Các thuật toán với độ tin cậy cao, phát hiện chính xác chướng ngại vật, thậm chí có thể phát hiện cả những vật thể nhỏ.
Để lấp đầy điểm mù tức thời (do Velodyne tạo ra) xung quanh xe, LIDAR SICK tăng cường hiệu quả hoạt động theo dõi chướng ngại vật. Velodyne phát hiện được nhiều chướng ngại vật ở xa hơn, nhưng chướng ngại vật gần xe nhất mới là quan trọng nhất. Thống kê thu thập được trong suốt 40.000 khối (xem Hình 2.17) cho biết như sau:
Các Velodyne theo dõi 95,6% chướng ngại vật xuất hiện trong hệ thống, các SICK đơn theo dõi 61,0% chướng ngại vật.
Sự hợp nhất của hai hệ thống phụ giúp hệ thống hiệu quả hơn, ước tính được 96,7% việc theo dõi chướng ngại vật.
Trong số những đối tượng được theo dõi bởi cả các Velodyne và SICK, Velodyne phát hiện các đối tượng ở một phạm vi rộng hơn: trên mức trung bình 1,2 m.
Trong môi trường phức tạp, mặt đất thường không bằng phẳng, vì vậy góc quét của LIDAR phẳng thường hướng lên trời và có thể phát hiện những những đám bụi ở trên cao. Do sử dụng nhiều LIDAR nên hệ thống loại bỏ các đám bụi như là một chướng ngại vật. Nhưng vì góc quét của LIDAR phẳng bị hướng lên trên nên không thể phát hiện những chướng ngại vật bị che khuất ở dưới mặt đất. Các Velodyne với tầm nhìn thẳng đứng rộng, hầu như không bị ảnh hưởng bởi vấn đề này. Với những thuộc tính vượt trội của hệ thống phụ Velodyne có thể phát hiện những chướng ngại vật bị che khuất.
Hình 2.17: Phạm vi phát hiện của cảm biến. Đối với mỗi 40.000 khối, việc phát hiện sớm nhất của các đoạn đã được thu thập cho mỗi phương thức (Velodyne và SICK). Hiệu suất của Velodyne tốt hơn nhiều so với của SICK (quan sát thấy đối tượng ít hơn).
Một ưu điểm của SICK là tần số quét của nó cao hơn Velodyne (75 Hz so với của Velodyne 15 Hz), đối với những chướng ngại vật chuyển động nhanh SICK liên
kết dữ liệu dễ dàng hơn. Nếu một chiếc xe khác đang chuyển động với vận tốc 15m/s, Velodyne thực hiện theo dõi chiếc xe đó với độ dịch chuyển 1m giữa các lần quét, trong khi độ dịch chuyển giữa các lần quét của SICK là 0.2m.
2.4.2.7. Rada phát hiện xe tốc độ cao.
Các hệ thống radar hỗ trợ cho các hệ thống LIDAR phụ bằng cách phát hiện đối tượng di chuyển ở khoảng cách xa hơn phạm vi phát hiện tin cậy của LIDAR. Các hệ thống radar đo lường trực tiếp đối tượng chuyển động, sử dụng hiệu ứng Doppler giúp đơn giản hóa việc kết hợp dữ liệu. Mỗi radar có tầm nhìn 18°. Để đạt được một tầm nhìn rộng, MIT đã sắp xếp 15 radar lại với nhau.
Các hệ thống radar phụ duy trì các hoạt động theo dõi.Nó truyền về những theo dõi theo thời gian, để hệ thống có thể so sánh, dự đoán vị trí và tốc độ của các chướng ngại vật di chuyển từ các dữ liệu của radar.
Bước đầu tiên trong theo dõi là liên kết các radar để phát hiện các hoạt động theo dõi. Các radar cung cấp tỉ lệ Doppler một cách nhất quán trong vòng một vài mét trên một giây, nếu tỉ lệ các ước lượng và tỷ lệ các tính toán chênh lệch 2m/s, nó sẽ không cho phép kết hợp với nhau. Nếu không, các theo dõi gần nhất (trong mặt phẳng XY) được lựa chọn cho mỗi phép đo. Nếu các theo dõi gần hơn 6m (từ radar phát hiện), một theo dõi mới được tạo ra để thay thế.
Hình 2.18: Radar theo dõi ba chiếc xe. (a) Camera trước, bên phải cho thấy ba phương tiện giao thông đang tới. (b) Các điểm thô mà radar dò tìm miêu tả cho vận cuối của Doppler. Hình chữ nhật là các kết quả theo dõi xe với tốc độ tính bằng m/s (kích thước hình chữ nhật đơn giản chỉ là để hiển thị).
