روی حسگر تصویر، فاصله را اندازه‌گیری می‌کند.
• ادغام داده: داده‌های OCC و فتوگرامتری را برای مکان‌یابی مقاوم ترکیب می‌کند.

3. روش‌شناسی

خودروی میزبان موقعیت خود را با استفاده از داده‌های چراغ خیابان تعیین می‌کند، سپس موقعیت نسبی خودروی ارسال‌کننده را با مقایسه تغییرات فاصله بین خودروی میزبان-چراغ خیابان و خودروی میزبان-خودروی ارسال‌کننده محاسبه می‌کند. فاصله بین خودروی ارسال‌کننده یا چراغ خیابان و دوربین خودروی میزبان با استفاده از فتوگرامتری محاسبه می‌شود: $d = \frac{f \times H}{h}$، که در آن $f$ فاصله کانونی، $H$ ارتفاع واقعی، و $h$ ارتفاع تصویر است.

3.1 محاسبه فاصله

با استفاده از مدل دوربین سوراخ سوزنی، فاصله $d$ از دوربین تا یک شیء به صورت زیر است:

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

که در آن $W$ عرض واقعی شیء و $w$ عرض بر حسب پیکسل روی حسگر تصویر است.

3.2 تخمین موقعیت

موقعیت خودروی میزبان ابتدا با استفاده از مثلث‌سازی از چندین چراغ خیابان تخمین زده می‌شود. سپس، موقعیت نسبی خودروی ارسال‌کننده به صورت زیر تعیین می‌شود:

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

که در آن $\Delta d$ تغییر فاصله و $\theta$ زاویه رسیدن است.

4. نتایج آزمایشی

در راه‌اندازی آزمایشی از یک دوربین با وضوح 640x480، فاصله کانونی 3.6 میلی‌متر و یک چراغ عقب به قطر 0.15 متر استفاده شد. نتایج نشان داد که خطای اندازه‌گیری فاصله برای فواصل تا 30 متر کمتر از 5٪ است. طرح پیشنهادی به دقت موقعیت‌یابی در محدوده 0.5 متر دست یافت که به طور قابل توجهی از راه‌حل‌های فقط GPS که معمولاً خطاهای 2 تا 5 متری دارند، بهتر عمل می‌کند.

5. تحلیل اصلی

بینش اصلی: این مقاله یک تلفیق هوشمندانه از دو فناوری بالغ - OCC و فتوگرامتری - را برای حل یک مشکل حیاتی در رانندگی خودران ارائه می‌دهد: مکان‌یابی قابل اعتماد خودرو بدون ارتقاء زیرساخت پرهزینه. نوآوری کلیدی استفاده از چراغ‌های عقب و چراغ‌های خیابان موجود به عنوان فانوس‌های ارتباطی است که زیرساخت منفعل را به کمک‌های موقعیت‌یابی فعال تبدیل می‌کند.

جریان منطقی: نویسندگان به طور منطقی از شناسایی مشکل (محدودیت‌های GPS) به طراحی راه‌حل (OCC+فتوگرامتری) و سپس به مدل‌سازی ریاضی و اعتبارسنجی آزمایشی پیش می‌روند. جریان منسجم است، اگرچه مقاله می‌توانست از مقایسه دقیق‌تر با روش‌های پیشرفته مانند SLAM مبتنی بر LiDAR یا ارتباط V2X بهره مند شود.

نقاط قوت و ضعف: نقطه قوت اصلی رویکرد کم‌هزینه و با زیرساخت سبک است. با این حال، این طرح وجود خط دید واضح و شرایط نوری خوب را فرض می‌کند که ممکن است در مه، باران یا شب برقرار نباشد. علاوه بر این، اتکا به مدولاسیون چراغ عقب می‌تواند تحت تأثیر چراغ‌های کثیف یا آسیب دیده قرار گیرد. در مقایسه با سیستم‌های مبتنی بر LiDAR (که هزاران دلار هزینه دارند)، این رویکرد مبتنی بر دوربین بسیار ارزان‌تر است اما در شرایط نامساعد دقت کمتری دارد. همانطور که Geiger و همکاران (2012) در مجموعه داده KITTI اشاره کرده‌اند، روش‌های مبتنی بر دوربین اغلب در سناریوهای نور کم تخریب می‌شوند.

