Skim Penyetempatan Kenderaan Baharu Berdasarkan Gabungan Komunikasi Kamera Optik dan Fotogrametri

Jadual Kandungan

• 1. Pengenalan
• 2. Seni Bina Sistem yang Dicadangkan
• 3. Metodologi
• 4. Keputusan Eksperimen
• 5. Analisis Asal
• 6. Butiran Teknikal dan Formulasi Matematik
• 7. Kajian Kes: Senario Platoon Lebuh Raya
• 8. Aplikasi dan Hala Tuju Masa Depan
• 9. Rujukan

1. Pengenalan

Penyetempatan adalah proses mengenal pasti kedudukan (x, y dalam ruang 2D; x, y, z dalam ruang 3D) suatu objek pada masa tertentu. Dengan peningkatan Internet Benda (IoT) dan kenderaan autonomi, penyetempatan yang tepat menjadi kritikal. GPS tradisional menyediakan penyelesaian garis pandang tetapi mengalami masalah ketepatan di kanyon bandar dan terowong. Kertas kerja ini mencadangkan skim novel yang menggabungkan Komunikasi Kamera Optik (OCC) dan fotogrametri untuk mencapai penyetempatan kenderaan berketepatan tinggi tanpa mengubah suai infrastruktur pengangkutan sedia ada.

2. Seni Bina Sistem yang Dicadangkan

Sistem ini mengklasifikasikan kenderaan kepada dua kategori: Kenderaan Tuan Rumah (HV) yang menganggarkan kedudukan kenderaan lain, dan Kenderaan Penghantar (FV) yang bergerak di hadapan HV. FV menghantar data termodulat dari lampu belakang mereka, yang diterima oleh kamera HV menggunakan OCC. Selain itu, data lampu jalan (SL) digunakan untuk meningkatkan ketepatan kedudukan HV.

2.1 Komponen Utama

• Komunikasi Kamera Optik (OCC): Menggunakan cahaya termodulat dari lampu belakang FV dan SL untuk menghantar data.
• Fotogrametri: Mengukur jarak dengan mengira luas imej yang diduduki pada sensor imej.
• Gabungan Data: Menggabungkan data OCC dan fotogrametri untuk penyetempatan yang mantap.

3. Metodologi

HV menentukan kedudukannya sendiri menggunakan data SL, kemudian mengira kedudukan relatif FV dengan membandingkan perubahan jarak antara HV-SL dan HV-FV. Jarak antara FV atau SL dan kamera HV dikira menggunakan fotogrametri: $d = \frac{f \times H}{h}$, di mana $f$ ialah panjang fokus, $H$ ialah ketinggian sebenar, dan $h$ ialah ketinggian imej.

3.1 Pengiraan Jarak

Menggunakan model kamera lubang jarum, jarak $d$ dari kamera ke objek diberikan oleh:

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

di mana $W$ ialah lebar sebenar objek dan $w$ ialah lebar dalam piksel pada sensor imej.

3.2 Anggaran Kedudukan

Kedudukan HV pertama kali dianggarkan menggunakan triangulasi dari pelbagai SL. Kemudian, kedudukan relatif FV ditentukan oleh:

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

di mana $\Delta d$ ialah perubahan jarak dan $\theta$ ialah sudut ketibaan.

4. Keputusan Eksperimen

Persediaan eksperimen menggunakan kamera dengan resolusi 640x480, panjang fokus 3.6 mm, dan lampu belakang berdiameter 0.15 m. Keputusan menunjukkan ralat pengukuran jarak kurang daripada 5% untuk jarak sehingga 30 meter. Skim yang dicadangkan mencapai ketepatan kedudukan dalam lingkungan 0.5 meter, jauh mengatasi penyelesaian GPS sahaja yang biasanya mempunyai ralat 2-5 meter.

5. Analisis Asal

Pandangan Teras: Kertas kerja ini membentangkan gabungan pintar dua teknologi matang—OCC dan fotogrametri—untuk menyelesaikan masalah kritikal dalam pemanduan autonomi: penyetempatan kenderaan yang boleh dipercayai tanpa peningkatan infrastruktur yang mahal. Inovasi utama adalah menggunakan lampu belakang dan lampu jalan sedia ada sebagai suar komunikasi, mengubah infrastruktur pasif menjadi alat bantuan kedudukan yang aktif.

Aliran Logik: Penulis secara logiknya berkembang daripada pengenalpastian masalah (had GPS) kepada reka bentuk penyelesaian (OCC+fotogrametri), kemudian kepada pemodelan matematik dan pengesahan eksperimen. Aliran ini koheren, walaupun kertas kerja boleh mendapat manfaat daripada perbandingan yang lebih teliti dengan kaedah terkini seperti SLAM berasaskan LiDAR atau komunikasi V2X.

