Your SlideShare is downloading. ×
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Visió Artificial Automòbil
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Visió Artificial Automòbil

102

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
102
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Sistemes basats en aplicacions de visió a lautomòbil Marcos Pastor, Adrià. Electrònica a l’automòbil. Enginyeria en Automàtica i Electrònica Industrial. Escola Tècnica Superior d’Enginyeria. Universitat Rovira i Virgili, Tarragona. Abril 2011 adria.marcos@estudiants.urv.cat RESUM un alt confort ha generat que els fabricants hagin La introducció dels sistemes de visió artificial en desenvolupat programes informàtics que mitjançantl’automòbil ha suposat una millora en aspectes de seguretat càmeres instal·lades a l’interior del vehicle, aquestde la conducció i l’assistència del conductor al llarg del seu assisteixi al conductor mentre l’utilitza. És el cas, perdesplaçament. Mitjançant càmeres instal·lades a l’interior exemple, dels sistemes de detecció de senyals de trànsit odels vehicles i de processadors es poden analitzar les imatgesobtingudes i reconèixer elements de l’entorn, així com bé regulació de les llums del vehicle en funció de l’estatvianants, senyals de trànsit, les línies delimitadores dels de la via i dels altres usuaris de la carretera.carrils, altres vehicles de la via i actuar en conseqüència. En aquest article es fa una descripció d’alguns delsAquesta actuació pot ser des d’un simple avís al conductor sistemes basats en aplicacions de visió artificial afins a una frenada d’emergència per evitar alguna col·lisió o l’automòbil. Es tracten diferents algoritmes de deteccióatropellament. que s’han desenvolupat, s’enumeren productes comercials que es poden trobar al mercat que utilitzen aquests PARAULES CLAU algoritmes i finalment es presenten alguns exemples de Aplicacions de sistemes de visió artificial, electrònica al’automòbil, reconeixement de l’entorn. models comercials de fabricants d’automòbils que porten incorporats sistemes de visió artificial. I. INTRODUCCIÓE II. RECONEIXEMENT DE L’ENTORN n els últims anys l’electrònica s’ha introduït en molts dels àmbits quotidians que ens rodegen. Un clar A. Detecció de vianantsexemple és la indústria de l’automòbil que pretén millorar La detecció de vianants és una de les líniesel control dels subsistemes del vehicle, així com les d’investigació més recents en la indústria automobilísticaprestacions de confort que ofereix. La introducció de i s’està convertint en un focus creixent d’interès dins desistemes formats per sensors, que aporten informació de l’àmbit de l’automòbil, ja que augmenta la seguretat viall’estat de la planta, són capaços de detectar des de simples dels elements més vulnerables de la carretera. Aquestanomalies com falta de gasolina o un mal funcionament tipus d’aplicació és atractiva tant per fabricants com pelsd’algun component del vehicle a, fins i tot, activar el usuaris finals. Els primers estan interessats en vendrecontrol d’estabilitat quan es detecti que alguna de les productes amb un alt valor afegit mentre que els últims,rodes del vehicle està lliscant sobre el sòl. Amb tot, el desitgen comprar vehicles més segurs.gran camp que cada vegada pren més importància és el de Els sistemes de detecció de vianants són difícilsla seguretat, no tan sols la dels usuaris que es troben dins d’implementar a causa de les característiques dels propisdel propi vehicle, sinó també la dels aliens al mateix. elements que formen part de l’escena. Aquesta dificultat radica en l’elevat número de formes que la forma humana Tot i que els fabricants d’automòbils ja fa temps que pot adoptar, en la diversitat d’entorns possibles i de laincorporen sistemes de seguretat passius en els seus complexitat dels mateixos i en les condicions deproductes, l’objectiu dels quals és reduir al