bt365手机平台-下载首页

  • bt365手机app的工程师已经开发出自主的车辆,在检测地面上的阴影的微小变化,以确定是否有移动物体来在即,例如当另一辆车是从车库柱子后面接近的系统。

    bt365手机app的工程师已经开发出自主的车辆,在检测地面上的阴影的微小变化,以确定是否有移动物体来在即,例如当另一辆车是从车库柱子后面接近的系统。

    全屏

帮助自主车见微知著看

bt365手机app的工程师已经开发出自主的车辆,在检测地面上的阴影的微小变化,以确定是否有移动物体来在即,例如当另一辆车是从车库柱子后面接近的系统。

通过感应阴影微小的变化,新的系统识别接近的物体,可能会导致冲突。


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
bt365手机app新闻办公室

以提高自主系统的安全性,bt365手机app的工程师已经开发出可以感觉到地面上阴影的微小变化,以确定是否有蠢蠢欲动未来的移动物体的系统。  

自主汽车有朝一日利用系统快速避免与另一辆汽车或行人从周围建筑物的角落或在停放的汽车之间出现的潜在的碰撞。在未来,可能导航医院走廊里的机器人,使药物或供应交货,使用该系统,以避免撞到人。

在一份文件,在下周的国际会议被呈现在智能机器人与系统(的IRO)的研究人员描述了成功的实验与自主驾驶的汽车周围的停车库和一个独立的轮椅导航走廊。当感应和停止接近的车辆,车为基础的系统节拍传统激光雷达 - 这只能探测物体可见 - 超过半秒。

研究人员说,可能看起来并不多,但第二件事分数当涉及到快速移动的自主车。

“对于应用程序,机器人的环境中四处移动与其它移动物体或人,我们的方法可以给机器人预警有人正在蠢蠢欲动的到来,使车辆能够放慢脚步,调整其路径,并提前以避免准备发生碰撞时,“合着者ADDS RUS丹妮拉,计算机科学与人工智能实验室(CSAIL)和电气工程和计算机科学的安德鲁和尔娜维特教授的主任。 “大梦是提供各种各样的‘X光透视’到街道上快速移动的车辆。”

目前,该系统只在室内环境中进行测试。机器人的速度要低得多室内,和照明条件更一致,更容易使系统检测和分析阴影。

在纸张上加入RUS是:第一作者费利克斯·纳塞尔SM '19,曾任研究员CSAIL;亚历山大·阿米尼,一个CSAIL研究生;伊戈尔gilitschenski,一个CSAIL博士后;刚毕业的大学生克里斯蒂娜廖'19;丰田研究所的家伙罗斯曼;和sertac卡拉曼,航空航天bt365手机app的副教授。

延长shadowcam

为他们的工作,建立在研究他们的系统,被称为“shadowcam”,即利用计算机视觉技术来检测和地面上的阴影分类的变化。bt365手机app教授威廉·弗里曼和安东尼奥·托拉尔瓦,谁不是在纸上的IRO合着者,合作的早期版本的系统,这是在会议在2017年和2018年提出的。

用于输入,从一个摄像机指定的特定区域,:帧的使用shadowcam序列,例如在一个角落的前面的地板上。它检测到的光强度随时间的变化,从形象到形象,这样可能表明搬走或越来越近。其中的一些变化可能难以检测或肉眼看不到,并且可以通过对象和环境的不同性质来确定。其计算shadowcam分类信息和各图像作为静止物体或容器含有一个动态的,移动一个。如果它得到一个动态的图像,它相应地做出反应。

来适配所需的自主车几进步shadowcam。早期的版本,例如,依靠排队的面积扩充称为哪像简化QR码“apriltags,”现实标签。 apriltags扫描机器人探测和计算3d的他们的位置和方向需要相对标签。在像素的特定修补程序可能包含阴影的环境为零用作标签shadowcam功能。但现实世界环境中修改与apriltags是不实际的。

研究人员开发的新方法相结合的图像配准和新的视觉里程计技术。在计算机视觉经常使用,图像配准叠加多个图像本质上以显示在图像中的变化。医学图像配准,例如,重叠医学扫描进行比较和分析的解剖差异。

视觉里程计,用于火星车,估计在实时照相机通过图像序列分析姿态和几何运动。具体研究人员采用“直接稀疏测距法”(DSO),它可以计算点类似于由apriltags拍摄环境的功能。从本质上讲,情节DSO环境的特点在三维点云,然后在计算机视觉只有一个管道选择位于感兴趣的区域的特征,如接近这个角落的地板上。 (感兴趣区域是事先手动注释。)

作为shadowcam取的感兴趣的区域的输入图像序列时,它使用DSO-图像的配准的方法来覆盖所有从机器人的相同的视点图像。即使机器人运动时,它能够在零上,其中一个影子所在,以帮助其检测图像之间的任何细微偏差像素完全相同的补丁。

是下一个信号放大,在纸首先介绍的技术。可能包含的像素的阴影让颜色的提升,你降低了信号 - 即信噪比。使得ESTA极其微弱的信号从阴影变化更为检测。如果信号提升达到一定的门槛 - 部分基于它与其周边的阴影多少偏离 - “动态” shadowcam分类的形象取决于信号的强度,系统可能会告诉机器人减速或停止。

“通过检测信号,你就可以小心。它可能是从墙角或停放的汽车后面跑一些人的影子,所以自主车能减慢或完全停止,”纳赛尔说。

无标签测试

在一个测试中,系统的研究人员评估使用apriltags和新的基于DSO-方法移动或静止的物体进行分类的性能。走向自主的轮椅转向而各个角落走廊转危为安进入人体轮椅的路径。这两种方法得到相同的70%的精度等级,指示不再需要apriltags。

在一个单独的测试中,研究人员在一个停车场,从那里大灯关掉,模仿夜间驾驶条件下的自主实现shadowcam车。他们比较了汽车对激光雷达检测时间。在示例场景中,shadowcam检测车掉头0.72秒关于支柱速度比激光雷达。 ,此外,由于ADH研究者shadowcam具体地调谐到车库的照明条件,分类的系统的精确度实现了在大约86个百分点。

接下来,研究人员正在进一步开发该系统在不同的室内和室外照明的条件下工作。在未来,可能还会有办法加快系统的阴影检测和自动标注有针对性的领域感阴影的过程。

这项工作是由丰田研究所资助。


主题: 研究, 计算机科学和人工智能实验室(CSAIL), Electrical Engineering & Computer Science (eecs), 航空航天工程, 工程学院, 计算机科学与技术, 算法, 机器人, 机器人, 自主车, 汽车, 人工智能, 机器学习, 运输, 技术与社会

回到顶部