Optik Kamera İletişimi ve Fotogrametri Tabanlı Yeni Bir Araç Konumlandırma Şeması

İçindekiler

• 1. Giriş
• 2. Önerilen Sistem Mimarisi
• 3. Metodoloji
• 4. Deneysel Sonuçlar
• 5. Özgün Analiz
• 6. Teknik Detaylar ve Matematiksel Formülasyon
• 7. Vaka Çalışması: Otoyol Platoon Senaryosu
• 8. Gelecekteki Uygulamalar ve Yönelimler
• 9. Referanslar

1. Giriş

Konumlandırma, belirli bir zamanda bir nesnenin konumunu (2B uzayda x, y; 3B uzayda x, y, z) belirleme sürecidir. Nesnelerin İnterneti (IoT) ve otonom araçların yükselişiyle birlikte, hassas konumlandırma kritik hale gelmiştir. Geleneksel GPS, görüş hattı çözümleri sunar ancak kentsel kanyonlar ve tünellerde doğruluk sorunları yaşar. Bu makale, mevcut ulaşım altyapısını değiştirmeden yüksek hassasiyetli araç konumlandırması elde etmek için Optik Kamera İletişimi (OCC) ve fotogrametriyi birleştiren yeni bir şema önermektedir.

2. Önerilen Sistem Mimarisi

Sistem, araçları iki kategoriye ayırır: diğer araçların konumlarını tahmin eden Ana Araçlar (HV'ler) ve HV'lerin önünde hareket eden İletim Araçları (FV'ler). FV'ler, arka lambalarından modüle edilmiş veri iletir; bu veri, HV'nin kamerası tarafından OCC kullanılarak alınır. Ek olarak, HV konum doğruluğunu iyileştirmek için sokak lambası (SL) verileri kullanılır.

2.1 Temel Bileşenler

• Optik Kamera İletişimi (OCC): Veri iletmek için FV arka lambalarından ve SL'lerden gelen modüle edilmiş ışığı kullanır.
• Fotogrametri: Görüntü sensörü üzerinde kaplanan görüntü alanını hesaplayarak mesafeyi ölçer.
• Veri Füzyonu: Sağlam konumlandırma için OCC ve fotogrametri verilerini birleştirir.

3. Metodoloji

HV, SL verilerini kullanarak kendi konumunu belirler, ardından HV-SL ve HV-FV arasındaki mesafe değişikliklerini karşılaştırarak FV'nin göreceli konumunu hesaplar. FV veya SL ile HV kamerası arasındaki mesafe fotogrametri kullanılarak hesaplanır: $d = \frac{f \times H}{h}$, burada $f$ odak uzaklığı, $H$ gerçek yükseklik ve $h$ görüntü yüksekliğidir.

3.1 Mesafe Hesaplama

İğne deliği kamera modeli kullanılarak, kameradan bir nesneye olan mesafe $d$ şu şekilde verilir:

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

burada $W$ nesnenin gerçek genişliği ve $w$ görüntü sensörü üzerindeki piksel cinsinden genişliktir.

3.2 Konum Tahmini

HV konumu ilk olarak birden fazla SL'den üçgenleme kullanılarak tahmin edilir. Ardından, FV'nin göreceli konumu şu şekilde belirlenir:

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

burada $\Delta d$ mesafedeki değişim ve $\theta$ varış açısıdır.

4. Deneysel Sonuçlar

Deneysel düzenekte 640x480 çözünürlüklü, 3,6 mm odak uzaklığına sahip bir kamera ve 0,15 m çapında bir arka lamba kullanılmıştır. Sonuçlar, 30 metreye kadar olan mesafelerde mesafe ölçüm hatasının %5'ten az olduğunu göstermiştir. Önerilen şema, tipik olarak 2-5 metre hataya sahip yalnızca GPS çözümlerinden önemli ölçüde daha iyi performans göstererek 0,5 metre içinde konumlandırma doğruluğu elde etmiştir.

5. Özgün Analiz

Temel İçgörü: Bu makale, otonom sürüşte kritik bir sorunu (pahalı altyapı yükseltmeleri olmadan güvenilir araç konumlandırması) çözmek için OCC ve fotogrametri olmak üzere iki olgun teknolojinin akıllıca bir birleşimini sunmaktadır. Temel yenilik, mevcut arka lambaları ve sokak lambalarını iletişim işaretçileri olarak kullanarak pasif altyapıyı aktif konumlandırma yardımcılarına dönüştürmektir.

Mantıksal Akış: Yazarlar, problem tanımlamasından (GPS sınırlamaları) çözüm tasarımına (OCC+fotogrametri), ardından matematiksel modelleme ve deneysel doğrulamaya doğru mantıksal bir ilerleme kaydetmektedir. Akış tutarlıdır, ancak makale LiDAR tabanlı SLAM veya V2X iletişimi gibi son teknoloji yöntemlerle daha titiz bir karşılaştırmadan fayda sağlayabilir.