màxim els il·luminació canviants i desconegudes. A més el temps endanys en cas d’accident, la investigació en el camp de la què s’ha de realitzar la detecció imposa una restriccióseguretat aposta pel desenvolupament de sistemes actius molt severa, ja que aquest temps ha de ser el mínimque permetin augmentar la prevenció dels accidents. En possible. Amb tot això s’evidencia la complexitat delaquest sentit, l’evolució de l’enginyeria informàtica, en problema.concret la de la visió artificial que realitza el processat de Altres sistemes de detecció de vianants, com podrienimatges, ha estat un aspecte clau en els progressos ser sensors làser o radar, permeten obtenir mesures deefectuats. S’han desenvolupat sistemes de visió artificial distàncies més directes però no proporcionen unaque analitzen l’entorn i detecten vianants, els vehicles de descripció més completa de l’entorn. La visió artificial téla via i les línees delimitadores dels carrils de la via, entre l’avantatge que permet comprendre i predir elsd’altres. moviments dels subjectes, però té l’inconvenient que A més, el fet que els conductors cada vegada sol·licitin l’anàlisi de les dades és més exhaustiu i complex.que el vehicle ofereixi més prestacions, més comoditats i 1
  • 2. Les càmeres instal·lades en equips mòbils que En la segona fase es procedeix a realitzar la detecciós’acostumen a utilitzar per realitzar la detecció de dels vianants. De forma general els mètodes de deteccióvianants són càmeres estereoscòpiques. Les raons per de vianants basats en visió es poden classificar en tresutilitzar visió estèreo són vàries. Quan es treballa amb grups. El primer nivell busca característiques senzillesimatges obtingudes amb una càmera no estacionària, la que defineixen a una persona, però tenen l’inconvenientmajoria de les tècniques de segmentació clàssiques fallen que si una d’aquestes característiques no estàa causa del propi moviment de la càmera. Entre els suficientment present en la imatge, el vianant no esavantatges que destaquen de la visió estèreo és que detecta. Un altre inconvenient que presenta és l’elevatpermet analitzar oclusions o forats, és robust a canvis número de falsos positius que genera. El tercer nivell ded’il·luminació i permet detectar tant objectes en la classificació és totalment diferent del primer perquèmoviment com estàtics. acostuma a estar basat en xarxes neurals, les quals requereixen d’algun tipus d’aprenentatge. Aquest és el inconvenient principal del tercer nivell ja que l’entrenament comporta una gran quantitat de temps respecte el primer nivell. Entre els dos nivells anteriors es troben les tècniques basades en models, desenvolupats amb la intenció de quedar-se amb el millor de cada un dels dos. En aquest mètode és habitual construir models o patrons dels humans per aportar robustesa al sistema. Els Fig. 1. Exemple de sistema de visió amb càmeres estereoscòpiques. patrons poden estar basats en el moviment de les persones, en la seva forma, o una combinació d’ambdós. La tendència generalitzada d’afrontar el problema de la Per portar a terme la detecció, les imatges esdetecció de vianants consisteix en dividir el problema en transformen en un altre espai amb l’objectiu de reduir ladues etapes; seva dimensió i poder representar la informació de forma • una primera, de detecció d’objectes d’interès, més compacta. El classificador aprèn el patró de l’objecte per distingir els objectes propers respecte del desitjat i a continuació les regions d’interès es que és el fons, i compararan amb els patrons. El resultat és el grau de • una segona, de reconeixement de vianants per correlació entre el patró i la imatge analitzada. Els separar els vianants de la resta d’objectes. classificadors habitualment utilitzats són els basats en En la primera fase s’han de localitzar i extreure les PCA, wavelets o HOG.zones de la imatge on poden situar-se els vianants.Aquestes zones