بینش‌های عملی: برای متخصصان، این طرح برای حرکت دسته‌جمعی در بزرگراه و کمک پارک که شرایط نوری کنترل شده است، بهترین کاربرد را دارد. کارهای آینده باید رویکردهای ترکیبی OCC با رادار یا حسگرهای فراصوت برای عملکرد در همه شرایط آب و هوایی را بررسی کنند. مدل فتوگرامتری مقاله را می‌توان با استفاده از تخمین عمق مبتنی بر یادگیری عمیق، همانطور که توسط Eigen و همکاران (2014) در کار خود بر روی پیش‌بینی عمق از یک تصویر تکی نشان داده شده است، بهبود بخشید.

6. جزئیات فنی و فرمول‌بندی ریاضی

مدل فتوگرامتری از معادله دوربین سوراخ سوزنی استفاده می‌کند:

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

که در آن $x$ مختصات تصویر، $X$ مختصات جهان، $f$ فاصله کانونی، و $Z$ عمق است. برای اندازه شیء شناخته شده $S$ و اندازه تصویر $s$، فاصله $D$ به صورت زیر است:

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

مدولاسیون OCC از کلیدزنی روشن-خاموش (OOK) در فرکانس‌های بالای 100 هرتز برای جلوگیری از سوسو زدن قابل مشاهده استفاده می‌کند. قدرت سیگنال دریافتی (RSS) به عنوان یک روش ثانویه برای تخمین فاصله استفاده می‌شود:

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

که در آن $P_r$ توان دریافتی، $P_t$ توان ارسالی، $A_r$ مساحت گیرنده، و $\phi$ زاویه تابش است.

7. مطالعه موردی: سناریوی حرکت دسته‌جمعی در بزرگراه

سناریو: یک دسته از سه خودرو که با سرعت 80 کیلومتر در ساعت در یک بزرگراه حرکت می‌کنند. خودروی پیشرو (FV) سرعت و وضعیت ترمز خود را از طریق چراغ‌های عقب مدوله شده ارسال می‌کند. خودروی میانی (HV) از OCC برای دریافت این داده و از فتوگرامتری برای اندازه‌گیری فاصله استفاده می‌کند.

مراحل اجرا:

1. چراغ عقب خودروی ارسال‌کننده داده را در فرکانس 200 هرتز (OOK) مدوله می‌کند.
2. دوربین خودروی میزبان فریم‌ها را با نرخ 30 فریم در ثانیه ضبط کرده و سیگنال را دمودوله می‌کند.
3. فتوگرامتری فاصله را محاسبه می‌کند: $D = \frac{3.6mm \times 0.15m}{h_{pixels} \times 0.006mm/pixel}$.
4. خودروی میزبان سرعت خود را برای حفظ فاصله ایمن تنظیم می‌کند (قانون 2 ثانیه: حدود 44 متر در 80 کیلومتر در ساعت).
5. اگر خودروی ارسال‌کننده ترمز کند، خودروی میزبان سیگنال را در عرض 33 میلی‌ثانیه (یک فریم) دریافت کرده و واکنش نشان می‌دهد.

نتیجه: سیستم تشکیلات دسته را با دقت 0.5 متر حفظ می‌کند، کشش هوا را تا 15٪ کاهش داده و بازده سوخت را بهبود می‌بخشد.

8. کاربردها و جهت‌گیری‌های آینده

طرح پیشنهادی چندین کاربرد آینده امیدوارکننده دارد:

• پارک خودران: استفاده از OCC از چراغ‌های پارکینگ برای موقعیت‌یابی دقیق.
• مدیریت تقاطع: خودروها با چراغ‌های راهنمایی ارتباط برقرار می‌کنند تا جریان ترافیک را بهینه کنند.
• مدیریت ناوگان: ردیابی بلادرنگ خودروهای تحویل در مناطق شهری.
• ادغام V2X: ترکیب OCC با DSRC یا 5G برای مکان‌یابی افزونه.
• زیرساخت شهر هوشمند: چراغ‌های خیابان به گره‌های ارتباطی چندمنظوره تبدیل می‌شوند.

تحقیقات آینده باید بر تشخیص اشیاء مبتنی بر یادگیری عمیق برای بهبود مقاومت و ادغام با حسگرهای اینرسی برای عملکرد یکپارچه در هنگام قطعی OCC متمرکز شود.

9. مراجع

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.