Kendi Kendini Süren Arabalar Görmek İçin Bilgisayarla Görmeyi Nasıl Kullanıyor?

Günümüz dünyasında, otonom robotlara veya araçlara olan talep katlanarak artıyor ve Eşzamanlı Yerelleştirme ve Haritalama (SLAM) uygulaması daha fazla ilgi görüyor. İlk olarak, otonom araçlarda kameralar, Lidar, Radar vb. gibi bir dizi sensör bulunur.

Bu sensörler, araç bir sonraki hareket durumuyla ilgili önemli bir karar vermeden önce aracın etrafındaki ortamı analiz eder. Lidar ve kamera verilerinden bir yerelleştirme haritası oluşturulur. 2B veya 3B harita olabilir. Haritanın amacı, otonom aracın etrafındaki binalar, ağaçlar vb. statik nesneleri tanımlamaktır. Algılanan dinamik nesnelerin sınırlayıcı kutusunda bulunan tüm Lidar noktaları kaldırılarak tüm dinamik nesneler kaldırılır. AI uygulamaları hakkında daha fazla bilgi edinin

Sürülebilir yüzey veya ağaç dalları gibi araca müdahale etmeyen statik nesneler de kaldırılır. Oluşturulan ızgara ile araç için çarpışmasız bir yol tahmin edebiliriz. SLAM'ın önemli unsurlarından biri, otonom robotların, birçok Derinlik kamerasının veya RGB-D kameranın değerli olduğunu kanıtladığı bir insan gibi çevreyi anlamasını kolaylaştıran ortamın 3D Haritalamasıdır.

Otonom araçların verimli bir şekilde gezinmesi için, bir referans çerçevesine ihtiyaç duyuyorlar ve çevresinin bir haritasını çizmek ve rotayı geçmek için bilgisayar görme algoritmalarını kullanarak çevredeki ortamı gözlemliyorlar. 3B yeniden yapılandırma, derinlik tabanlı bir 3B nokta bulutu kullanarak dış çevreyi gözlemlemek için bilgisayar vizyonunun kullanımını içerir.

Bu nedenle, temel ilke, 3B yeniden yapılandırma ve otonom navigasyon arasında bir bağlantı noktasıdır. 3D çözümlere olan ilginin artması, çevreyi algılayabilen ve ilgili çevrenin 3D projeksiyonunu oluşturabilen eksiksiz bir çözüm talep ediyor.

Robotikte otomasyon sağlamak veya 3B tasarımlar üretmek için bilgisayarlı görü algoritmaları uygulaması oldukça yaygındı. Eşzamanlı yerelleştirme ve haritalama bilmecesi uzun bir süre devam etti ve haritalama sorununu ele almak için verimli metodolojiler bulmak için çok sayıda araştırma yapılıyor.

Bu alandaki mevcut araştırmalar, daha doğru olmasına rağmen yine de pahalı olan eşitsizlik ve derinlik haritaları üretmek için pahalı kameralar kullanır. Farklı yöntemler, 3B nokta bulutları üretmek için daha fazla kullanılan çevreleyen nesnelerin derinliğini belirlemek için stereo görüş kameralarının kullanılmasını içerir.

Ortam Temsili Harita Türleri

• Lokalizasyon Haritaları: Araba hareket ederken bir dizi LIDAR noktası veya kamera görüntüsü özelliği kullanılarak oluşturulur. GPU, IMU ve odometri ile birlikte bu harita, yerelleştirme modülü tarafından otonom aracın kesin konumunu tahmin etmek için kullanılır. yeni LIDAR ve kamera verileri alındıkça yerelleştirme haritası ile karşılaştırılmakta ve yeni veriler mevcut harita ile hizalanarak otonom aracın konum ölçümü oluşturulmaktadır.
• Doluluk Izgara Haritası : Bu harita, otonom araç için çarpışmasız güvenli bir yol planlamak için kullanılan tüm statik nesnelerin konumunu gösteren bir harita ortamı oluşturmak için sürekli bir LIDAR noktaları kümesi kullanır.

Nokta bulutundaki dinamik nesnelerin varlığının nokta bulutunun doğru şekilde yeniden yapılandırılmasını engellediğine dikkat etmek önemlidir. Bu dinamik nesneler, çevrenin gerçek yeniden şekillenmesini engeller. Aynı amaçla, bu sorunu çözen bir çözüm formüle etmek önemlidir.

Temel amaç, derin öğrenmeyi kullanarak bu dinamik nesneleri tanımlamaktır. Bu nesneler tanımlandıktan sonra, bu sınırlayıcı kutuyu çevreleyen noktalar atılabilir. Bu şekilde, yeniden oluşturulan model tamamen statik nesnelerden oluşacaktır.