s’anomenen regions d’interès (Regions ofInterest, ROI). La visió estèreo permet construir un mapade disparitat de l’escena i d’aquesta manera filtrar lesparts de la imatge en funció de les mesures de distància.Les zones que no estan a la distància desitjada s’eliminende la imatge i es realitzen la resta de càlculs a partir de laimatge filtrada. Fig. 3. Detecció de vianants en un pas zebra. Un dels primers vehicles que disposaven de sistemes de visió artificial per detectar vianants va ser desenvolupat al Massachussets Institut of Technology. DaimlerChrysler juntament amb la Universitat de Maryland han consolidat el vehicle UTA orientat a assistència en la ciutat. Un altre exemple és el de Robotics Institut de la Universitat Carnegie Mellon que ha desenvolupat un mòdul per assistència de conductors d’autobús. En els últims anys el creixement ha estat exponencial i els fabricants de cotxes han començat a introduir-los en els seus models d’automòbil. Fig. 2. [Dalt] Imatge obtinguda amb visió estèreo i el corresponent B. Detecció de línies delimitadores de carrils mapa de disparitat. [Baix] Detall de la imatge gradient i la imatge filtrada en funció de les mesures de distàncies. Un estudi portat a terme als Estats Units ha demostrat que el 40% dels accidents ocorren durant un canvi de 2
  • 3. carril. La falta d’atenció i l’endormiscament són algunes L’algoritme de la figura 5 utilitza mètodesde les raons que justifiquen tals accidents. És per això que convencionals que es poden trobar en l’estat de l’art i las’estan desenvolupant aplicacions de visió artificial que teoria de la detecció de carrils i a més afegeix una milloratenen la missió d’anar seguint l’evolució de la posició de en el sentit que combina un número de tècniques perl’automòbil respecte les marques vials que delimiten els obtenir un tracking amb prestacions més robustes.carrils de manera que en cas que la direcció del vehicle no El mòdul de detecció de l’algoritme utilitza tress’ajusti a la del carril per on va circulant, es notifica al operadors diferents que representen les diferents formesconductor d’aquesta situació. L’avís pot ser acústic o bé que poden presentar les marques vials. Aquest mòdul s’haper vibració del seient. d’ajustar en funció de les marques que es volen detectar. Per exemple en el cas de l’exemple es pretén detectar marques amb certes direccions, formes i colors. Després d’haver realitzat el filtratge en funció dels operadors s’aplica la transformada de Hough per extreure les línies de forma conjunta amb els angles i les seves longituds dins de la imatge. La transformada de Hough és la tècnica més comunament utilitzada per la detecció de corbes regulars, com per exemple rectes, cercles el·lipses, etc. La idea de la transformada de Hough es basa esbrinar la línia o línies que pot pertànyer cada punt amb un mode d’operació estadístic. Aquest anàlisi es realitza per tots els punts de la imatge. La transformada de Hough empra unaFig. 4. Sistema davís en cas de desviació respecte les línies dels carrils representació paramètrica de formes geomètriques. Per La detecció de carrils és una àrea de visió per exemple es representa per un mòdul φ perpendicular a lacomputador ben investigada en aplicacions de vehicles recta i que passa per l’origen (0,0) i l’angle ρ formatautònoms i sistemes d’ajuda al conductor. Tot i que respecte l’eix positiu de les abisses.distingir marques clares sobre un camí fosc sembla unatasca fàcil, les dificultats arriben quan apareixen ombres, cos ρ sin ρ φobstruccions visual per culpa d’altres vehicles, canvis en Eq. 1. Equació que descriu una recta mitjançant l’aplicació de lala textura de la superfície del camí i les diferents marques transformada de Hough.dels carrils. Realitzar el seguiment o tracking en unentorn real és una tasca complexa a causa del moviment i La verificació comporta l’eliminació de les marquesles vibracions a les que està