Исследование и разработка модели и алгоритма поддержки водителей на основе измерения психофизиологических показателей

Введение 5
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ И СРЕДСТВ 9
1.1 Обзор существующих методов реализаций систем помощи водителю 9
1.1.1 Оптические средства СПВ 10
1.1.2 Радарные средства СПВ 14
1.2 Аналитический обзор средств машинного зрения в рамках СПВ 19
1.3 Обзор существующих моделей машинного зрения 32
1.3.1 Сеть MobileNetv2 38
1.3.2Сети семейства Yolov4 42
1.4 Алгоритмы построения трехмерных карт 47
1.5 Постановка задачи исследования 49
Выводы по главе 1 50
Выводы по главе 1 50
Глава 2. ФОРМАЛИЗОВАННОЕ ПРЕДСТАВЛЕНИЕ 51
2.1 Представление процесса детекции и классификации 51
2.2Декомпозиция поставленной задачи 54
2.3 Описание основных этапов проектирования системы 56
2.3.1 Определение типа задачи. Сбор данных 57
2.4 Описание алгоритма машинного обучения на основе композиции 59
2.5 Описание алгоритма построения трехмерных карт 60
Выводы по главе 2 62
Глава 3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ 63
3.1 Формирование требований к архитектуре системы детекции объектов 63
3.2 Разработка архитектуры модели машинного зрения 64
Дополнительные выводы при создании нейронных сетей 68
3.3 Выбор алгоритма обучения модели машинного зрения 69
3.4 Разработка алгоритма совмещения данных в мировых координатах 73
3.5 Разработка программного кода 76
77
3.6 Оценка эффективности системы помощи водителю 78
Выводы по главе 3 81
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ СПВ И ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО ЕЕ ПРИМЕНЕНИЮ 82
4.2 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ 82
4.3 Ограничения и перспективы 82
Выводы по главе 4 83
Заключение 83
Список литературы 84

Весь текст будет доступен после покупки

В настоящее время самые передовые технологии тесно вплетены во все сферы жизни человека в том числе это относится и к вождению. Современный автотранспорт располагает множеством функций, которые упрощают процесс вождение в той или иной степени. Так, например системы адаптивного круиз контроля помогают водителю сохранять скорость в потоке авто, системы распознавания знаков информируют об активных знака ПДД, а системы экстренного торможения и вовсе спасли уже множество жизней. Вершиной же технологий данного типа являются беспилотные транспортные средства способные работать без участия человека. Однако несмотря на все ее кажущиеся преимущества данная технология находится только на этапе тестирования и её внедрение сопряженно с рядом трудностей, как по адаптации самих людей к новому виду вождения, примером которого является “Проблема троллейбуса”, озвученная еще Филиппой Фут, так и в незавершенности самой системы взаимодействия водитель-машина.
Одним из путей решения данной задачи стало постепенное внедрение систем помощи водителю (СПВ) в классические виды транспорта. Именно ими достигается высокий уровень безопасности на дороге, а все благодаря снятию части нагрузки с водителя. Множество систем выполняют часть его задач тем самым освобождая определенный процент его внимания большей сосредоточенности на процессе вождения. Некоторые системы способны спасти жизнь своему пользователю в момент опасности, ведь даже если человек впадет в ступор от страха автоматика продолжит работать, и это не говоря, а тотальном превосходстве в реакции специализированных датчиков над человеком.