RGB-D kamera, bir IR sensörü kullanarak derinliği ölçebilir. Bu şekilde elde edilen çıktı, görüntü verileri (RGB değerleri) ve derinlik verileridir (kameradan nesnenin aralığı). Derinliğin doğru olması gerektiğinden, herhangi bir uyumsuzluk ölümcül bir kazaya neden olabilir. Bu nedenle kameralar, çevreyi doğru bir şekilde ölçecek şekilde kalibre edilir. Derinlik haritaları genellikle hesaplanan derinlik değerlerinin doğruluğunu doğrulamak için kullanılır.

Derinlik haritası, kameraya daha yakın olan nesnelerin daha parlak piksellere sahip olduğu ve daha uzaktaki nesnelerin daha koyu piksellere sahip olduğu çevrenin gri tonlamalı bir çıktısıdır. Kameradan elde edilen görüntü verileri, çerçevede bulunan dinamik nesneleri tanımlayan nesne algılama modülüne iletilir.

Peki Sorabileceğiniz Bu Dinamik Nesneleri Nasıl Tanımlarız?

Burada, dinamik nesneleri tanımlamak için bir derin öğrenme sinir ağı eğitilir. Bu şekilde eğitilen model, kameradan alınan her karenin üzerinden geçer. Tanımlanmış bir dinamik nesne varsa, bu kareler atlanır. Ancak bu çözümde bir sorun var. Tüm çerçeveyi atlamak mantıklı değil. Sorun şu ki - bilgi saklama.

Bunun üstesinden gelmek için, yalnızca sınırlayıcı kutu pikselleri elimine edilirken çevreleyen pikseller korunur. Ancak sürücüsüz araçlar ve otonom teslimat drone'ları ile ilgili uygulamalarda çözüm başka bir boyuta taşınıyor. Unutma, LIDAR sensörlerini kullanarak çevrenin 3 boyutlu bir haritasını aldığımızdan bahsetmiştim.

Bundan sonra, derin öğrenme modeli (3B CNN) bir 3B çerçevedeki(x,y,z eksenleri) nesneleri ortadan kaldırmak için kullanılır. Bu sinir ağı modellerinin 2 form çıktısı vardır. Biri, tanımlanan nesnenin bir olasılığı veya olasılığı olan tahmin çıktısıdır. İkincisi, sınırlayıcı kutu koordinatlarıdır. Unutmayın, tüm bunlar gerçek zamanlı olarak oluyor. Bu nedenle, bu tür işlemeyi desteklemek için iyi bir altyapının olması son derece önemlidir.

Bunun dışında bilgisayarla görme, sokak tabelalarının belirlenmesinde de önemli bir rol oynamaktadır. Hız sınırı, dikkat, hız kesici vb. gibi çeşitli türlerdeki bu sokak işaretlerini algılamak için birlikte çalışan modeller vardır. Yine, aracın buna göre hareket edebilmesi için bu hayati işaretleri tanımlamak için eğitimli bir derin öğrenme modeli kullanılır.

Şerit Çizgisi Tespiti için Bilgisayarla Görme Benzer Bir Şekilde Uygulanır

Görev, bir şerit çizgisi denkleminin katsayılarını üretmektir. Şerit çizgilerinin denklemi, birinci, ikinci veya üçüncü dereceden katsayılar kullanılarak temsil edilebilir. Basit bir birinci mertebeden denklem, basitçe mx+n (düz bir çizgi) tipinde lineer bir denklemdir. Eğrileri temsil eden daha büyük güç veya düzende olmak için yüksek boyutlu denklemler.

Veri kümeleri her zaman tutarlı değildir ve şerit çizgisi katsayıları önerir. Ayrıca, çizginin yapısını da (düz, kesikli, vb.) belirlemek isteyebiliriz. Tespit etmek isteyebileceğimiz çok sayıda özellik vardır ve tek bir sinir ağının sonuçları genellemesi neredeyse imkansızdır. Bu ikilemi çözmek için yaygın bir yöntem, bir segmentasyon yaklaşımı kullanmaktır.

Segmentasyonda amaç, bir görüntünün her pikseline bir sınıf atamaktır. Bu yöntemde her şerit bir sınıfı andırır ve sinir ağı modeli, farklı renklerden oluşan şeritlerle (her şeridin kendine özgü rengi olacaktır) bir görüntü üretmeyi amaçlar.

Ayrıca Okuyun: AI Proje Fikirleri ve Konuları

Çözüm

Burada, otonom araçlar alanındaki bilgisayar görüşünün genel uygulamalarını tartıştık. Umarım bu makaleyi beğenmişsinizdir.

Makine öğrenimi ve yapay zeka hakkında daha fazla bilgi edinmek istiyorsanız, çalışan profesyoneller için tasarlanmış ve 450+ saat zorlu eğitim, 30'dan fazla vaka çalışması ve ödev sunan IIIT-B & upGrad'ın Makine Öğrenimi ve Yapay Zeka alanında PG Diplomasına göz atın. IIIT-B Mezun statüsü, 5+ pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.

Dünyanın En İyi Üniversitelerinden ML Kursu öğrenin . Kariyerinizi hızlandırmak için Master, Executive PGP veya Advanced Certificate Programları kazanın.