دانلود ترجمه مقاله شناسایی مانع با دید استریو برای خودروهای بدون سرنشین

• فهرست مطالب:

چکيده
۱- مقدمه
۲- کارهای مربوطه
۳- راه اندازی تجهیزات
۴- برآورد نقشه ی عمق
الف) ثبت زوج تصویر
ب) برآورد نا همخوانی
ج) تخمین عمق
۵- تشخیص مانع
الگوریتم
A -پس پردازش
B –نقشه ی قطبی
۶ – نتایج
۷ – کارهای آتی
۸ – سپاسگذاری
ضمیمه

• بخشی از ترجمه:

۷ – کارهای آتی
ما عملیات الگوریتم را برای شناسایی موانع نشان دادیم . اما همیشه در اجرای آن در زمان واقعی در وسیله ی نقلیه با چالش هایی مواجه خواهیم شد که با نرخ به روز رسانی سریع باید به سرعت نسبت به تغییرات محیطی واکنش نشان دهیم. اولین گام برای کارهای بعدی باید بهینه سازی زمان اجرای این الگوریتم و احتمالا کشف پلت فرم های کارآمد در زمان اجرای آن به صورت آنلاین کشف ساختارهای موازی باشد. الگوریتم های سریع برآورد عمق در [۱۸] و [۱۶] وجود دارند که بیشتر برای کاربردهای زمان واقعی ولی با دقت کمتر وجود دارند. بنابراین یک تعامل منطقی انتخاب الگوریتم برآورد عمق است. الگوریتم تشخیص مانع به صورت معقول و شایسته ای در شناسایی موانع چسبیده به زمین قوی است. اما صخره هاو گودال ها را به طور ویژه در نظر نمی گیرد. با توجه به نقشه ی عمق و مکان سه بعدی نقاط , ایجاد ویژگی های بیشتر برای کنترل یکپارچه ی انواع موانع سهل است. به عنوان مثال., می توانیم جاده را بر اساس این واقعیت دسته بندی کنیم که دارای یک شیب ثابت در مقدار عمق است و یک مسیر برای وسیله ی نقلیه فقط در طول جاده ی تعریف شده , البته اگر چنین جاده ای وجود داشته باشد, برای اجتناب از افتادن صخره ها رسم کنیم. و البته, علاوه بر این موانع سیستم بینایی باید علامت خیابان ها , تخته های نشانه , علامت های دست دوچرخه سواران و غیره را برای کامل کردن یک دید جامع برای وسیله ی نقلیه شناسایی نماید.

• بخشی از مقاله انگلیسی:

VII. FUTURE WORK

We have showed the working of an algorithm to detect obstacles. But the challenge always lies in running it real-time on the vehicle with a quick update rate so as to react quickly to changes in the environment. The first among our future steps should be optimizing the run time of this algorithm and possibly explore efficient platforms and parallel architecture if required to run it online. There are other quick depthestimation algorithms [18], [16] in the literature that are more suitable for real time applications at the cost of reduced accuracy. So a sensible trade off has to be made on the choice of the depth estimation algorithm. The obstacle detection algorithm is found to be decently robust in detecting obstacles sticking out of the ground. But it does not particularly consider holes or cliffs. Given the depth map and 3D location of points in view, it is easy to build a few more features in the pipeline to seamlessly handle these kinds of obstacles as well. For example, we could classify the road based on the fact that it has a steady gradient in depth value and plan a path for the vehicle only along the definite road, if exists, to avoid falling off cliffs. And of course, besides just obstacles, the vision system should also detect lane markings, sign boards, bicyclists’ hand signals, etc to complete the whole perception package of the vehicle.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله