基於光學相機通訊與攝影測量法結合的新型車輛定位方案

目錄

• 1. 引言
• 2. 提出的系統架構
• 3. 研究方法
• 4. 實驗結果
• 5. 原創分析
• 6. 技術細節與數學公式
• 7. 案例研究：高速公路車隊行駛情境
• 8. 未來應用與發展方向
• 9. 參考文獻

1. 引言

定位是指在特定時間點識別物體位置（二維空間中的 x、y 座標；三維空間中的 x、y、z 座標）的過程。隨著物聯網（IoT）與自動駕駛車輛的興起，精準定位已變得至關重要。傳統的全球定位系統（GPS）雖能提供視線範圍內的解決方案，但在都市峽谷與隧道中容易出現精度問題。本文提出了一種結合光學相機通訊（OCC）與攝影測量法的新型方案，無需修改現有交通基礎設施即可實現高精度車輛定位。

2. 提出的系統架構

本系統將車輛分為兩類：主車輛（HV）負責估算其他車輛的位置，以及前導車輛（FV）行駛於主車輛前方。前導車輛透過其尾燈傳輸調變數據，由主車輛的相機使用光學相機通訊（OCC）技術接收。此外，路燈（SL）數據也用於提升主車輛的位置精度。

2.1 關鍵元件

• 光學相機通訊（OCC）：利用前導車輛尾燈與路燈的調變光線來傳輸數據。
• 攝影測量法：透過計算影像感測器上佔據的影像面積來測量距離。
• 數據融合：結合光學相機通訊與攝影測量法的數據，實現穩健的定位。

3. 研究方法

主車輛首先利用路燈數據確定自身位置，接著透過比較主車輛-路燈與主車輛-前導車輛之間的距離變化，計算前導車輛的相對位置。前導車輛或路燈與主車輛相機之間的距離使用攝影測量法計算：$d = \frac{f \times H}{h}$，其中 $f$ 是焦距，$H$ 是實際高度，$h$ 是影像高度。

3.1 距離計算

使用針孔相機模型，從相機到物體的距離 $d$ 由下式給出：

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

其中 $W$ 是物體的實際寬度，$w$ 是影像感測器上的像素寬度。

3.2 位置估算

主車輛的位置首先透過多個路燈的三角測量進行估算。接著，前導車輛的相對位置由下式確定：

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

其中 $\Delta d$ 是距離變化量，$\theta$ 是到達角度。

4. 實驗結果

實驗設置使用解析度為 640x480、焦距為 3.6 毫米的相機，以及直徑為 0.15 公尺的尾燈。結果顯示，在 30 公尺以內的距離，距離測量誤差小於 5%。所提出的方案達到了 0.5 公尺以內的定位精度，顯著優於通常有 2 至 5 公尺誤差的純 GPS 解決方案。

5. 原創分析

核心見解：本文巧妙地融合了兩項成熟技術——光學相機通訊（OCC）與攝影測量法——來解決自動駕駛中的一個關鍵問題：無需昂貴的基礎設施升級即可實現可靠的車輛定位。其關鍵創新在於利用現有的尾燈與路燈作為通訊信標，將被動基礎設施轉變為主動定位輔助工具。

邏輯流程：作者從問題識別（GPS 的限制）到解決方案設計（OCC + 攝影測量法），再到數學建模與實驗驗證，邏輯上循序漸進。流程連貫，不過該論文若能與最先進的方法（如基於 LiDAR 的 SLAM 或 V2X 通訊）進行更嚴謹的比較，將會更完善。

優勢與缺點：主要優勢在於其低成本且無需大量基礎設施的方法。然而，該方案假設有清晰的視線與良好的光照條件，這在霧天、雨天或夜間可能無法滿足。此外，依賴尾燈調變可能因車燈骯髒或損壞而受到影響。與 LiDAR 系統（成本數千美元）相比，這種基於相機的方法便宜得多，但在惡劣條件下精度較低。正如 Geiger 等人（2012 年）在 KITTI 數據集中所指出的，基於相機的方法在低光照場景下通常會性能下降。

可行見解：對於實務工作者而言，此方案最適合應用於照明條件可控的高速公路車隊行駛與停車輔助。未來的研究應探索將 OCC 與雷達或超音波感測器結合的混合方法，以實現全天候運作。論文的攝影測量模型可以透過基於深度學習的深度估算來增強，正如 Eigen 等人（2014 年）在單一影像深度預測的研究中所展示的那樣。

6. 技術細節與數學公式

攝影測量模型使用針孔相機方程式：

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

其中 $x$ 是影像座標，$X$ 是世界座標，$f$ 是焦距，$Z$ 是深度。對於已知物體尺寸 $S$ 和影像尺寸 $s$，距離 $D$ 為：

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

光學相機通訊（OCC）調變使用高於 100 Hz 的開關鍵控（OOK），以避免可見的閃爍。接收信號強度（RSS）作為次要方法用於距離估算：

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

其中 $P_r$ 是接收功率，$P_t$ 是發射功率，$A_r$ 是接收器面積，$\phi$ 是入射角。

7. 案例研究：高速公路車隊行駛情境

情境：一個由三輛車組成的車隊以時速 80 公里在高速公路上行駛。領頭車輛（前導車輛）透過調變尾燈傳輸其速度與煞車狀態。中間車輛（主車輛）使用光學相機通訊（OCC）接收此數據，並使用攝影測量法測量距離。

實施步驟：

1. 前導車輛尾燈以 200 Hz 調變數據（開關鍵控）。
2. 主車輛相機以 30 fps 捕捉畫面，並解調信號。
3. 攝影測量法計算距離：$D = \frac{3.6mm \times 0.15m}{h_{像素} \times 0.006mm/像素}$。
4. 主車輛調整速度以保持安全距離（兩秒規則：時速 80 公里時約 44 公尺）。
5. 若前導車輛煞車，主車輛在 33 毫秒內（一個畫面）接收信號並做出反應。

結果：系統以 0.5 公尺的精度維持車隊隊形，可減少高達 15% 的空氣阻力並提升燃油效率。

8. 未來應用與發展方向

所提出的方案具有多項前景看好的未來應用：

• 自動停車：利用停車場燈光的光學相機通訊進行精準定位。
• 路口管理：車輛與交通號誌通訊以優化車流。
• 車隊管理：在市區即時追蹤送貨車輛。
• V2X 整合：將光學相機通訊與 DSRC 或 5G 結合，實現備援定位。
• 智慧城市基礎設施：路燈成為多功能通訊節點。

未來研究應聚焦於基於深度學習的物體偵測以提升穩健性，以及與慣性感測器的整合，以便在光學相機通訊中斷期間實現無縫運作。

9. 參考文獻

1. M. T. Hossan 等人, "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. 世界衛生組織, "Global status report on road safety 2018," WHO, 2018.
5. J. Y. Kim 等人, "Optical camera communication for vehicular applications: A survey," IEEE Communications Surveys & Tutorials, 2020.