Анализ проблем детекции объектов в системах автономного вождения на основе радарных данных

Обложка


Цитировать

Полный текст

Аннотация

Обоснование. Современные системы автономного вождения предъявляют высокие требования к качеству детекции и классификации объектов в окружающем пространстве. Радарные системы благодаря устойчивости к неблагоприятным погодным условиям и возможности измерения скорости занимают важное место среди систем обнаружения объектов и препятствий, применяемых в автономных транспортных средствах. Однако работа таких систем может быть затруднена различными техническими проблемами, связанными с шумами, некорректной классификацией и ошибками в определении характеристик объектов.

Цель работы — выявление и анализ ключевых проблем детекции и классификации объектов на основе радарных данных, а также оценка их влияния на безопасность и эффективность работы систем автономного вождения.

Материалы и методы. В работе проведён экспериментальный сбор данных в условиях городского движения с использованием автомобильного радара ARS 408. Для анализа и обработки данных использовались современные программные средства, включая Robot Operating System (ROS). В исследовании применялись метрики оценки качества детекции, такие как IoU, Precision, Recall и F1-score.

Результаты. В рамках исследования разработана методология анализа данных радарных систем, выявлены основные проблемы, возникающие при детекции объектов, включая влияние шумов, ошибки классификации и отклонения в определении размеров объектов. Предложены подходы к оценке качества алгоритмов детекции и проведён сравнительный анализ сходимости данных обнаружения объектов в различных условиях.

Заключение. Результаты позволяют выявить основные проблемы детекции объектов радарными системами и оценить качество текущих алгоритмов. Практическая значимость исследования заключается в анализе слабых мест систем обнаружения объектов и предоставлении данных для улучшения алгоритмов, что может повысить безопасность автономных транспортных средств.

Об авторах

Антон Дмитриевич Кузин

Московский политехнический университет; Центральный научно-исследовательский автомобильный и автомоторный институт «НАМИ»; Московский финансово-юридический университет

Автор, ответственный за переписку.
Email: anton.kuzin@nami.ru
ORCID iD: 0009-0005-3342-8526
SPIN-код: 6493-7201

инженер Центра электронных устройств

Россия, 107023, Москва, ул. Большая Семёновская, д. 38; 125438, Москва, ул. Автомоторная, д. 2; Москва

Владимир Валентинович Дебелов

Московский политехнический университет; Центральный научно-исследовательский автомобильный и автомоторный институт «НАМИ»

Email: vladimir.debelov@nami.ru
ORCID iD: 0000-0001-6050-0419
SPIN-код: 8701-7410

начальник отдела технологии программного обеспечения центра программного обеспечения

Россия, 107023, Москва, ул. Большая Семёновская, д. 38; 125438, Москва, ул. Автомоторная, д. 2

Денис Владимирович Ендачёв

Московский политехнический университет; Центральный научно-исследовательский автомобильный и автомоторный институт «НАМИ»

Email: denis.endachev@nami.ru
ORCID iD: 0000-0003-3547-7928
SPIN-код: 6514-7752

исполнительный директор по информационным и интеллектуальным системам

Россия, 107023, Москва, ул. Большая Семёновская, д. 38; 125438, Москва, ул. Автомоторная, д. 2

