Resumen

Recientemente, los coches autoconducidos se han convertido en un gran reto en la industria del automóvil. Tras el desafío de DARPA, que introdujo el diseño de un sistema de autoconducción que puede clasificarse como SAR de nivel 3 o superior, impulsó a centrarse más en los coches autoconducidos. Más tarde, utilizando estos modelos de diseño introducidos, muchas empresas comenzaron a diseñar coches de auto-conducción. Varios sensores, como el radar, las cámaras de alta resolución y el LiDAR, son importantes en los coches autónomos para detectar el entorno. El LiDAR actúa como el ojo de un vehículo autoconducido, ofreciendo 64 canales de escaneado, 26,9° de campo de visión vertical y 360° de campo de visión horizontal de alta precisión en tiempo real. El sensor LiDAR puede proporcionar información de profundidad ambiental de 360° con un alcance de detección de hasta 120 metros. Además, las cámaras izquierda y derecha pueden ayudar aún más a obtener información de la imagen frontal. De este modo, se puede obtener con precisión el modelo del entorno del coche autoconducido, lo que resulta conveniente para que el algoritmo de autoconducción realice la planificación de la ruta. Es muy importante para la conducción autónoma evitar la colisión. LiDAR proporciona vistas de campo tanto horizontales como verticales y ayuda a evitar la colisión. En un sitio web en línea, el conjunto de datos proporciona diferentes tipos de datos, como datos de nubes de puntos e imágenes en color, que ayudan a utilizar estos datos para el reconocimiento de objetos. En este trabajo, utilizamos dos tipos de conjuntos de datos disponibles públicamente, a saber, KITTI y PASCAL VOC. En primer lugar, el conjunto de datos KITTI proporciona un conocimiento profundo de los datos para la segmentación LiDAR (LS) de objetos obtenidos a través de nubes de puntos LiDAR. El rendimiento de la segmentación de objetos a través de puntos de nubes LiDAR se utiliza para encontrar la región de interés (ROI) en las imágenes. Posteriormente, entrenamos la red con el conjunto de datos PASCAL VOC utilizado para la detección de objetos por la red neuronal YOLOv4. Para la evaluación, utilizamos la imagen de la región de interés como entrada para YOLOv4. Utilizando todas estas tecnologías, podemos segmentar y detectar objetos. En última instancia, nuestro algoritmo construye una nube de puntos LiDAR al mismo tiempo; también detecta la imagen en tiempo real.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:auto, coches, puntos de nube lidar, nube de puntos lidar, nubes de puntos lidar, conjunto de datos pascal voc, conocimiento de datos de profundidad, información de profundidad ambiental, información de imagen frontal, vista de campo horizontal
• Keywords:self, cars, lidar cloud points, lidar point cloud, lidar point clouds, pascal voc dataset, depth data knowledge, environmental depth information, front image information, horizontal field view