Mỗi theo dõi ghi lại tất cả các phép đo radar trong giây cuối cùng. Nó cập nhật vị trí của từng theo dõi và mô hình vận tốc bằng máy tính kết hợp với ô vuông của một mô hình đồng tốc với (x, y, thời gian) dữ liệu từ radar. Tầm quan trọng của quan sát gần nhất cao hơn quan sát cũ vì mục tiêu cần theo dõi có thể tăng tốc.Hình 2.18 cho thấy kết quả điển hình từ các kết hợp dữ liệu của radar và mô đun theo dõi.
Mặc dù dữ liệu làn đường không được sử dụng trong các mô đun theo dõi nhưng việc theo dõi và điều hướng của chiếc xe vẫn hợp lý. Các mô đun có khả năng phát hiện chiếc xe đang gần kề để tránh đi vào ngã tư.
Hạn chế của radar là nó không thể dễ dàng phân biệt được giữa các đối tượng nhỏ, vô hại (như một chốt nằm trên mặt đất, hoặc một nắp của hệ thống thoát nước…) với đối tượng lớn (như ô tô…). Để tránh tín hiệu giả, MIT sử dụng radar chỉ để phát hiện các đối tượng chuyển động.
2.4.3. Phát hiện nguy hiểm.
MIT xác định các đối tượng nguy hiểm khó vượt qua và có thể vượt qua. Đối tượng nguy hiểm bao gồm ổ gà, lề đường, và các đối tượng nhỏ khác. Các phát hiện nguy hiểm không nhằm mục đích phát hiện xe ô tô và các đối tượng lớn khác (có khả năng di chuyển), mục tiêu của mô đun này là để ước tính tình trạng của con đường nó đang đi.
Ngoài các Velodyne, Talos sử dụng năm LIDAR phẳng bố trí lệch nhau và có tầm nhìn hướng xuống, gắn trên mui xe, có nhiệm vụ chủ yếu là quan sát mặt đường. Nguyên tắc cơ bản của phát hiện nguy hiểm là tìm kiếm sự gián đoạn chiều cao trong quá trình quét laser. Trong một đợt nhỏ của tín hiệu laser trả về liên tục, độ dốc được tính toán bằng cách phân chia sự thay đổi khoảng cách giữa tín hiệu trả về riêng lẻ. Độ dốc này được lưu trong một bản đồ mạng lưới, ghi lại độ dốc lớn nhất quan sát thấy trong mỗi ô. Bản đồ lưới này dần được xây dựng qua thời gian khi các cảm biến quét qua mặt đất mới và bản đồ được mở rộng khoảng 40m ở các hướng.
Cảm biến Velodyne, với 64 laser, có thể quan sát một vùng rộng xung quanh chiếc xe. Tuy nhiên, các đối tượng nguy hiểm chỉ có thể được phát hiện nơi mà laser có thể quét qua. Laser của Velodyne soi qua mặt đất với 64 vòng tròn đồng tâm xung quanh chiếc xe.
Hiệu chuẩn laser của Velodyne là không đủ tin cậy để cho phép các gián đoạn được phát hiện bằng cách so sánh chiều cao của đối tượng nguy hiểm. Do đó, MIT xử lý mỗi laser Velodyne độc lập như một máy quét trực tuyến.
Không giống như các máy dò chướng ngại vật giả định rằng những chướng ngại vật sẽ được liên tục quan sát theo thời gian, phát hiện nguy hiểm là trạng thái ý nghĩa hơn vì độ dốc lớn nhất được quan sát ghi nhớ trong mỗi ô lưới (x, y). Một gián đoạn thẳng đứng theo bất kỳ hướng nào, nhưng lại là nguy hiểm tiềm tàng. Ví dụ về độ nhạy bất đẳng hướng này là lề đường, khi radar quét song song với lề đường, sự gián đoạn không được phát hiện. Chỉ khi lề đường được quét vuông góc thì hệ thống mới phát hiện đó là mối nguy hiểm. MIT gắn các cảm biến SICK để nó
có khả năng quét vuông góc với lề đường để dễ dàng phát hiện (giả sử rằng đang lái xe song song với lề đường). Nhưng sự đa dạng về góc độ lấy mẫu mới là quan trọng và đáng tin cậy để phát hiện các nguy hiểm.
2.4.3.1. Loại bỏ các đối tượng di chuyển.
Bản đồ lưới mô tả ở trên, ghi lại độ dốc xấu nhất được thấy ở mỗi vị trí (x, y), nó có xu hướng phát hiện chiếc xe di chuyển như là mối nguy hiểm lớn được đánh dấu trên quỹ đạo chuyển động của xe. Điều này là không mong muốn vì MIT muốn xác định tình trạng của mặt đường bên dưới xe.