sotmès el vehicle, pels candidates que no acompleixen amb les restriccions dedefectes que puguin presentar les marques vials, els l’angle imposats pel model geomètric de la carretera.canvis de il·luminació i les condicions meteorològiques. Finalment de l’algoritme de seguiment de marques vials Un algoritme genèric de seguiment de carril conté els es poden obtenir diferents resultats:següents mòduls: un model de la carretera, per extracció • El tipus de marca vial reconegut.de característiques, un post-processament per verificar la • Posició de la marca vial.validesa dels resultats i un tracking. • Número de marques vials identificades. • Posició relativa del vehicle dins del carril. • Coordenades de la carretera. Fig. 6. Detecció final de marques vials. Altres algoritmes apliquen filtres per detecció de contorns i en fan una posterior extracció dels contorns obtinguts. A continuació s’apliquen tècniques d’anàlisi de Fig. 5. Algoritme de detecció de marques vials. característiques principals i es classifiquen les diferents regions en funció de la longitud del contorn i només s’inclouen les que són suficientment llargues com per 3
  • 4. assegurar que es tracta d’una marca vial. Posteriorment Fourier Transform) entre plantilles models de formess’aplica la transformada de Hough de la mateixa manera concretes (rectangulars, circulars, octogonals, etc.) ambque en el cas de l’exemple. les ROI obtingudes abans. El resultat obtingut de l’aplicació de la correlació FFT permet determinar la localització de la plantilla buscada. Es pot veure l’efecte C. Detecció de senyals de trànsit del filtrat de color i una posterior correlació de tipus FFT Els mètodes utilitzats pel reconeixement de senyals de en la figura 8.trànsit es poden classificar en diversos grups: per colorbase, per la forma base i altres. El desafiament en aquesttipus de detecció tornen a ser les ja comentadesanteriorment en les altres aplicacions de visió enl’automòbil. Les escenes reals del trànsit, el moviment delmateix vehicle, les condicions d’il·luminació, l’efecte deldesenfocament, la distorsió de la imatge, la obstrucció dela senyal per altres objectes o la pròpies limitacions delsensor utilitzat, són els punts crítics del problema. Un exemple d’algoritme que resolgui la detecció desenyals de trànsit és el que es presenta en la imatge de lafigura 7. Aquest utilitza una coordenada espacial dereferència, a partir de l’algoritme que segueix les marquesvials que delimiten el carril, per aconseguir una reducciócost computacional necessari, així com una reducció delsfalsos positius que podrien existir després del filtratge percolor. Aquest analitza determinades regions d’interès quesón els laterals de la via. Fig. 7. Algoritme de detecció de senyals de trànsit. Després de extreure la regió d’interès, s’aplica un Fig. 8. [De dalt a baix] Imatge original. Resultat de filtrar el color.filtratge de color. Els colors de major interès són el Resultat d’aplicar una correlació FFT amb una plantilla rectangularvermell el groc i el negre ja que són colors relacionats mostrant un focus o un pic d’intensitat en la localització de la senyal de límit de velocitat.amb aspectes de seguretat, com poden ser les senyals deSTOP, pas de vianants o bé senyals de límit de velocitat. Tot seguit s’aplica un llindar mínim al resultat obtingutLa identificació entre aquestes senyals és relativament i es pot localitzar la posició que ocupa la senyal. És difícilfàcil per la diferència que existeix en la seva forma. En que apareguin falsos positius en la imatge d’aplicar elcanvi pel cas dels límits de velocitat per la identificació llindar mínim. En el cas dels límits de velocitat s’ha dedel límit apareixen diversos candidats. diferenciar el límit escrit en la senyal, per tant és necessari El següent pas posterior al filtratge per color, com que un classificador de senyals per diferenciar-les. Aquestels contorns resultants no són gaire nítids s’apliquen classificador acostuma a ser una xarxa neural que ha deoperacions morfològiques, dilatacions o erosions, per tal ser entrenada prèviament amb cada senyal per separatde corregir les formes amb estructures lineals o circulars. amb un conjunt d’imatges reals de senyals del mateixEl següent pas comporta una correlació1 FFT (Fast tipus. 1 La correlació es una operació matemàtica molt semblant a laconvolució. 4
