سیستم تشخیص مانع و عمق مبتنی بر یادگیری عمیق در تصاویر ۲بعدی برای هدایت پهپادهای خودمختار و سامانه های راننده خودکار

تشخیص دقیق و به موقع موانع، هنوز هم یکی از چالش های اساسی در طراحی انواع سامانه های هوشمند و خود مختار است. حل این مشکل در پهپادها، به دلیل محدودیت در طراحی این وسیله پرنده و همچنین سرعت و قابلیت مانور بالای آن، به مشکلی پیچیده تر تبدیل می شود. از طرفی به دلیل محدودیت در اندازه و وزن پهپاد، نمی توان از هر حسگر تشخیص مانعی استفاده کرد. در این مقاله، ما فقط از یک دوربین ساده و کوچک بعنوان حسگر تشخیص مانع استفاده می کنیم؛ که با ترکیب ویژگی های استخراجی از الگوریتم YOLOv۴ و خواص خطوط پرسپکتیو، دیدی ۳بعدی، از یک تصویر ساده ۲بعدی را ایجاد کرده، و سپس توسط فیلتر کالمن موانع را در عمق تصویر ردیابی و شناسایی می کنیم. الگوریتم ارائه شده در این مقاله بر خلاف سایر الگوریتم های مشابه، قادر به تشخیص همزمان چندین مانع ثابت و متحرک ، در شرایط محیطی متفاوت و با فواصل مختلف از پهپاد است. یافته های این پژوهش نشان داد، تشخیص دقیق و به موقع موانع، نقش زیادی در کاهش خطرات جانی و مالی ناشی از برخورد انواع پهپاد ها با اشیاء و انسان دارد و از طرفی به کارگیری یک دوربین ساده و کوچک، علاوه بر افزایش دقت و سرعت، باعث کاهش هزینه های طراحی و هوشمند سازی پهپاد و حتی سایر سامانه های راننده خودکار، می شود. نتایج حاصل از دقت تشخیص موانع در سیستم پیشنهادی نسبت به تشخیص انسان با توجه به آزمایشات انجام شده، %۹۶,۲ و با سرعت ۳۵ فریم برثانیه است، که %۳۲ نسبت به عملکرد انسان در تشخیص مانع و واکنش به موقع، سریعتر است. و همچنین روش پیشنهادی با میانگین دقت %۹۶,۲ و سرعت تشخیص۳۵ فریم بر ثانیه، سریعتر و دقیق تر از بهترین مقالات مشابه است.

کلیدواژه ها:

پهپاد ، تشخیص شیء ، تشخیص عمق ، YOLO v۴ ، پرسپکتیو ، فیلترکالمن