Список литературы

  1. Bashtannik NA. Assessment of the Impact of Weather Conditions on the Accuracy Characteristics of Radar Stations. National Association of Scientists. 2015;7(2–3):18–19. EDN: YMGPRF
  2. Bobrovskaya OP, Gavrilenko TV. Unmanned Vehicle: Approaches to Implementation, Problems. Advances in Cybernetics. 2022;3(2):86–96. doi: 10.51790/2712-9942-2022-3-2-10 EDN: WEMZQL
  3. Debelov VV, Ivanov VV, Kozlovsky VN, et al. Modeling of an electronic speed control system for a passenger car in speed maintenance and limit modes. Electronics and electrical equipment of transport. 2013;(6):2–7. EDN: RTPZM
  4. Debelov VV, Ivanov VV, Kozlovsky VN, et al. Electronic speed control system for a car in speed maintenance and limit modes. Truck. 2013;(12):19–23. EDN: RUINER
  5. Debelov VV., Endachev DV, Evgrafov VV, et al. Ways to implement vehicle motion control systems based on the development of autonomous motion technology. Safety of wheeled vehicles under operating conditions. 2017:504–512. EDN: ZFNVAZ
  6. Debelov VV. Vehicle motion control systems: A tutorial within the framework of the curriculum for the compulsory discipline: "Designs of cars with combined power plants" (B1.V.DV2). Moscow: Central Order of the Red Banner of Labor Research Automobile and Automotive Engine Institute "NAMI". 2021. EDN: JXSIMD
  7. Endachev DV, Bakhmutov SV, Evgrafov VV, et al. Electronic systems of intelligent vehicles. Mechanics of machines, mechanisms and materials. 2020;(4):5–10. doi: 10.46864/1995-0470-2020-4-53-5-10 EDN: IGEFKA
  8. Kuznetsova AA. Precision — Recall Statistical Curves for Object Detection Quality Analysis. Applied Informatics. 2020;15(6):42–57. doi: 10.37791/2687-0649-2020-15-6-42-57 EDN: VEPVNN
  9. Mikhailovsky AE, Makhov AA, Khizbullin AR. Radar Systems of an Unmanned Vehicle as a Basic Technology for Safe Autopilot. In: XXV All-Russian Postgraduate and Master's Scientific Seminar Dedicated to the Power Engineer's Day: Conference Proceedings. In 3 volumes, Kazan, December 7–8, 2021 / Edited by E.Yu. Abdullazyanov. Kazan: Kazan State Power Engineering University. 2022;1:242–244. EDN: GYLYBY
  10. Mukhortov MV, Evgrafov VV. Real-time road marking recognition algorithm for embedded systems. Proceedings of NAMI. 2019;(1):45–54. EDN: CWEPPN
  11. Barbanera F, Dezaniciancaglini M, Deliguoro U. Intersection and union types: syntax and semantics. Information and Computation. 1995;119(2):202–230. doi: 10.1006/inco.1995.1086
  12. Feng D, Haase-Schutz Ch, Rosenbaum L., et al. Deep Multi-Modal Object Detection and Semantic Segmentation for Autonomous Driving: Datasets, Methods, and Challenges. In: IEEE Transactions on Intelligent Transportation Systems. 2020;22(3):1341–1360. doi: 10.1109/TITS.2020.2972974
  13. Standardized ARS Interface Technical documentation [internet] github.com: [accessed: 06/07/2024] Available from: https://github.com/lf2653/myrepository/blob/master/documentation/Short-Description_2017_07_09-06_ARS404-21%2BARS408-21_en_V1.06.pdf
  14. How do drones drive and are they as reliable as they say [internet] trends.rbc.ru: [accessed: 05/29/2024] Available from: https://trends.rbc.ru/trends/industry/5e54e8019a7947f8ae1d65b1?from=copy
  15. Radar part 1 [internet] cirspb.ru: (date of access: 08.06.2024)https://cirspb.ru/blog/info-navigation/radiolokacija1/

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Пример карты автономного движения: 1 — данные с лидара; 2 — данные с радара в виде объектов.

Скачать (192KB)
Метаданные
3. Рис. 2. Пример временного ряда объекта со стабильной детекцией объекта.

Скачать (163KB)
Метаданные
4. Рис. 3. Пример временного ряда объекта с нестабильной детекцией объекта.

Скачать (143KB)
Метаданные
5. Рис. 4. Примеры некорректной классификации и неверного определения размеров объектов: a — пример обнаружения объектов в RViz ROS2; b — иллюстративный пример неверной детекции; 1 — ошибочная классификация бордюра в качестве автомобиля; 2 — ошибочная классификация бордюра в качестве мотоцикла; 3 — ошибочная классификация дорожного знака в качестве автомобиля; 4 — зона сканирования радара.

Скачать (184KB)
Метаданные
6. Рис. 5. Пример поведения беспилотной транспортной системы при некорректном обнаружении объектов радаром: 1 — ложный манёвр объезда препятствия автономного транспорта; 2 — размер объекта по размеченным данным; 3 — размер объекта по радарным данным.

Скачать (208KB)
Метаданные
7. Рис. 6. Пример пространственного сканирования в объектовом режиме: a — система координат, в которых сканирует радар; b — волновой график силы сигнала RCS; 1, 2 и 3 — сигналы сканирования с первого, второго и третьего временных шагов; c — пример формирования объекта в объектовом режиме радара.

Скачать (226KB)
Метаданные
8. Рис. 7. Пример расчёта меры перекрытия: a — пример обнаружения автомобиля на радарных данных; 1 — положение объекта по данным с радара; 2 — положение объект на размеченных данных; b — вычисление пересечения над объединением (Intersection over Union) между ограничивающими рамками.

Скачать (192KB)
Метаданные
9. Рис. 8. График зависимости Precision и Recall от временного шага: Precision — метрика, определяющая количество истинно положительных исходов из всего набора положительных меток; Recall — метрика, определяющая количество истинно положительных среди всего меток класса, которые были определены как «положительный».

Скачать (240KB)
Метаданные

© Эко-Вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».