¿Qué es un sistema avanzado de asistencia al conductor?

ResumenLos sistemas basados en el procesamiento de imágenes tienen numerosas aplicaciones en el ámbito del control de movimiento de robots y vehículos autónomos. El presente trabajo está orientado a la solución del problema que precede a la implementación de la evitación automática de los obstáculos en carretera: cómo detectarlos, seguirlos en la secuencia de imágenes y reconocer cuáles de ellos son estacionarios, entrantes o salientes de la cámara. El algoritmo general de clasificación de obstáculos que se presenta en este trabajo consta de tres fases básicas: (1) segmentación de la imagen para extraer los píxeles pertenecientes a la imagen de una carretera y los objetos que se encuentran sobre ella; (2) extracción de puntos característicos dentro del área del obstáculo, su descripción y seguimiento en los siguientes fotogramas; y (3) estimación de las distancias entre la cámara, los obstáculos y sus tasas de cambio (velocidades relativas). Las verificaciones de determinados pasos del algoritmo propuesto se ilustran utilizando imágenes reales de tráfico rodado, mientras que el algoritmo global se prueba utilizando tanto secuencias de imágenes sintetizadas como las adquiridas en la conducción real.

¿Cuál de los siguientes puede estar en los objetos de la carretera?

ResumenUna de las tareas más relevantes en un sistema de navegación inteligente para vehículos es la detección de obstáculos. Es importante que un sistema de percepción visual para la navegación identifique los obstáculos, y también es importante que este sistema pueda extraer información esencial que pueda influir en el comportamiento del vehículo, ya sea generando una alerta para un conductor humano o guiando a un vehículo autónomo para poder tomar sus decisiones de conducción. En este trabajo presentamos un enfoque para la identificación de obstáculos y la extracción de información de clase, posición, profundidad y movimiento de estos objetos que emplea datos obtenidos exclusivamente de la visión pasiva. Utilizamos una red neuronal convolucional para la detección de obstáculos, flujo óptico para el análisis del movimiento de los obstáculos detectados, tanto en relación con la dirección como con la intensidad del movimiento, y también visión estereoscópica para el análisis de la distancia de los obstáculos en relación con el vehículo. Realizamos nuestros experimentos en dos conjuntos de datos diferentes, y los resultados obtenidos mostraron una buena eficacia del uso de patrones de profundidad y movimiento para evaluar el estado de amenaza potencial de los obstáculos.

Obstrucción de la carretera

ResumenLos sistemas basados en el procesamiento de imágenes tienen numerosas aplicaciones en el ámbito del control de movimiento de robots y vehículos autónomos. El presente trabajo está orientado a la solución del problema que precede a la implementación de la evitación automática de los obstáculos en carretera: cómo detectarlos, seguirlos en la secuencia de imágenes y reconocer cuáles de ellos son estacionarios, entrantes o salientes de la cámara. El algoritmo general de clasificación de obstáculos que se presenta en este trabajo consta de tres fases básicas: (1) segmentación de la imagen para extraer los píxeles pertenecientes a la imagen de una carretera y los objetos que se encuentran sobre ella; (2) extracción de puntos característicos dentro del área del obstáculo, su descripción y seguimiento en los siguientes fotogramas; y (3) estimación de las distancias entre la cámara, los obstáculos y sus tasas de cambio (velocidades relativas). Las verificaciones de determinados pasos del algoritmo propuesto se ilustran utilizando imágenes reales de tráfico rodado, mientras que el algoritmo global se prueba utilizando tanto secuencias de imágenes sintetizadas como las adquiridas en la conducción real.

Significado de los obstáculos en la carretera

Ha solicitado una traducción automática de un contenido seleccionado de nuestras bases de datos. Esta funcionalidad se proporciona únicamente para su comodidad y no pretende en ningún caso sustituir a la traducción humana. Ni SPIE ni los propietarios y editores del contenido hacen, y renuncian explícitamente, a cualquier representación o garantía expresa o implícita de cualquier tipo, incluyendo, sin limitación, representaciones y garantías en cuanto a la funcionalidad de la función de traducción o la exactitud o integridad de las traducciones.

“Small obstacles detection on roads scenes using semantic segmentation for the safe navigation of autonomous vehicles”, Journal of Electronic Imaging 31(6), 061806 (18 de abril de 2022). https://doi.org/10.1117/1.JEI.31.6.061806

Sadaf Yasmin, Mehr Yahya Durrani, Saira Gillani, Maryam Bukhari, Muazzam Maqsood, Manaf Zghaibeh, “Small obstacles detection on roads scenes using semantic segmentation for the safe navigation of autonomous vehicles,” J. Electron. Imag. 31(6) 061806 (18 de abril de 2022) https://doi.org/10.1117/1.JEI.31.6.061806