Giải pháp của MIT là làm "trơn tru" những phát hiện đi đôi với việc phát hiện nguy hiểm. Chiều cao tối đa và tối thiểu xuất hiện trong suốt giai đoạn kết hợp 10ms được lưu trữ trong bản đồ lưới. Tiếp theo, 9 (3x3) khu vực lân cận của bản đồ lưới được kiểm tra, nếu tất cả chín khu vực đã nhận đủ một số lượng các phép đo và sự khác biệt tối đa ở chiều cao trục z là nhỏ thì các ô lưới sẽ được dán nhãn là "trơn tru". Những phân loại này sẽ ghi đè lên các phát hiện nguy hiểm. Nếu việc lái xe bằng tầm nhìn, nó có thể gây ra mối nguy hiểm tạm thời, nhưng ngay sau khi mặt đất bên dưới chiếc xe được nhìn thấy, mặt đất sẽ được đánh dấu một cách trơn tru để thay thế.
Kết quả của các phát hiện nguy hiểm và làm trơn tru các phát hiện thể hiện trong Hình 2.19. Bản đồ nguy hiểm cho thấy khu vực sáng hơn (màu xanh) trên con đường phía trước và phía sau có địa hình bằng phẳng, thông suốt. Dọc theo mép đường, các vùng đường tối hơn (màu đỏ) thể hiện địa hình không bằng phẳng.
2.4.3.2. Vùng nguy hiểm cao.
Các bản đồ nguy hiểm đã được hợp nhất bởi bản đồ khả năng lái và khu vực trở ngại cao. Kế hoạch chuyển động qua địa hình nguy hiểm được hạn chế nhưng không loại bỏ hoàn toàn.Điều này là do phát hiện nguy hiểm dễ bị nhận tín hiệu giả vì hai lý do. Đầu tiên, nó được điều chỉnh có độ nhạy cao để ngay cả lề đường ngắn vẫn sẽ được phát hiện. Thứ hai, bởi vì bản đồ nguy hiểm là một hàm số của độ dốc theo trục z được nhìn thấy, tín hiệu giả có thể gây ra một mối nguy hiểm ảo mà sẽ tồn tại mãi mãi. Hậu quả duy nhất của một tín hiệu giả là xe có thể rẽ về hướng ảo gây nguy hiểm.
2.4.3.3. Phát hiện mép đường. (adsbygoogle = window.adsbygoogle || []).push({});
Mối nguy hiểm thường xuất hiện ở mép đường, Talos dễ dàng phát hiện các lề đường, bụi cỏ cao và tất cả các vật gây ra mối nguy hiểm mà có thể dễ dàng phân biệt từ mặt đường xe chạy.
Chiếc xe phát hiện mép đường bằng cách tạo ra các tia sáng ở vị trí hiện tại của xe và ghi lại ô nguy hiểm cao đầu tiên trong bản đồ lưới (Hình 2.20a). Điều này giúp phát hiện các điểm lề đường, đây là những phân đoạn trong các chuỗi dựa trên khoảng cách vật lý của nó với nhau. Một đường cong phi tham số sau đó được trang bị thông qua từng chuỗi (Hình 2.20b). Các chuỗi rất ngắn hoặc có độ cong quá mức sẽ bị loại bỏ, còn lại là đầu ra các phần khác của hệ thống.
Hình 2.20:Bản đồ nguy hiểm, vùng ánh sáng trên đường cho thấy địa hình bằng phẳng. Vùng tối dọc theo mép đường chỉ địa hình không bằng phẳng như vết cắt lề đường hoặc gờ. (a) Tia sáng phát ra từ chiếc xe được sử dụng để phát hiện các mép đường. (b) đường đa tuyến gắn với mép đường.
2.4.4. Tìm đường.
Phát hiện làn đường có ba giai đoạn. Đầu tiên, hệ thống phát hiện và định vị vệt sơn vạch đường trong mỗi khung hình, sử dụng dữ liệu LIDAR để giảm tỷ lệ phát hiện tín hiệu giả. Thứ hai, giai đoạn xử lý các phát hiện vệt sơn đường cùng với phát hiện lề đường để ước tính các vạch đường trung tâm gần kề làn xe di chuyển. Cuối cùng, các vạch đường trung tâm phát hiện ở giai đoạn thứ hai được sàn lọc, theo dõi, và hợp nhất với một hoặc nhiều làn đường phi tham số.
2.4.4.1. Camera hiệu chỉnh tuyệt đối.
Các thuật toán phát hiện vệt sơn đường giả định rằng GPS và dữ liệu cảm biến quán tính IMU có đủ tin cậy, chính xác cho những thay đổi trong thời gian ngắn của xe theo trục x, y, z trong suốt quá trình xử lý hình ảnh. Ngoài ra, thông số bên trong (độ dài tiêu cự, trung tâm, và biến dạng) và bên ngoài của camera đã được hiệu chỉnh theo thời gian. "Hiệu chỉnh tuyệt đối" cho phép xử lý trước các hình ảnh theo nhiều cách (Hình 2.21):
Đường chân trời được chiếu vào mỗi khung hình ảnh. Chỉ các dòng điểm ảnh bên dưới đường được xem xét để tiếp tục xử lý.