  • 5. D. Detecció de vehicles 1) Vehicles en angles morts A vegades davant d’una maniobra de gir o un canvi decarril, es produeixen accidents per col·lisions contravehicles que circulen prop del lateral del vehicle querealitza la maniobra. Aquestes col·lisions sovint esprodueixen pel fet que el vehicle que rep el cop està foradel camp de visió dels miralls retrovisors del conductorque provoca el cop. Aquesta situació es dóna amb moltafreqüència en vehicles de menor tamany com poden sermotocicletes, ciclomotors o bicicletes. Fig. 10. Exemple de detecció en angle mort en una seqüència de imatges. Lindicador de dalt a la dreta canvi de color verd a blau quan es detecta algun vehicle. 2) Adaptació de les llums del vehicle en funció d’altres vehicles de la via Les estadístiques demostren que més del 80% dels accidents es produeixen durant la nit. És per això que la temàtica de la visió artificial també pot abordar els Fig. 9. Situació dels angles morts en un automòbil. aspectes d’assistència al conductor quan aquest realitza desplaçaments durant les hores nocturnes. La detecció Els sistemes actuals de detecció d’angles morts estan dels vehicles que circulen per la mateixa via pot ajustar debasats fonamentalment en tres tecnologies: processat forma automàtica la direcció i intensitat de la llum emesa.d’imatges, radars de curt/mig rang a 24 GHz i utilització Aquest tipus de regulació podria evitar enlluernaments.de sensors làser. Un altre avantatge que ofereix la primerarespecte les altres dues és que les càmeres són sensorspassius i barats que no emeten senyals de cap tipus. Tantel radar com els làsers poden causar interferències entrealtres vehicles que estiguin equipats amb els mateixosdispositius. Per la detecció dels vehicles en els angles mortsmitjançant visió artificial, les imatges són analitzades ambtècniques de flux òptic per tal de detectar píxels que esmouen en la mateixa direcció. Els píxels que produeixenmoviment s’agrupen seguint tècniques de clustering. Alsclústers obtinguts se’ls aplica un mecanisme de deteccióde dues fases per dotar robustesa a l’algoritme de deteccióde vehicles. La primera fase és un sistema de pre-deteccióque computa el centre de masses dels clústers i determinasi es tracta d’un potencial vehicle en funció del tamanydels píxels detectats. La segona fase és un altre detector Fig. 11. Regulació de la il·luminació de lautomòbil mitjançant laque identifica la part frontal del vehicle. Qualsevol detecció de vehicles dins de la via.objecte que mantingui una similitud amb la part frontald’un vehicle es considerarà que es tracta d’un potencial Un component clau d’aquest sistema és un software devehicle i sinó en qualsevol cas el pre-detector dispara un visió artificial capaç de distingir blobs produïts des de lasenyal de pre-alerta. part frontal dels vehicles i la part posterior, de la llum La posició del vehicle en el pla de la imatge es computa emesa per faroles o bé elements reflectants, com podeni se’n fa l’anàlisi de la seva evolució espacial utilitzant actuar, segons les condicions, les senyals de trànsit.filtres de Kalman per predir la seva posició. El tracking Alguns algoritmes que s’han desenvolupat en aquestcontinua fins que el vehicle desapareix de l’escena. Un sentit utilitzen classificadors que prenen decisions a partirsenyal d’alarma avisa al conductor de l’existència d’un de l’extracció de característiques dels blobs analitzatsvehicle dins de l’angle mort fins que es deixa de detectar. centrant-se en la intensitat i la forma. Es parla de classificadors entrenats amb un conjunt de blobs que supera els 60.000. 5
