بهبود هم‌زمان دقت و سرعت شناسایی مانع در بینایی استریوی قطع‌شده با داده‌های التراسونیک در خودروهای هوشمند

امروزه ترافیک به چالشی برای همه تبدیل‌ شده است. یکی از راه‌های عبور از این مسئله، هوشمندسازی خودروهاست. لذا در این پژوهش به ارتقای ادراک محیط با استفاده از ترکیب داده‌های التراسونیک و بینایی استریو پرداخته‌شده است. در این پژوهش محققان پیشنهاد داده‌اند که روش بینایی استریوی قطع‌شده با استفاده از داده‌های التراسونیک به نحوی به‌روزرسانی شود که دقت و سرعت شناسایی مانع در خودروهای هوشمند به‌صورت هم‌زمان افزایش پیدا کند. بنابراین علاوه بر شباهت نور در پنجره‌ی انطباق، عمق پیکسل‌های همسایه به‌گونه‌ای مورداستفاده قرارگرفته است که بدون افزایش نمایی بار محاسباتی، اهداف مذکور محقق گردد. در همین راستا دو نوع پنجره‌ی انطباق تعریف گردیده است. یکی از این دو نمونه پنجره انطباق، مشابه با روش بینایی استریو قطع‌شده و دیگری به‌عنوان پنجره استنتاج است. با استفاده از پنجره استنتاج پیشنهادی بر پایه‌ی بینایی استریوی قطع‌شده، امکان اعمال تاثیر عمق پیکسل‌های همسایه به میزان کافی و تاثیرگذار فراهم‌شده و سبب کاهش61.57 درصدی خطا گردیده است. در ادامه باتوجه ‌به نحوه‌ی پیاده‌سازی بر روی کارت گرافیک، علاوه بر کاهش خطا، سرعت شناسایی مانع 43.93 درصد بهبود پیداکرده است. بهبودهای مذکور سبب می‌شود که چنانچه خودرویی نیاز به شناسایی محیط در هر یک متر از حرکت خود داشته باشد، بتواند به سرعت 178،1km/ hدست پیدا کند و سبب افزایش قابلیت اطمینان در خودروهای هوشمند گردد.

simultaneous improvement of obstacle detection accuracy and speed in cut stereo vision with ultrasonic data in smart vehicles

nowadays, traffic has become a challenge for everyone. one of the ways to overcome this problem is to make cars more intelligent. in this research, perception enhancement of the environment has been considered by using the data fusion of ultrasonic data and stereo vision. in this research, the researchers have suggested the cut stereo vision method by ultrasonic data in such a way that the accuracy and speed of obstacle detection will increase simultaneously in smart cars. therefore, in addition to the similarity of the light intensity in the matching window, the neighboring pixels' depth has been used in a way to achieve the goals mentioned above without exponentially increasing the computational load. so, two types of compliance windows have been defined. one window is similar to the cut stereo method, and the other is called the inference window. by using the proposed inference window based on cut stereo vision, it is possible to apply the influence of the depth of neighboring pixels at a sufficient and effective level, which is reduced 61.57% error compared to the previous study. furthermore, according to the suggested way of implementation on the graphic card, the obstacle detection speed has improved by 43.93% compared to the previous parallel implementation. the mentioned improvements make it possible to detect the environment in each meter of a car's movement if its speed is 178.1 km/h rather than 100.8km/h in the previous study. so current study produces smart cars more reliable.