LIDAR phát hiện chướng ngại vật, thông tin thời gian thực về vị trí của các chướng ngại vật trong vùng lân cận của xe. Những chướng ngại vật này được chiếu vào hình ảnh, một bước quan trọng trong việc giảm tín hiệu giả.
Các dữ liệu quán tính cho phép lập kế hoạch cho vị trí mong muốn của bề mặt đất vào hình ảnh, tạo thuận lợi cho các thuật toán phát hiện sơn.
Lỗi phát hiện sơn sai gây ra do vết mờ trên ống kính có thể được phát hiện và bị loại bỏ.
Hình 2.21: Sử dụng camera hiệu chỉnh tuyệt đối cho kế hoạch đưa thực tế vào hình ảnh.
2.4.4.2. Phát hiện vệt sơn đường.
MIT sử dụng hai thuật toán để phát hiện các loại vệt sơn đường để tạo thành ranh giới làn đường. Cả hai thuật toán sử dụng dữ liệu đầu vào là khung thô và tạo ra tập hợp kết nối các đoạn đường ngắn. Các thuật toán phi trạng thái và mỗi khung ảnh của mỗi camera độc lập với nhau.
Các thuật toán đầu tiên áp dụng theo một chiều ngang và dọc tương ứng với các bộ lọc, chiều rộng dự kiến của một dòng sơn được đánh dấu thành hàng trên hình ảnh. Như Hình 2.22, các bộ lọc loại bỏ thành công hầu hết các khung cảnh lộn xộn trong khi vẫn tạo ra các phản hồi mạnh mẽ. Thuật toán thứ hai kết nối các cực đại gần đó vào các đường cong tương ứng với làn đường xuyên suốt. Kết nối được thiết lập bằng cách tạo ra các đường cong tiềm năng bằng cách sử dụng chức năng chuyển đổi khoảng cách tạo ra từ danh sách các cực đại.
Hình 2.22: Sự phù hợp phát hiện dựa trên bộ lọc từ đầu đến kết thúc. Hình ảnh ban đầu được lọc với một bộ lọc phù hợp tại mỗi hàng. Cục bộ cực đại trong các phản ứng lọc được liệt kê và chi phối bởi các phương hướng tính của nó. Hình ảnh này mô tả phương hướng bằng cách vẽ các đường vuông góc với nhau. Cuối cùng, cực đại được kết nối vào khối đường cong Hermite.
Thuật toán thứ hai để phát hiện vệt sơn đường xác các cặp ranh giới sơn sát nhau và gần như song song trong không gian thực tế (Hình 2.23). MIT tính toán hướng và độ lớn của độ dốc trong không gian hình ảnh. Tiếp theo, thuật toán kết nối thành phần tạo ra đường nét mượt mà tại những điểm gián đoạn. Thuật toán được lặp lại để phát triển đường cong của vạch đường trung tâm. Hệ thống làm trơn tru toàn bộ những đường cong phức tạp bằng những parabol phù hợp. Cuối cùng, hệ thống đã loại bỏ tất cả các đường cong ngắn hơn ngưỡng cho phép để cho ra kết quả vệt sơn đường cuối cùng.
Hình 2.23: Phát triển từ hình ảnh ban đầu, đường viền biên, và đường viền đối xứng theo cặp tạo thành vạch tâm đường dự kiến.
2.4.4.3. Ước tính vạch tâm đường.
Giai đoạn thứ hai của tìm kiếm làn đường là ước tính hình học làn xe sử dụng một bộ phận quang trọng để phát hiện vệt sơn đường và lề đường, cả hai được mô tả bằng những đường cong tuyến tính từng phần. Vạch tâm đường được biểu diễn bằng các phân đoạn parabol cục bộ và ước tính trong hai bước. Đầu tiên, xây dựng một hình ảnh mô tả cho vạch tâm đường D, trong đó giá trị của mỗi điểm ảnh D (p) của hình ảnh tương ứng với các mô tả cho thấy một điểm p = [px, py] trong khung tọa độ cục bộ nằm ở chính giữa của một làn đường. Thứ hai, các phân đoạn parabol được trang bị cho D và được xác định là vạch tâm đường dự kiến.
Để xây dựng D, phát hiện vệt sơn đường và lề đường được sử dụng để tăng hoặc giảm giá trị của các điểm ảnh trong hình ảnh và có tầm quan trọng theo thời kì (phát hiện cũ hơn có tầm quan trọng ít hơn). Giá trị của D tại một điểm ảnh tương ứng với điểm p được tính bằng tổng những tác động của mỗi vệt sơn đường và những phát