  • 6. L’inconvenient més problemàtic a salvar d’aquest tipus que calculen el temps que cal que transcorri per tal que elde detecció és l’anàlisi de blobs dèbils i petits que vehicle assoleixi la posició del vehicle que el precedeix.corresponen a vehicles molt llunyans que apareixen ireapareixen. Per abordar el problema del seguiment delsblobs s’han: • d’obtenir mesures més característiques dels blobs al llarg de la seva trajectòria; • calcular les seves característiques de moviment que es considerin rellevants per la classificació i, • d’acomplir amb la consistència temporal. Fig. 13. Diagrama del sistema davís automàtic daccident per visió artificial. III. EMPRESES QUE INTEGREN SISTEMES DE VISIÓ ARTIFICIAL ALS AUTOMÒBILS Fins aquest punt s’ha presentant a nivell descriptiu el funcionament d’alguns dels algoritmes i en aquest apartat es procedeix a exposar algunes de les empreses que existeixen actualment i els productes que ofereixen que treballin amb visió artificial. 1) Empresa ITERIS® Iteris® és una empresa que desenvolupa i integra productes tecnològics per millorar la seguretat dels mitjans de transport. No treballen únicament amb processat d’imatges però entre els seus productes destaca el que es basa en visió artificial que és el sistema d’avís en cas de desviació respecte el traçat d el carril. Fig. 12. Tracking dels blobs que es visualitzen. 3) Activació automàtica de les llums d’emergència d’un automòbil en cas de possible accident Hi ha projectes que treballen en sistemes de visióartificial per l’activació automàtica de les llums Fig. 14. Sistema AutoVue® Lane Departure Warning de Iteris®d’emergència d’un automòbil en cas de possible accident.Per detectar un possible accident s’efectua la mesura de la 2) Empresa Valeo®distància i la velocitat relativa respecte els vehicles Aquesta empresa disposa d’un sistema d’avís en casprecedents mitjançant la utilització d’una càmera en que es detecti que el vehicle no segueix el traçat del carril.l’interior de l’automòbil. La imatge rebuda es processa en Aquest sistema està format per una càmera situada a laun sistema hardware a bord del vehicle. Com a resultat part posterior del retrovisor central a l’interior del vehicledel processament realitzat s’obté la distància existent que envia les imatge a un software de processamententre el vehicle propi i el vehicle precedent i la seva d’imatge. L’anàlisi determina la trajectòria del vehiclevelocitat relativa. Si es detecta que aquesta velocitat amb el suport del control d’estabilitat, sensors de mesuracanvia de forma brusca fins assolir el risc de col·lisió, es de gir i acceleròmetres que determinen les forcesprocedeix a avisar al conductor de la situació i es a d’acceleració a les que el vehicle està sotmès. La càmerarealitzar l’activació automàtica de les llums d’emergència pot detectar línies contínues i discontínues, blanques iper avisar a altres conductors. El tipus d’algoritme grogues, pot funcionar de nit i amb boira. Aquestutilitzat és molt semblant al que s’utilitza pels sistemes producte s’ha desenvolupat amb la col·laboració de l’empresa Iteris®. 6
  • 7. • Lane Departure Warning. • Sistema que indica el temps que cal que transcorri per tal que el vehicle assoleixi la posició del vehicle que el precedeix (Headway Monitoring and Warning, HMW). El temps que es considera segur són un mínim de 2 segons. Fig. 15. LaneVue® System de lempresa Valeo®. Un altre producte que Valeo® també disposa és elsistema d’ajust automàtic de la intensitat de les llums enfunció dels vehicles que es detectin en la carretera.S’anomena BeamAtic® Premium i utilitza la mateixacàmera del sistema LaneVue®. Fig. 18. La unitat dindicació visual del producte C2-170 de Mobileye®. c) C2-270 Collision Prevention System El sistema de