Гібридний лiдарный/радарний механізм глибинного навчання та розпізнавання транспортних засобів для управління передаварійною безпекою автономних транспортних засобів

Автор(и)

  • Bassant Mohamed Elbagoury Humboldt University in Berlin Unter den Linden, 6, Berlin, Germany, 10099, Німеччина
  • Rytis Maskeliunas Kaunas University of Technology K. Donelaičio str., 73, Kaunas, Lithuania, 44249, Литва https://orcid.org/0000-0002-2809-2213
  • Abdel Badeeh Mohamed M. Salem University of Economics – Varna Research Institute of the University of Economics – Varna Knyaz Boris I blvd., 77, Varna, Bulgaria, 9002, Болгарія

DOI:

https://doi.org/10.15587/1729-4061.2018.141298

Ключові слова:

глибинне навчання, набір даних лідарного датчика, алгоритми K-мірного дерева, хмара точок, модуль розпізнавання транспортних засобів

Анотація

Завдання передаварійного інтелектуального керування робота автономних транспортних засобів є дуже складною проблемою, особливо передаварійні умови транспортних засобів і в точках перетину в умовах реального часу.

Метою даного дослідження є розробка нового штучного інтелектуального адаптивного регулятора для системи передаварійної безпеки автономних транспортних засобів, а також модуля розпізнавання транспортних засобів та тестування в MATLAB, включаючи деякі деталізовані модулі. Були поставлені наступні завдання: пошук об'єктів за даними датчиків (Лiдар, Радар), контроль швидкості та рульового управління, розпізнавання транспортних засобів з використанням згорткової нейронної мережі та Alexnet.

У даній дослідницькій роботі ми реалізували обробку зображень та лiдарних даних в режимі реального часу. Спочатку ми представили систему реального часу, яка складається з комплексних модулів, а саме модулі виявлення тривимірних об'єктів, групування та пошуку об'єктів, видалення землі, глибинного навчання з використанням згорткових нейронних мереж. Починаючи з модуля найближчого транспортного засобу, наше завдання - знайти найближчий попереду автомобіль і вважати його основною перешкодою.

У статті представлена адаптивна передаварiйна система керування швидкістю та розпізнавання транспортних засобів. Модуль адаптивної передаварійної системи керування швидкістю залежить від даних глибинного навчання та лідарного датчика, які призначені для управління безрозсудною поведінкою водія на дорозі шляхом регулювання швидкості транспортного засобу для підтримки безпечної відстані від об'єктів попереду (таких як автомобілі, люди, велосипед або будь-який інший об'єкт), коли водій намагається підвищити швидкість. Наразi модуль розпізнавання транспортних засобів виявляє і розпізнає транспортні засоби навколо автомобіля

Біографії авторів

Bassant Mohamed Elbagoury, Humboldt University in Berlin Unter den Linden, 6, Berlin, Germany, 10099

PhD

Department of Artificial Intelligence and Robotics

Rytis Maskeliunas, Kaunas University of Technology K. Donelaičio str., 73, Kaunas, Lithuania, 44249

Professor

Department of Multimedia Engineering

Faculty of Informatics

Abdel Badeeh Mohamed M. Salem, University of Economics – Varna Research Institute of the University of Economics – Varna Knyaz Boris I blvd., 77, Varna, Bulgaria, 9002

PhD, Professor

Посилання

  1. Hsu, C. W., Liang, C. N., Ke, L. Y., Huang, F. Y. (2009). Verification of On-Line Vehicle Collision Avoidance Warning System using DSRC. World Academy of Science, Engineering and Technology, 3 (7), 808–814.
  2. Chang, B. R., Tsai, H. F., Young, C.-P. (2010). Intelligent data fusion system for predicting vehicle collision warning using vision/GPS sensing. Expert Systems with Applications, 37 (3), 2439–2450. doi: https://doi.org/10.1016/j.eswa.2009.07.036
  3. Köhler, M. Accurate PreCrash Detection. IBEO Automobile Sensor GmbH, System Development. Hamburg.
  4. Schouten, N. (2008). Pre-Crash Testing in the VeHIL Facility. TNO Automotive, Integrated Safety Department, 28.
  5. Navet, N., Simonot-Lion, F. (Eds.) (2009). Automotive Embedded Systems Handbook. CRC Press. doi: https://doi.org/10.1201/9780849380273
  6. Jansson, J., Johansson, J., Gustafsson, F. (2002). Decision Making for Collision Avoidance Systems. SAE Technical Paper Series. doi: https://doi.org/10.4271/2002-01-0403
  7. Evans, C. (2009). Notes on the open surf library. University of Bristol, Tech. Rep. CSTR-09-001.
  8. Popirlan, C., Dupac, M. (2009). An Optimal Path Algorithm for Autonomous Searching Robots. Annals of University of Craiova, Math. Comp. Sci. Ser., 36 (1), 37–48.
  9. Dolgov, D., Thrun, S., Montemerlo, M., Diebel, J. (2010). Path Planning for Autonomous Vehicles in Unknown Semi-structured Environments. The International Journal of Robotics Research, 29 (5), 485–501. doi: https://doi.org/10.1177/0278364909359210
  10. Buehler, M., Iagnemma, K., Singh, S. (Eds.) (2007). The 2005 DARPA Grand Challenge: The Great Robot Race. Springer. doi: https://doi.org/10.1007/978-3-540-73429-1
  11. Urban challenge rules, revision (2007). DARPA, 28. http://archive.darpa.mil/grandchallenge/docs/Urban_Challenge_Rules_102707.pdf
  12. Urmson, C. (2007). Tartan Racing: A Multi-Modal Approach to the DARPA Urban Challenge.
  13. Tavel, P. (2007). Modeling and Simulation Design. AK Peters Ltd.
  14. Welcome to the KITTI Vision Benchmark Suite! Available at: http://www.cvlibs.net/datasets/kitti/
  15. Pandey G., McBride J. R., Eustice R. M. Ford Campus Vision and Lidar Data Set. Available at: http://robots.engin.umich.edu/publications/gpandey-2010b.pdf
  16. Robotics: Estimation and Learning. Available at: https://www.coursera.org/learn/robotics-learning

##submission.downloads##

Опубліковано

2018-09-12

Як цитувати

Elbagoury, B. M., Maskeliunas, R., & Salem, A. B. M. M. (2018). Гібридний лiдарный/радарний механізм глибинного навчання та розпізнавання транспортних засобів для управління передаварійною безпекою автономних транспортних засобів. Eastern-European Journal of Enterprise Technologies, 5(9 (95), 6–17. https://doi.org/10.15587/1729-4061.2018.141298

Номер

Том 5 № 9 (95) (2018): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2018 Bassant Mohamed Elbagoury, Abdel Badeeh Mohamed M. Salem, Rytis Maskeliunas

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.