رانندگی خودمختار: Lidar Vs. دید حرارتی

I. مقدمه: چالش ادراک رانندگی خودمختار

تصور کنید که شبانه در یک جاده کم نور رانندگی کنید ، با مه غلیظ ناگهان باعث کاهش دید نزدیک به صفر می شود. رانندگان انسانی با تکیه بر شهود و ورودی حسی محدود در چنین سناریوهایی مبارزه می کنند. با این حال ، برای وسایل نقلیه خودمختار (AVS) ، چنین شرایطی یک چالش مهم را نشان می دهد که باید با فناوری ادراک برتر برطرف شود. Safe Self - رانندگی نیاز به یک درجه 360-} ، واقعی - درک زمان از محیط. هیچ سنسور منفرد نمی تواند همه سناریوها را به تنهایی اداره کند و منجر به مفهوم همجوشی سنسور شود. فراتر از دوربین و رادار ، دو فناوری سنجش پیشرفته-لیدروتدید حرارتی- به عنوان فعال کننده کلید ظاهر شده است. در این مقاله به بررسی و مقایسه این دو فناوری برش- Edge می پردازیم.

ii. Deep Dive Technology: چگونه آنها جهان را می بینند؟

A. lidar (تشخیص نور و اعم از نور)

LIDAR با انتشار میلیون ها پالس لیزر در ثانیه و اندازه گیری زمان لازم برای بازگشت هر پالس پس از اصابت یک شی کار می کند. این یک اندازه گیری فاصله دقیق برای هر نقطه ایجاد می کند ، و با وضوح تصویر-} نقشه سه بعدی از محیط اطراف که به عنوان "ابر نقطه" شناخته می شود ، ایجاد می کند. این توانایی برای بازسازی دقیق محیط در سه بعد ، لیدر نام مستعار "3D Vision" را به دست آورده است. معیارهای عملکرد کلیدی شامل دقت دامنه ، وضوح زاویه ای ، تعداد خطوط لیزر (به عنوان مثال ، لیدر 128 خط) ، طول موج و ایمنی تداخل است.

B. دید حرارتی (تصویربرداری مادون قرمز)

دوربین های حرارتی تابش مادون قرمز (گرما) را که توسط اشیاء ساطع می شوند ، تشخیص می دهند و آن را به یک تصویر بصری تبدیل می کنند. بر خلاف سنسورهای نوری ، بینایی حرارتی به نور محیط متکی نیست و در تاریکی کامل به همان اندازه کار می کند. این یک تصویر 2D را بر اساس کنتراست حرارتی تولید می کند ، اشیاء برجسته مانند موجودات زنده ، وسایل نقلیه (با موتورهای گرم و لاستیک) و سایر گرما {3} انتشار را در برابر پس زمینه های خنک تر تولید می کند. مشخصات بحرانی شامل حساسیت حرارتی (نویز- اختلاف دما معادل یا NETD) ، وضوح مکانی ، نرخ فریم و باند طیفی عملیاتی (به طور معمول طولانی {6} موج مادون قرمز ، یا LWIR).

iii سر - به - head: مقایسه جامع

IV سناریوهای برنامه: جایی که هر یک از آنها عالی است

A. جایی که لیدر می درخشد

LIDAR سنگ بنای نقشه برداری High - Definition و واقعی- محلی سازی زمان ، فاصله و شکل دقیق اشیاء را فراهم می کند. این امر در محیط های شهری برای جلوگیری از موانع پیچیده بسیار ارزشمند است و به طور گسترده در راه حل های روباتاکسی و حمل و نقل حمل و نقل مستقل مورد استفاده قرار می گیرد.

ب - جایی که دید حرارتی برتر است

دوربین های حرارتی در شرایط آب و هوایی کم نور و نامطلوب از سطح پایین-. آنها به ویژه در تشخیص عابران پیاده ، حیوانات و سایر موجودات زنده در مناطق روستایی یا غیرقانونی مؤثر هستند. آنها همچنین در وسایل نقلیه اضطراری و تخصصی مانند پلیس و کامیون های آتش نشانی وعده بزرگی نشان می دهند.

ج - ترکیب برنده: همجوشی سنسور

راه حل بهینه انتخاب یکی از طرف دیگر نیست بلکه ترکیب آنها است. با فیوز کردن داده ها از LIDAR (هندسه دقیق) ، دوربین ها (رنگ ، بافت ، علامت گذاری) و سنسورهای حرارتی (تشخیص فرم زندگی و عملکرد آب و هوا-) ، AV ها می توانند به یک سیستم ادراک قوی تر و قابل اعتماد تر دست یابند.

V. تحولات و چالش های آینده

LIDAR به سمت حالت جامد - در حال تحول است ، تراشه-} راه حل های مقیاس ارزان تر و قابل اطمینان تر است. تصویربرداری حرارتی به سمت وضوح بالاتر ، هزینه پایین تر و تفسیر مبتنی بر AI {3} بهتر حرکت می کند. هر دو با چالش هایی مانند مجموعه داده های حاشیه نویسی محدود (به ویژه برای حرارتی) ، پیچیدگی الگوریتمی در همجوشی ، تقاضای محاسباتی بالا و الزامات دوام درجه 5- {{5 {5.

vi پایان

LIDAR و VISION THERAL RIVAL نیستند بلکه فناوری های مکمل هستند. لیدر "چشم هندسی" را فراهم می کند که جهان را با دقت اندازه گیری می کند ، در حالی که دید حرارتی "زندگی- چشم حساس" را ارائه می دهد که امضاهای گرما را می بیند و مستقل از نور عمل می کند. برای رانندگی خودمختار واقعاً قوی که قادر به رسیدگی به همه شرایط و سناریوها است ، یک رویکرد سنسور- ذوب شده -} یک سیستم بینایی فوق بشری - ضروری است. آینده رانندگی خودمختار احتمالاً به هر دو فن آوری متکی است تا از هر انسانی که می توانست واضح تر ، دورتر و ایمن تر باشد.

اطلاعات تماس:

اگر ایده ای دارید ، احساس راحتی کنید که با ما صحبت کنید. مهم نیست که مشتریان ما در کجا قرار دارند و نیازهای ما چیست ، ما هدف خود را دنبال خواهیم کرد تا با کیفیت بالا ، قیمت پایین و بهترین خدمات به مشتریان خود ارائه دهیم.