prevenció a col·lisions integra les següents funcionalitats: • Forward Collision Warning. Fig. 16. Exemple virtual del funcionament del sistema BeamAtic® • Lane Departure Warning Premium. • Headway Monitoring and Warning. • Sistema d’avís de col·lisions amb vianants 3) Empresa Mobileye® (Pedestrian Collision Warning, PCW). Mobileye® està altament especialitzada en productes • Control de d’ajust de la il·luminacióde visó artificial i treballa amb fabricants d’automòbils intel·ligent (Intelligent High-beam Control,com BMV, GM i Volvo. Disposa de 3 productes que IHBC).ofereixen diferents prestacions. a) AWS-2000 El producte que disposa de menys prestacions i l’avísal conductor és únicament per so. Incorpora: • Sistema d’avís per col·lisions frontals (Forward Collision Warning, FCW). Fig. 19. Producte C2-270 de Mobileye® • Sistema d’avís en cas de desviació respecte la trajectòria del carril (Lane Departure Warning, LDW). 4) Vision Automobile Electronics Industrial Co. Empresa que subministra productes electrònics a fabricants d’automòbils com Mitsubishi, Toyota, Mazda, Ford, Suzuki, Honda, Hyundai, etc. Entre els seus productes, el que utilitza tècniques de visó artificial és el sistema d’avís en cas de desviació respecte la trajectòria del carril (Lane Departure Warning). Fig. 17. Únic component del producte AWS-2000 de l’empresa Mobileye®. b) C2-170 Driver Assistance System El sistema d’assistència al conductor incorpora mésfucionalitats que el producte anterior. • Forward Collision Warning. 7
  • 8. 3) Citroën C4 Disposa de una càmera just sota de cada un dels retrovisors laterals per analitzar i detectar vehicles en els angles morts. Fig. 20. VAE-710 Lane Departure Warning System de Vision Automobile Electronics Industrial Co.IV. VECHICLES COMERCIALS AMB SISTEMES DE VISIÓ ARTIFICIAL En aquest apartat es presenten alguns modelsd’automòbils que incorporen sistemes de visió artificial. Fig. 23. Citroën C4 2011. 1) Opel Insignia Incorpora una càmera de reconeixement instal·ladaentre el parabrises i el retrovisor interior, i dues càmeres 4) Toyota Crownmés a la part inferior dels retrovisors laterals. Treballa dos Toyota ha incorporat en el seu model Crown unaspectes: sistema de visó artificial nocturn que permet la detecció • Reconeixement de senyals de trànsit. de vianants a la calçada, tot i que presenta certes • Avís desviació respecte la direcció del carril. limitacions, com és el cas que únicament funciona si es • Detector de vehicles en angles morts. condueix a una velocitat inferior als 65 km/h. Fig. 21. Opel Insignia amb Opel Eye® Camera. 2) Infiniti M45X Incorpora: • El sistema BLIS® (Blind Spot Information System), per control dels angles morts. • Sistema d’avís desviació respecte la direcció Fig. 24. [Dalt] Vista del panell informatiu del sistema de Toyota. del carril. [Baix] Toyota Crown. 5) Mercedes-Benz Clase-S En la línia del cas de Toyota, Mercedes ha fusionat la detecció de vianants a la calçada, amb una càmera de llum infraroja per visió nocturna, i el control de la llum que emet el vehicle. L’ha batejat amb el nom Active Night View Assist Plus i consisteix en il·luminar el vianant una vegada s’ha detectat mitjançant una llum especialment dedicada que no enlluerna al subjecte i permet al conductor rebassar-lo reduint el perill que presenta tal Fig. 22. Infiniti M45X. situació. 8
