كلاس بندي، تعقيب مانع و تركيب اطلاعات در خودروي بدون سرنشين براي موانع متحرك زميني با استفاده از سيستم هاي فازي و تئوري بيزين و دمپسترشافر

Simultaneous Fusion, Classification, and Traction of Moving Obstacles by Multiple Sensors Using Bayesian Algorithm Based on Fuzzy Dempster-Shafer Theory

در آينده نزديك با افزايش استفاده از خودروهاي بدون سرنشين(UGV) بحث پيشگيري از تصادف با موانع ثابت و يا متحرك اعم از جاندار، بي جان به چالشي جدي بدل خواهد شد. اين موضوع در رابطه با موانع متحرك چالش جدي تري خواهد بود. به طور معمول از سنسورهاي ليدار و دوربين در خودروهاي بدون سرنشين به منظور تشخيص مانع متحرك انجام مي شود. و يكي از روش هاي موثر در تركيب اطلاعات سنسورها تئوري بيزين و الگوريتم دمپستر شافر مي باشد. الگوريتم دمپستر شافر توانايي تركيب اطلاعات از منابع مختلف ورودي را دارد. در اين مقاله يك روش با استفاده از روش بيزين ارائه شده است تا در فريم هاي متوالي تعقيب مانع متحرك انجام شود و بطور همزمان بتوان كلاس بندي موانع را در هر فريم انجام داد و همچنين تركيب اطلاعات سنسوري نيز انجام پذيرد. سنسورهاي در نظر گرفته شده بر روي خودروي بدون سرنشين ليدار و دوربين مي باشد. در اين مقاله نشان داده مي شود كه در روش پيشنهادي بدون دخالت دمپستر شافر توسعه يافته، دقت در تشخيص مانع در فريم هايي كه اطلاعات سنسورها داراي اغتشاش بالايي است با خطاي بالايي همراه است كه با كمك دمپستر شافر توسعه يافته دقت پيش بيني مانع با دقت مناسبي بهبود يافته است.

In a near future, preventing the collisions with fixed or moving, alive, and inanimate obstacles will appear to be a serious challenge due to the increased use of Unmanned Ground Vehicles (UGVs). Lidar sensors and cameras are usually used in UGV to detect obstacles. We used a fuzzy algorithm in this study to examine the relationship between the obstacles, in which, the degree of confidence in each hypothesis is determined according to the design of the fuzzy system for extracting hypothesis. We proposed a novel approach in this paper, which uses a co-association matrix to gather all the information on targets and tracks generated for the Bayesian algorithm to predict and estimate the classes of obstacles and track them at sequential frames. To do so, the data generated by Lidar sensor and camera were fused by the extended Dempster-Shafer theory. This processed was used to assign the elements of the above mentioned matrix to, simultaneously classify and tract the obstacles in each frame. The simulation results of detecting obstacles revealed the benefits of the proposed method in classifying and tracking the obstacles. , we prepared the raw data and converted them into the probabilistic format to be used in the data fusion algorithms. We studied Lidar and camera raw data fusion layer and examined the process of deriving a hypothesis.