Весь текст будет доступен после покупки

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ И СРЕДСТВ

1.1 Обзор существующих методов реализаций систем помощи водителю

Благодаря сильному скачку технологического развития появилась возможность для разработки и проектирования новых видов систем помощи водителю (СПВ). Сейчас, такие системы объединяет внутри себя множество датчиков и вычислительных устройств, которые уже давно стали неотъемлемой частью автомобиля. Такая система, собирает данные минимум из одного датчика, после чего отправляет их на анализ и данные передаются другим модулям принятия решений, для ответной реакции автомобиля. Так же с каждым годом увеличивается значимость средств СПВ, предотвращающих столкновения и опасные дорожные происшествия.
В системах помощи водителю по их архитектуре, можно выделить 6 основных компонентов:
1) датчики;
2) навигационные системы;
3) алгоритмы программного обеспечения;
4) вычислительные центры;
5) исполнительные блоки (приводные устройства);
6) сменные многофункциональные модули.
По функциональным характеристикам можно выделить следующие подсистемы:
1) сбора и обработки данных с датчиков;
2) анализ данных и механизмы принятия решений;
3) механизмы принятия контрмер.

Классификация технологий, лежащих в основе функционирования систем ADAS представлена в Таблице.

Таблица 1. Классификация технологий ADAS (СПВ)


1.1.1 Оптические средства СПВ

Одно из самых популярных устройств сбора информации для СПВ это камеры. Различные их вариации, являются глазами для таких систем, они передают изображения, с бортовых камер в режиме реального времени. Полученные данные, подвергаются цифровой обработке и анализу при помощи различных алгоритмов для обнаружения объектов и интерпретации данных. Такие камеры, совмещенные с технологиями машинного зрения, позволяют системам СПВ участников дорожного движения, людей, дорожные знаки, разметку и другое окружение о котором необходимо знать во время вождения. Информация полученная при помощи камер отправляется на быстрый анализ после чего блок принятия решений принимает необходимые меры например следующие функции: автоматическое экстренное торможение, предупреждение о выезде из полосы движения, отслеживания степени сонливости водителя, оповещения об объектах, находящихся в мертвых зонах и т. д. Кроме возможности находить и распознавать объекты, камеры способны сообщать и дополнительную информацию, к примеру: цвет, контраст и текстура окружающей среды, это даёт такому подходу уникальное преимущество перед другими типами датчиков.
Однако у оптических датчиков есть свои ограничения и недостатки - а именно, понижения точности работы алгоритмов распознавания при условиях плохой погоды и низкой освещенности. В свою очередь это компенсируется высокой рентабельностью такого типа датчиков, из-за чего они все чаще используются всеми производителями автомобилей.

Весь текст будет доступен после покупки

1. Schneiderman, R.: 'Car makers see opportunities in infotainment, driver-assistance systems', IEEE Signal Processing Magazine, 2013, 30, (1), pp. 11-15.
2. Nieto, M., Ortega, J.D., Otaegui, O., Cortes, A.: 'Optimization of computer vision algorithms in codesign
methodologies', ITS World Congress 2014, Detroit, US, 7-11 Sept. 2014.
3. Velez, G., Nieto, M., Otaegui, O., Van Cutsem, G.: 'Implementation of a computer vision based Advanced Driver Assistance System in Tizen IVI', ITS World Congress 2014, Detroit, US, 7-11 Sept. 2014.
4. Lin, H.-Y., Chen, L.-Q., Lin, Y.-H., Yu, M.-S.: 'Lane departure and front collision warning using a single
camera', International Symposium on Intelligent Signal Processing and Communications Systems 2012 (ISPACS), pp 64–69.
5. Wu, B.-F., Huang, H.-Y., Chen, C.-J., Chen, Y.-H., Chang, C.-W., Chen, Y.-L.: 'A vision-based blind spot warning system for daytime and nighttime driver assistance', Computers & Electrical Engineering, 2013, 39, (3), pp.846-862.21
6. Turturici, M., Saponara, S., Fanucci, L., Franchi, E.: 'Low-power DSP system for real-time correction of fish-eye cameras in automotive driver assistance applications', Journal of Real-Time Image Processing, 2013, 9, pp. 463-478.
7. Malinowski, A., Yu, H.: 'Comparison of embedded system design for industrial applications', IEEE Transactions on Industrial Informatics, 2011, 7, (2), pp. 244–254.

Весь текст будет доступен после покупки