  • 9. V. CONCLUSIONS Els sistemes de visió artificial estan demostrant la seva viabilitat en el camp de la seguretat activa en la indústria de l’automòbil, per tal de preveure i evitar possibles accidents. Els sensors necessaris no presenten un elevat cost i es tracta de sistemes passius que no emeten cap tipus de senyal sobre l’entorn, el que comporta la no interferència amb altres dispositius electrònics. Els principals inconvenients que presenta el processat de imatges que s’obtenen en ambients exteriors són els canvis de la il·luminació, les vibracions i moviment del propi vehicle, la velocitat de processament que es requereix, les condicions meteorològiques, la obstrucció visual dels elements objectius com senyals, vianants, etc. i les limitacions que presenti el propi sensor. Tot i les Fig. 25. Active Night View Assist Plus. dificultats que es donen, s’han desenvolupat algoritmes que aconsegueixen acomplir amb la seva missió i a més El Mercedes Classe-S a més ofereix els sistemes de : amb un alt percentatge d’efectivitat. No són sistemes • Reconeixement de senyals de trànsit. infalibles perquè són sensibles a moltes condicions que no • Sistema d’avís desviació respecte la direcció es poden controlar, però s’estan aconseguint bons del carril. resultats fins al punt d’introduir-los en models d’automòbils que es troben en el mercat. En molts casos, de moment, els sistemes de visió artificial només actuen com sistemes d’assistència al conductor, el qual segueix sent l’últim esglaó en la cadena de presa de decisions durant la conducció. És per això que s’avança cap a una direcció on les persones cada vegada tinguin menys importància dins del control del moviment del vehicle i s’intenta dirigir cap a sistemes totalment guiats i controlats per computadors. El problema d’aquest avenç tecnològic és que la societat actualment no està Fig. 26. Merdeces-Benz Classe-S preparada per acceptar aquest tipus de tecnologia, ni la tecnologia està desenvolupada suficientment com per implantar-se de forma tan imminent. Per tant, s’ha de 6) Volvo XC60, XC70 i S80 seguir treballant per poder introduir sistemes de visió La casa Volvo ofereix en els seus models XC60, XC70 artificial de forma progressiva i segura.i S80 ofereix el sistema BLIS® per control dels anglesmorts. REFERÈNCIES 1) Articles [1] C Hilario, J M Collado, J Mª Armingol, A de la Escalera. Detección de peatones para vehículos inteligentes basada en modelos de contornos activos y visión estéreo. Leganés: Universidad Carlos III de Madrid; 2005. [2] MA Sotelo, J Barriga. Blind spot detection using visión for automotive applications. Alcalá de Henares: Universidad de Alcalá; 2008. [3] P Boyaz, X Yang, Sathyanarayana, J Hansen. Computer visión systems for “context-aware”. Active vehicle safety and driver assistance. Richardson: University of Texas at Dallas, Department of Electrical Engineering; 2009.Fig. 27. [Dalt] Càmera situada sota el retrovisor lateral. [Baix] Volvo XC60. 9
  • 10. [4] T Birdal, A Erçil. Real-time automated road, laneand car detection for autonomous driving. Orhanli:Sabanci University; 2008. 2) Tesi doctoral [5] C Hilaro. Detección de Peatones en el EspectroVisible e Infrarrojo para un Sistema Avanzado deAsistencia a la Conducción [tesi]. Leganés: UniversidadCarlos III de Madrid; 2008. 3) Pàgines web [6] Avanced Driver Assistace Systems Group.[consultat: 5 abr 2011]. Disponible: a:http://www.cvc.uab.es/adas/index.php?section=projects_intelligentheadlights/. [7] Citroen. [consultat: 3 abr 2011]. Disponible a:http://www.citroen.es/. [8] Infinity. [consultat: 3 abr 2011]. Disponible a:http://www.infiniti.es/. [9] Inventos patentados en España. [consultat: 4 abr2011]. Disponible a:http://patentados.com/invento/sistema-de-vision-artificial-para-la-activacion-automatica-de-las-luce.html/. [10] Iteris. Innovation for better mobility. [consultat: 4abr 2011]. Disponible a:http://www.iteris.com/. [11] Mercedes Benz. [consultat: 3 abr 2011].Disponible a: http://www.mercedes-benz.es/. [12] Mobile. Our vision your safety. [consultat: 5 abr2011]. Disponible a:http://www.mobileye.com/es. Opel. [consultat: 3 abr 2011]. Disponible a:http://www.opel.es/. Toyota . [consultat: 3 abr 2011]. Disponible a:http:// www.toyota.es/. Valeo. [consultat: 4 abr 2011]. Disponible a:http://www.valeo.com/. Vision security. [consultat: 5 abr 2011]. Disponible a:http://www.visionsecurity.com.tw/. Volvo. [consultat: 4 abr 2011]. Disponible a:http://www.volvocars.com/. 10

×