Новая схема локализации транспортных средств на основе комбинированной оптической камерной связи и фотограмметрии

Содержание

• 1. Введение
• 2. Предлагаемая архитектура системы
• 3. Методология
• 4. Результаты экспериментов
• 5. Оригинальный анализ
• 6. Технические детали и математическая формулировка
• 7. Пример использования: сценарий движения колонной на шоссе
• 8. Будущие применения и направления
• 9. Список литературы

1. Введение

Локализация — это процесс определения положения (x, y в двумерном пространстве; x, y, z в трехмерном пространстве) объекта в определенный момент времени. С развитием Интернета вещей (IoT) и автономных транспортных средств точная локализация стала критически важной. Традиционный GPS обеспечивает решения в условиях прямой видимости, но страдает от проблем с точностью в городских каньонах и туннелях. В данной статье предлагается новая схема, объединяющая оптическую камерную связь (OCC) и фотограмметрию для достижения высокоточной локализации транспортных средств без модификации существующей транспортной инфраструктуры.

2. Предлагаемая архитектура системы

Система классифицирует транспортные средства на две категории: Ведущие автомобили (HVs), которые оценивают положение других автомобилей, и Передающие автомобили (FVs), которые движутся перед HVs. FVs передают модулированные данные через свои задние фонари, которые принимаются камерой HV с помощью OCC. Кроме того, данные от уличных фонарей (SL) используются для повышения точности определения положения HV.

2.1 Ключевые компоненты

• Оптическая камерная связь (OCC): Использует модулированный свет от задних фонарей FV и SL для передачи данных.
• Фотограмметрия: Измеряет расстояние путем вычисления занимаемой площади изображения на сенсоре камеры.
• Слияние данных: Объединяет данные OCC и фотограмметрии для надежной локализации.

3. Методология

HV определяет свое собственное положение, используя данные SL, затем вычисляет относительное положение FV путем сравнения изменений расстояния между HV-SL и HV-FV. Расстояние между FV или SL и камерой HV вычисляется с помощью фотограмметрии: $d = \frac{f \times H}{h}$, где $f$ — фокусное расстояние, $H$ — фактическая высота, а $h$ — высота изображения.

3.1 Вычисление расстояния

Используя модель камеры-обскуры, расстояние $d$ от камеры до объекта определяется по формуле:

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

где $W$ — фактическая ширина объекта, а $w$ — ширина в пикселях на сенсоре изображения.

3.2 Оценка положения

Положение HV сначала оценивается с помощью триангуляции по нескольким SL. Затем относительное положение FV определяется по формуле:

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

где $\Delta d$ — изменение расстояния, а $\theta$ — угол прихода сигнала.

4. Результаты экспериментов

В экспериментальной установке использовалась камера с разрешением 640x480, фокусным расстоянием 3,6 мм и задним фонарем диаметром 0,15 м. Результаты показали погрешность измерения расстояния менее 5% для расстояний до 30 метров. Предлагаемая схема достигла точности позиционирования в пределах 0,5 метра, что значительно превосходит решения только на основе GPS, которые обычно имеют погрешность 2-5 метров.

5. Оригинальный анализ

Основная идея: В данной статье представлено остроумное объединение двух зрелых технологий — OCC и фотограмметрии — для решения критической проблемы автономного вождения: надежной локализации транспортных средств без дорогостоящих обновлений инфраструктуры. Ключевое новшество заключается в использовании существующих задних фонарей и уличных фонарей в качестве коммуникационных маяков, превращая пассивную инфраструктуру в активные средства позиционирования.

Логическая последовательность: Авторы логически переходят от идентификации проблемы (ограничения GPS) к разработке решения (OCC+фотограмметрия), затем к математическому моделированию и экспериментальной проверке. Последовательность логична, хотя статья могла бы выиграть от более тщательного сравнения с современными методами, такими как SLAM на основе LiDAR или связь V2X.

Сильные и слабые стороны: Основным преимуществом является недорогой подход, не требующий значительной инфраструктуры. Однако схема предполагает наличие прямой видимости и хороших условий освещения, что может быть недостижимо в тумане, дождь или ночью. Кроме того, зависимость от модуляции задних фонарей может быть нарушена из-за грязных или поврежденных фонарей. По сравнению с системами на основе LiDAR (которые стоят тысячи долларов), этот подход на основе камеры гораздо дешевле, но менее точен в неблагоприятных условиях. Как отметили Geiger и др. (2012) в наборе данных KITTI, методы на основе камер часто ухудшают свои характеристики в условиях низкой освещенности.

Практические выводы: Для практиков эта схема лучше всего подходит для движения колонной на шоссе и помощи при парковке, где условия освещения контролируются. Будущие работы должны исследовать гибридные подходы, объединяющие OCC с радаром или ультразвуковыми датчиками для работы в любую погоду. Фотограмметрическая модель статьи может быть улучшена с помощью оценки глубины на основе глубокого обучения, как продемонстрировали Eigen и др. (2014) в своей работе по предсказанию глубины по одному изображению.

6. Технические детали и математическая формулировка

Фотограмметрическая модель использует уравнение камеры-обскуры:

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

где $x$ — координата на изображении, $X$ — координата в мире, $f$ — фокусное расстояние, а $Z$ — глубина. Для известного размера объекта $S$ и размера изображения $s$ расстояние $D$ равно:

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

Модуляция OCC использует амплитудную манипуляцию (OOK) на частотах выше 100 Гц, чтобы избежать видимого мерцания. Мощность принимаемого сигнала (RSS) используется для оценки расстояния в качестве вторичного метода:

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

где $P_r$ — принимаемая мощность, $P_t$ — передаваемая мощность, $A_r$ — площадь приемника, а $\phi$ — угол падения.

7. Пример использования: сценарий движения колонной на шоссе

Сценарий: Колонна из трех автомобилей, движущихся со скоростью 80 км/ч по шоссе. Ведущий автомобиль (FV) передает свою скорость и статус торможения через модулированные задние фонари. Средний автомобиль (HV) использует OCC для приема этих данных и фотограмметрию для измерения расстояния.

Этапы реализации:

1. Задний фонарь FV модулирует данные на частоте 200 Гц (OOK).
2. Камера HV захватывает кадры с частотой 30 кадров/с и демодулирует сигнал.
3. Фотограмметрия вычисляет расстояние: $D = \frac{3,6 мм \times 0,15 м}{h_{пиксели} \times 0,006 мм/пиксель}$.
4. HV корректирует скорость для поддержания безопасной дистанции (правило 2 секунд: ~44 м при 80 км/ч).
5. Если FV тормозит, HV получает сигнал в течение 33 мс (один кадр) и реагирует.

Результат: Система поддерживает строй колонны с точностью 0,5 м, снижая аэродинамическое сопротивление до 15% и повышая топливную эффективность.

8. Будущие применения и направления

Предлагаемая схема имеет несколько многообещающих будущих применений:

• Автономная парковка: Использование OCC от фонарей парковки для точного позиционирования.
• Управление перекрестками: Автомобили взаимодействуют со светофорами для оптимизации трафика.
• Управление автопарком: Отслеживание грузовых автомобилей в реальном времени в городских районах.
• Интеграция V2X: Объединение OCC с DSRC или 5G для избыточной локализации.
• Инфраструктура умного города: Уличные фонари становятся многофункциональными коммуникационными узлами.

Будущие исследования должны быть сосредоточены на обнаружении объектов на основе глубокого обучения для повышения надежности, а также на интеграции с инерциальными датчиками для бесперебойной работы во время перебоев OCC.

9. Список литературы

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.