Kekuatan & Kelemahan: Kekuatan utama adalah pendekatan kos rendah dan ringan infrastruktur. Walau bagaimanapun, skim ini menganggap garis pandang yang jelas dan keadaan pencahayaan yang baik, yang mungkin tidak berlaku dalam kabus, hujan, atau pada waktu malam. Selain itu, pergantungan pada modulasi lampu belakang boleh terjejas oleh lampu yang kotor atau rosak. Berbanding dengan sistem berasaskan LiDAR (yang berharga ribuan dolar), pendekatan berasaskan kamera ini jauh lebih murah tetapi kurang tepat dalam keadaan buruk. Seperti yang dinyatakan oleh Geiger et al. (2012) dalam set data KITTI, kaedah berasaskan kamera sering merosot dalam senario cahaya rendah.

Pandangan Boleh Tindak: Untuk pengamal, skim ini paling sesuai untuk platoon lebuh raya dan bantuan parkir di mana keadaan pencahayaan terkawal. Kerja masa depan harus meneroka pendekatan hibrid yang menggabungkan OCC dengan sensor radar atau ultrasonik untuk operasi semua cuaca. Model fotogrametri kertas kerja ini boleh dipertingkatkan menggunakan anggaran kedalaman berasaskan pembelajaran mendalam, seperti yang ditunjukkan oleh Eigen et al. (2014) dalam kerja mereka mengenai ramalan kedalaman imej tunggal.

6. Butiran Teknikal dan Formulasi Matematik

Model fotogrametri menggunakan persamaan kamera lubang jarum:

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

di mana $x$ ialah koordinat imej, $X$ ialah koordinat dunia, $f$ ialah panjang fokus, dan $Z$ ialah kedalaman. Untuk saiz objek yang diketahui $S$ dan saiz imej $s$, jarak $D$ ialah:

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

Modulasi OCC menggunakan Kekunci Hidup-Mati (OOK) pada frekuensi melebihi 100 Hz untuk mengelakkan kelipan yang kelihatan. Kekuatan isyarat yang diterima (RSS) digunakan untuk anggaran jarak sebagai kaedah sekunder:

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

di mana $P_r$ ialah kuasa yang diterima, $P_t$ ialah kuasa yang dihantar, $A_r$ ialah luas penerima, dan $\phi$ ialah sudut tuju.

7. Kajian Kes: Senario Platoon Lebuh Raya

Senario: Satu platoon tiga kenderaan bergerak pada kelajuan 80 km/j di lebuh raya. Kenderaan utama (FV) menghantar kelajuan dan status breknya melalui lampu belakang termodulat. Kenderaan tengah (HV) menggunakan OCC untuk menerima data ini dan fotogrametri untuk mengukur jarak.

Langkah Pelaksanaan:

1. Lampu belakang FV memodulasi data pada 200 Hz (OOK).
2. Kamera HV menangkap bingkai pada 30 fps, menyahmodulasi isyarat.
3. Fotogrametri mengira jarak: $D = \frac{3.6mm \times 0.15m}{h_{piksel} \times 0.006mm/piksel}$.
4. HV melaraskan kelajuan untuk mengekalkan jarak selamat (peraturan 2 saat: ~44m pada 80 km/j).
5. Jika FV membrek, HV menerima isyarat dalam masa 33 ms (satu bingkai) dan bertindak balas.

Hasil: Sistem ini mengekalkan formasi platoon dengan ketepatan 0.5m, mengurangkan seretan udara sehingga 15% dan meningkatkan kecekapan bahan api.

8. Aplikasi dan Hala Tuju Masa Depan

Skim yang dicadangkan mempunyai beberapa aplikasi masa depan yang menjanjikan:

• Parkir Autonomi: Menggunakan OCC dari lampu tempat letak kereta untuk kedudukan yang tepat.
• Pengurusan Persimpangan: Kenderaan berkomunikasi dengan lampu isyarat untuk mengoptimumkan aliran.
• Pengurusan Armada: Penjejakan masa nyata kenderaan penghantaran di kawasan bandar.
• Integrasi V2X: Menggabungkan OCC dengan DSRC atau 5G untuk penyetempatan berlebihan.
• Infrastruktur Bandar Pintar: Lampu jalan menjadi nod komunikasi pelbagai fungsi.

Penyelidikan masa depan harus memberi tumpuan kepada pengesanan objek berasaskan pembelajaran mendalam untuk meningkatkan keteguhan, dan integrasi dengan sensor inersia untuk operasi tanpa gangguan semasa gangguan OCC.

9. Rujukan

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.