СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ И ИНТЕГРАЦИИ ДАННЫХ ВИДЕОКАМЕР И ЛИДАРОВ ДЛЯ АВТОНОМНОГО ВОЖДЕНИЯ

MODERN METHODS OF IMAGE PROCESSING AND SENSOR FUSION FOR CAMERA AND LIDAR DATA IN AUTONOMOUS DRIVING

Alexey Romanov

master’s student, 1st year, Naberezhnye Chelny Institute, Kazan (Volga Region) Federal University

Russia, Naberezhnye Chelny

АННОТАЦИЯ

Статья посвящена методам обработки данных с видеокамер и лидаров в системах автономного транспорта. Рассматриваются алгоритмы фильтрации, распознавания объектов и машинного обучения для анализа информации с сенсоров. Основное внимание уделено улучшению контраста изображений и детализации лидарных данных. Обсуждаются перспективные подходы к интеграции сенсоров для повышения точности восприятия окружающей среды.

Ключевые слова: обработка изображений, видеокамеры, лидар, автономное вождение, интеллектуальные транспортные системы, интеграция данных, машинное обучение.

Введение

Современные транспортные системы используют видеокамеры и лидары для анализа окружающей среды. Видеокамеры обеспечивают детализированное изображение, но их работа ухудшается в условиях плохой видимости. Лидары точно измеряют расстояния, но не передают текстуру объектов. Интеграция данных с обоих типов сенсоров повышает точность систем автономного вождения.

1. Обработка данных с видеокамер

Включает коррекцию контраста, устранение шумов и обнаружение объектов. Применяются методы выравнивания гистограммы и свёрточной фильтрации, особенно важные в условиях плохой видимости.

2. Обработка данных с лидаров

Лидарные системы создают трёхмерные карты, точно измеряя расстояния. Данные подвергаются фильтрации и сегментации для повышения точности. В сочетании с видеокамерами это улучшает распознавание объектов.

3. Совместное использование данных с видеокамер и лидаров

Перспективные методы интеграции данных видеокамер и лидаров сочетают точность лидаров и детализацию камер.

Для реализации интеграции применяются различные методы:

1) Фьюжн-методы – объединение данных (ML): визуальная идентификация + точные расстояния.

2) Гибридные алгоритмы - обработка изображений и анализ облаков точек: первичное обнаружение камерами + уточнение параметров лидаром.

3) Нейросетевые подходы- одновременный анализ 2D и 3D-данных для повышения надежности.

Применение в автономном вождении

1. Комбинированное использование данных с видеокамер и лидаров

Лидары и видеокамеры совместно определяют положение и скорость объектов, обеспечивая точное распознавание и анализ окружающей среды.

2. Определение траектории движения участников дорожного движения

Лидары измеряют дистанции и скорости, а видеокамеры распознают типы объектов, улучшая прогнозирование траекторий.

3. Распознавание и классификация объектов

1) Видеокамеры с алгоритмами машинного обучения точно распознают пешеходов, транспорт и дорожную инфраструктуру.

2) Лидары измеряют дистанции и габариты объектов, что критично для безопасности автономного движения.

Улучшение восприятия в сложных условиях:

1) В условиях плохой видимости применяются алгоритмы шумоподавления и контрастного усиления для улучшения видеоданных.

2) Лидары менее чувствительны к погодным условиям, что делает их надёжным источником информации.

4. Преимущества интеграции видеокамер и лидаров

Совместная работа лидаров и видеокамер формирует полное понимание окружающей обстановки. Лидары обеспечивают точные измерения расстояний и форм объектов, тогда как видеокамеры дополняют их данными о текстурах и цветах.

Такое сочетание существенно улучшает распознавание объектов и повышает безопасность навигации. Это позволяет автономным системам работать более точно и надежно в любых условиях, обеспечивая безопасное и эффективное передвижение транспортных средств.

Заключение

Алгоритмы обработки изображений для видеокамер и лидаров — ключевой компонент автономного вождения и интеллектуальных транспортных систем. Интеграция данных с различных сенсоров повышает точность восприятия окружения, что критически важно для безопасности и эффективности автономного транспорта. Развитие этих технологий создает перспективы для более надежных транспортных систем будущего.

Список литературы:

1. Richard Szeliski. (2010). Computer Vision: Algorithms and Applications. Retrieved fromhttp://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.C0E46D49
2. Осипов Г. В. Методы искусственного интеллекта/Осипов Г.В. - М.: Физматлит, 2011. - 296 с.