ВВЕДЕНИЕ 6
1 ТЕХНОЛОГИЯ УПРАВЛЕНИЯ БЕСПИЛОТНЫМИ ТРАНСПОРТНЫМИ СРЕДСТВАМИ 9
1.1 МАШИННОЕ ЗРЕНИЕ В БЕСПИЛОТНОМ УПРАВЛЕНИИ ТРАНСПОРТНЫМИ СРЕДСТВАМИ 11
1.2 БИБЛИОТЕКА OPENCV 14
1.3 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К РАСПОЗНАВАНИЮ ДОРОЖНЫХ ЗНАКОВ 19
2 РАЗРАБОТКА ПРОГРАММЫ И ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНОВАНИЯ
ДОРОЖЫХ ЗНАКОВ 35
2.1 ПОДГОТОВКА ИЗОБРАЖЕНИЯ 38
2.2 РАЗМЕТКА ИЗОБРАЖЕНИЙ 39
2.3 ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ 40
2.4 РАЗРАБОТКА ПРОГРАММЫ 42
3 АНАЛИЗ ЭФФЕКТИВНОСТИ РАБОТЫ РАЗРАБОТАННОЙ ПРОГРАММЫ 44
4 ЗАКЛЮЧЕНИЕ 50
5 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Купить

Последнее время активно развивается направление искусственного интеллекта для вождения машин. Одной из важнейших частей автомобильного автопилота является получение информации об окружении: об объектах, таких как другие автомобили на дороге, пешеходы, велосипедисты, препятствия вроде бетонных блоков или упавшего на дорогу дерева, о параметрах системы, скорости и направлении движения, качества сцепления с дорожным покрытием, качестве самого дорожного покрытия (несомненно, эти параметры взаимосвязаны, но из одного нельзя вывести другой в общем случае), погодные условия, которые влияют как на сам автомобиль с автопилотом, так и на окружающие его объекты, что необходимо учитывать для предсказания их поведения и подготовки собственной реакции. Также не стоит забывать и о том, что можно назвать мета параметрами: различные правила дорожного движения. Эти правила могут меняться в зависимости от места нахождения автомобиля, от окружающих его условий: времени суток, погоды и многого другого. Важным объектом для определения текущих правил являются дорожные знаки. Вообще, дорожные знаки - это стационарные объекты и часто можно встретить мнение, что распознавать их с помощью компьютерного зрения нет необходимости. Действительно, такое распознавание - это достаточно трудоемкая задача, которая, вдобавок ко всему, еще и не решается со 100% точностью в общем случае. При этом критики данного подхода достаточно разумно заявляют, что автопилот все равно имеет доступ к системе навигации и, так как местоположение знаков меняется не часто, то можно просто запомнить, где какой знак стоит. Либо же поместить на каждый дорожный знак радиометку, которая будет точно сообщать какой знак здесь стоит. Радиометка не требует продвинутого алгоритма распознавания: она будет точно сообщать нужную информацию, более того, радиосигнал принять зачастую проще, чем видео: ему не помешают кусты или ветви деревьев, да и просто другие автомобили. Чем же плохи эти варианты? Особая метка на знаках плоха сразу по нескольким параметрам: для нее нужно гарантировать надежность источника, иначе кто угодно
сможет управлять действиями автопилота, что вряд ли закончится хорошо. Также такую метку нужно установить, причем на все дорожные знаки хотя бы там, где предполагается использование автопилота. И за работой этих меток придется следить постоянно, ведь если автопилот управляет автомобилем на основании данных от таких меток, то, в случае отсутствия сигнала он не сможет определить: это метка сломалась или здесь знака действительно нет. Да, все эти вопросы можно решить. Но будет ли это надежнее системы компьютерного зрения? Однозначно можно сказать, что это не будет дешевле. Что же насчет заранее созданной базы дорожных знаков? Эта идея весьма неплоха, но и у нее есть свои недостатки. Во - первых, эту базу должен кто-то создавать и обновлять. Если у автопилота не будет средств визуального распознавания знаков, то придется рассчитывать либо на добровольцев людей, либо на специально нанятых сотрудников. Первый способ крайне ненадежен как по срокам, так и по точности: действительно, полагаться на сообщение только одного водителя нельзя, нужно набирать некоторое их количество. При достаточной мотивации количество водителей — это не проблема для крупных и оживленных трасс, но что делать с остальными? Нанимать же специальных сотрудников крайне дорого, да и скорость обновления будет крайне низкой. Можно было бы попытаться собирать информацию о знаках у официальных служб, но это также весьма непросто и скорость никто не гарантирует. Во-вторых, автомобиль - это средство повышенной опасности и полагаться только на одну систему все равно нельзя. Таким образом, даже если проблемы с базой и ее обновлением можно решить, то все равно нужна какая-то страховка на случай, если система геолокации вдруг даст сбой. Хотя это гораздо более актуально для, собственно, вождения, но, раз уж для него у автопилота будут системы визуального распознавания объектов, то естественно добавить туда и распознавание знаков. А такая система однозначно будет, даже если точность и надежность систем геолокации кардинально улучшаться: мы ведь не можем повесить датчик на каждого человека, который может оказаться на дороге или рядом с ней, на каждое дерево возле дороги, на каждый камень на обочине. Подведем итог: аналоги визуальной системы распознавания знаков не могут заменить ее полностью, как по причине собственных проблем, как инженерных, так и экономических, так и по причине необходимости подстраховки, на случай если что-то пойдет не так. Система визуального распознавания дорожных знаков - это частный случай давно известной задачи распознавания образов, которая в свою очередь является одной из центральных задач технологии компьютерного зрения, родившейся еще в 60-х годах прошлого века. Естественно, что различных решений для этой задачи существует множество. На данный момент не существует однозначно выигрывающего решения этой задачи, более того, для различных частных случаев лучшими являются различные решения. Усугубляет проблему то, что в большинстве этих решений есть большое количество параметров, напрямую влияющих на основные параметры работы системы: на точность, скорость работы, скорость обучения (там, где оно нужно) и объем занимаемой памяти. Таким образом, было принято решение перед разработкой непосредственно системы распознавания, разработать прототип для изучения подходов. Такой прототип имеет значительно более мягкие требования к вычислительным мощностям, скорости работы и может занимать гораздо больше памяти, чем итоговая система, которая сильно ограничена параметрами автомобиля, в который она устанавливается. Благодаря этому появляется возможность относительно быстро разработать систему для изучения различных алгоритмов на языке высокого уровня.