Güçlü ve Zayıf Yönler: Ana güç, düşük maliyetli ve altyapı gerektirmeyen yaklaşımdır. Bununla birlikte, şema net görüş hattı ve iyi aydınlatma koşulları varsayar; bu durum sis, yağmur veya gece saatlerinde geçerli olmayabilir. Ayrıca, arka lamba modülasyonuna güvenilmesi kirli veya hasarlı lambalardan etkilenebilir. Binlerce dolara mal olan LiDAR tabanlı sistemlerle karşılaştırıldığında, bu kamera tabanlı yaklaşım çok daha ucuzdur ancak olumsuz koşullarda daha az doğrudur. Geiger ve ark. (2012) tarafından KITTI veri setinde belirtildiği gibi, kamera tabanlı yöntemler genellikle düşük ışık senaryolarında performans kaybına uğrar.

Uygulanabilir İçgörüler: Uygulayıcılar için bu şema, aydınlatma koşullarının kontrollü olduğu otoyol platoon sürüşü ve park yardımı için en uygundur. Gelecekteki çalışmalar, her türlü hava koşulunda çalışma için OCC'yi radar veya ultrasonik sensörlerle birleştiren hibrit yaklaşımları araştırmalıdır. Makalenin fotogrametri modeli, Eigen ve ark. (2014) tarafından tek görüntülü derinlik tahmini üzerine yaptıkları çalışmada gösterildiği gibi, derin öğrenme tabanlı derinlik tahmini kullanılarak geliştirilebilir.

6. Teknik Detaylar ve Matematiksel Formülasyon

Fotogrametri modeli, iğne deliği kamera denklemini kullanır:

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

burada $x$ görüntü koordinatı, $X$ dünya koordinatı, $f$ odak uzaklığı ve $Z$ derinliktir. Bilinen bir nesne boyutu $S$ ve görüntü boyutu $s$ için mesafe $D$ şöyledir:

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

OCC modülasyonu, görünür titremeyi önlemek için 100 Hz'in üzerindeki frekanslarda Açık-Kapalı Anahtarlama (OOK) kullanır. Alınan sinyal gücü (RSS), ikincil bir yöntem olarak mesafe tahmini için kullanılır:

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

burada $P_r$ alınan güç, $P_t$ iletilen güç, $A_r$ alıcı alanı ve $\phi$ geliş açısıdır.

7. Vaka Çalışması: Otoyol Platoon Senaryosu

Senaryo: Bir otoyolda 80 km/s hızla seyreden üç araçlık bir platoon. Öndeki araç (FV), hızını ve fren durumunu modüle edilmiş arka lambalar aracılığıyla iletir. Ortadaki araç (HV), bu verileri almak için OCC'yi ve mesafeyi ölçmek için fotogrametriyi kullanır.

Uygulama Adımları:

1. FV arka lambası, verileri 200 Hz'de (OOK) modüle eder.
2. HV kamerası, 30 fps'de kareler yakalar ve sinyali demodüle eder.
3. Fotogrametri mesafeyi hesaplar: $D = \frac{3,6mm \times 0,15m}{h_{piksel} \times 0,006mm/piksel}$.
4. HV, güvenli mesafeyi korumak için hızını ayarlar (2 saniye kuralı: 80 km/s'te ~44m).
5. FV fren yaparsa, HV sinyali 33 ms içinde (bir kare) alır ve tepki verir.

Sonuç: Sistem, platoon oluşumunu 0,5m doğrulukla koruyarak hava direncini %15'e kadar azaltır ve yakıt verimliliğini artırır.

8. Gelecekteki Uygulamalar ve Yönelimler

Önerilen şemanın umut verici birkaç gelecekteki uygulaması vardır:

• Otonom Park: Hassas konumlandırma için otopark ışıklarından OCC kullanımı.
• Kavşak Yönetimi: Araçların trafik akışını optimize etmek için trafik ışıklarıyla iletişimi.
• Filo Yönetimi: Kentsel alanlarda teslimat araçlarının gerçek zamanlı takibi.
• V2X Entegrasyonu: Yedekli konumlandırma için OCC'nin DSRC veya 5G ile birleştirilmesi.
• Akıllı Şehir Altyapısı: Sokak lambalarının çok işlevli iletişim düğümleri haline gelmesi.

Gelecekteki araştırmalar, sağlamlığı artırmak için derin öğrenme tabanlı nesne tespitine ve OCC kesintileri sırasında kesintisiz çalışma için atalet sensörleriyle entegrasyona odaklanmalıdır.

9. Referanslar

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