麻省理工学院研究人员开发系统 帮助自动驾驶汽车“看清”周围角落

  • 时间:
  • 浏览:0

盖世汽车讯 据外媒报道,为了提高自动驾驶系统的安全性,麻省理工学院的工程师们开发了两种系统,可不前要感知地面阴影中的微小变化,从而选用算是有移动的物体从拐角处经过。未来,自动驾驶汽车有望使用该系统,快速避开拐角处的一点车辆或行人,以及随近停放的车辆,以免占据 碰撞。

(图片来源:麻省理工学院)

研究人员在论文中描述了自动驾驶汽车在停车场成功行驶的实验。当探测到有车辆驶近并停车时,此种基于车辆的系统比传统不需要 探测到可见物体的激光雷达要快半秒。目前,该系统仅在室内环境下进行了测试。机器人在室内的效率要慢得多,照明条件也更一致,后来系统更容易感知和分析阴影。

扩展ShadowCam

研究人员构建了名为ShadowCam(阴影摄像头)的系统,使用计算机视觉技术,检测和分类地面阴影的变化。此前,麻省理工学院教授William Freeman和Antonio Torralba企业战略合作开发了该系统的较早版本。

ShadowCam使用摄像头的视频帧序列,瞄准特定的区域,类事角落前方的地面。该系统可不前要根据多幅图像,检测光线效率随时间的变化,什么变化由于分析分析表明有物体正远离或靠近。其中一点变化肉眼由于分析分析没能检测到,后来可不前要由对象和环境的各种属性来选用。ShadowCam计算什么信息,并将图像进行分类,分别为富含静止物体的图片,或富含动态的、移动的物体的图片。由于分析分析是动态图像,该系统就会做出相应的反应。

将ShadowCam应用到自动驾驶汽车上前要一点进展。类事,早期的版本利用增强现实标签AprilTags,类事于繁复的二维码,将区域进行排列。机器人扫描AprilTags,检测并计算它们相对于标签的精确3D位置和方向。ShadowCam使用标签作为环境社会形态,瞄准由于分析分析富含阴影的特定像素块。后来利用AprilTags修改现实环境是不现实的。

研究人员开发了新辦法 ,结合了图像配准和新的视觉测程技术。图像配准通常用于计算机视觉,本质上是对多个图像进行标注,以显示图像中的变化。

视觉测程技术通过分析图像序列中的姿态和几何图形,实时估计摄像头的运动。研究人员有点硬采用直接稀疏测程法(DSO),可不前要在类事AprilTags捕获的环境中计算社会形态点。本质上,DSO在3D点云上绘制环境社会形态,后来计算机视觉管道只选用占据 兴趣区域的社会形态,类事角落随近的地板。(后来手动标注兴趣区域。)

由于分析分析ShadowCam获取兴趣区域的输入图像序列,后来使用的是DSO图像配准辦法 ,标注机器人相同视点的所有图像。即使机器人移动时,而是需要 瞄准阴影处的像素点,帮助检测图像之间的细微偏差。

接下来是信号放大。由于分析分析富含阴影的像素颜色加深,会降低信噪比。这使得阴影变化的极其微弱的信号更容易被探测到。增强信号次责取决于它与随近一点阴影的次责程度,由于分析分析达到某个阈值,ShadowCam会将该图像归类为动态图像。根据信号的效率,系统由于分析分析会告诉机器人抢挡 运动运动或停止。研究人员表示,“由于分析分析检测到该信号,你就前要小心了。它由于分析分析是从角落上边跑出来的人的影子,由于分析分析是百公里停着的车的影子,什么都有自动驾驶汽车会抢挡 运动运动由于分析分析完整篇 停下来。”

无标签测试

在一项测试中,研究人员使用AprilTags和基于DSO的新辦法 评估了该系统对移动或静止的物体进行分类的性能。你这两种辦法 的分类准确率都达到了70%,表明不再前要AprilTags。

在另一项测试中,研究人员在停车场中的百公里自动驾驶汽车上安装ShadowCam,关闭大灯,模拟夜间驾驶条件,并与激光雷达比较车辆检测时间。在有两个示例场景中,ShadowCam检测到柱子上边驶来的车辆的效率比激光雷达离米 快0.72秒。此外,由于分析分析研究人员有点硬根据车库照明条件,对ShadowCam进行调整,使其分类准确率达到86%左右。

下一步,研究人员将进一步开发该系统,以确保其可在不同的室内和室外照明条件下工作。未来,由于分析分析会有辦法 加速系统的阴影检测效率,实现目标区域标注过程的自动化。