Цель работы - разработка программы для распознавания дорожных знаков в режиме реального времени с помощью нейронной сети.
Задачи:
• Сравнительный анализ существующих методов распознавании объектов на изображении.
• Разработка программы для распознавания дорожных знаков и обучение нейронной сети
• Анализ эффективности работы разработанной программы на видеоизображениях и в режиме реального времени.
ТРАНСПОРТНЫМИ СРЕДСТВАМИ
В настоящее время автомобильная индустрия претерпевает существенные изменения: ввиду развития техники и прогресса в сфере информационных технологий одной из наиболее актуальных задач является создание беспилотных транспортных средств, в том числе беспилотных автомобилей. Одной из ключевых систем беспилотного транспортного средства является автопилот - программноаппаратный комплекс, позволяющий осуществлять перемещение транспортного средства по заданной траектории. Наиболее часто автопилот применяется в летательных аппаратах, поскольку в воздушном пространстве количество препятствий на пути транспортного средства незначительно; также подобные технологии применяются в управлении транспортными средствами, движущимися по рельсам [1].
Классификация автоматизации автомобилей, разработанная Сообществом автомобильных инженеров (SAE - Society of Automotive Engineers), определяет шесть уровней автоматизации. Нулевой уровень допускает наличие различного рода уведомлений в автомобиле, однако управление транспортным средством осуществляет исключительно водитель. В автомобилях первого уровня автоматизации могут присутствовать такие автоматизированные системы, как адаптивный круиз-контроль (ACC - Adaptive Cruise Control) - система, поддерживающая переменную скорость автомобиля с соблюдением дистанции до движущегося впереди транспортного средства, автоматическая парковочная система и система предупреждения о сходе с полосы второго типа (LKS - lane keeping system) - механизм, предупреждающий водителя о перемещении из своей полосы при выключенном поворотнике и автоматически удерживающая транспортное средство в на нужной полосе при бездействии водителя. Водитель транспортного средства, оборудованного системой первого уровня автоматизации, должен быть готов в любой момент взять управление на себя. Система второго уровня автоматизации управляет ускорением, торможением и рулением, участие водителя
9
необходимо в случаях, когда система не смогла справиться самостоятельно. Такую систему водитель может отключить в любое время. Система третьего уровня позволяет не контролировать транспортное средство на дорогах с предсказуемым движением, но водитель все еще должен быть готовым взять управление на себя. Напротив, система четвертого уровня автоматизации не требует внимания водителя. Система пятого уровня не требует от человека никаких действий, кроме включения и указания пункта назначения. Транспортное средство должно доехать до любого пункта назначения, если это возможно, без участия водителя [2].
Применение технологий автоматического управления автомобилем ставит перед разработчиками ряд дополнительных задач, что существенно усложняет создание и введение в эксплуатацию подобных транспортных средств.
Несмотря на большое количество различных компаний, занимающихся исследованиями в данной сфере, общие принципы работы беспилотного автомобиля являются неизменными. Транспортное средство оборудуется множеством различных датчиков и видеокамерой. Это необходимо для решения следующих задач:
1 построение 3D карты местности;
2 определение положения автомобиля на карте;
3 определение характера движения автомобиля;
4 анализ ситуации на дороге: поиск препятствий в виде других транспортных средств, пешеходов, велосипедистов;
5 определение расстояния до объектов;
6 анализ разметки и дорожных знаков.
Построение высокоточных карт местности позволит уменьшить количество вычислений. Так, информация о структуре дорог, разметке, дорожных знаках может содержаться в карте. Таким образом, задачей вычислительной системы будет проверка достоверности информации и поиск изменений, таких как появление препятствий на дороге, других автомобилей, пешеходов, изменений в разметке и составе дорожных знаков.
Использование беспилотных автомобилей имеет ряд преимуществ. Во-первых, отсутствие необходимости участия человека в управлении транспортным средством позволяет осуществлять грузоперевозки в местах, опасных для жизни и здоровья человека, а также во время военных действий и природных и техногенных катастроф. Также это повлечет снижение себестоимости товара за счет снижения затрат на оплату труда рабочих и уменьшения расхода топлива. Кроме этого, беспилотное управление транспортным средством позволяет исключить возможность совершения человеком непреднамеренных ошибочных действий, обусловленных его физическим и психологическим состоянием, что позволяет снизить вероятность возникновения аварийных ситуаций.
Переход от ручного управления транспортным средством к автоматическому позволит также создать единую информационную сеть, что позволит использовать технологии Интернета вещей для обмена информацией между транспортными средствами, создания и корректировки карт.

Купить