Phân cụm Nhanh cho Nhận Thức Hợp Tác Dựa trên Mã Hóa Lưới Động Thích Ứng LiDAR

Cognitive Computation - Trang 1-20 - 2023
Xinkai Kuang1,2, Hui Zhu1, Biao Yu1, Bichun Li1
1Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, China
2Science Island Branch, University of Science and Technology of China, Hefei, China

Tóm tắt

Nghiên cứu này giới thiệu một chiến lược được lấy cảm hứng từ hành vi hợp tác trong tự nhiên nhằm nâng cao khả năng chia sẻ thông tin giữa các phương tiện tự hành (AVs), tiến tới hệ thống giao thông thông minh. Tuy nhiên, trong bối cảnh nhiều phương tiện được trang bị cảm biến LiDAR hợp tác, dữ liệu đám mây điểm được sinh ra có thể cản trở việc nhận thức môi trường theo thời gian thực. Nghiên cứu này giả định rằng việc truyền dữ liệu là tức thời, không mất mát, và có sự chia sẻ thông tin về vị trí chính xác và đáng tin cậy giữa các phương tiện hợp tác. Dựa trên các nguyên tắc lấy cảm hứng từ con người và các kỹ thuật hình ảnh máy tính, một phương pháp đã được đề xuất để mã hóa các lưới động cho dữ liệu đám mây điểm LiDAR, phụ thuộc vào khoảng cách giữa các phương tiện. Mỗi ô lưới tương ứng với một pixel hình ảnh, tạo ra các ô nhỏ hơn cho các đám mây điểm dày và các ô lớn hơn cho các đám mây điểm thưa. Điều này duy trì số lượng gần như bằng nhau các đám mây điểm trên mỗi ô. Thêm vào đó, một phương pháp phân đoạn mặt đất được phát triển, dựa trên sự khác biệt về mật độ và độ cao của các lưới liền kề để giữ lại các điểm chướng ngại vật quan trọng. Một phương pháp phân cụm gần kề dựa trên mật độ lưới đã được đề xuất, hiệu quả phân loại các ô lưới liên kết chứa các điểm chướng ngại vật. Các thí nghiệm sử dụng hệ điều hành robot trên một máy tính tiêu chuẩn với dữ liệu công khai cho thấy thời gian xử lý nhận thức cho sáu phương tiện hợp tác chỉ là 43.217 ms. Điều này chứng minh tính hiệu quả của phương pháp của chúng tôi trong việc xử lý khối lượng lớn dữ liệu đám mây điểm LiDAR. Phân tích so sánh với ba phương pháp thay thế đã khẳng định độ chính xác và độ hồi tưởng vượt trội của phương pháp phân cụm của chúng tôi. Điều này nhấn mạnh tính vững chắc của phương pháp sinh học lấy cảm hứng cho thiết kế nhận thức hợp tác, do đó thúc đẩy việc điều hướng phương tiện một cách hiệu quả và an toàn.

Từ khóa

#LiDAR #phương tiện tự hành #nhận thức hợp tác #phân cụm #dữ liệu đám mây điểm #mã hóa lưới động

Tài liệu tham khảo

Khatab E, Onsy A, Varley M, Abouelfarag A. Vulnerable objects detection for autonomous driving: a review. Integration. 2021;78:36–48. Su Z, Hui Y, Luan TH, Liu Q, Xing R. Deep learning based autonomous driving in vehicular networks. 2020. p. 131–50. Tsukada M, Oi T, Ito A, Hirata M, Esaki H. AutoC2X: open-source software to realize V2X cooperative perception among autonomous vehicles. In: 2020 IEEE 92nd Vehicular Technology Conference (VTC2020-Fall). 2020. p. 1–6. Cui G, Zhang W, Xiao Y, Yao L, Fang Z. Cooperative perception technology of autonomous driving in the internet of vehicles environment: a review. Sensors. 2022;22(15). Xu R, Guo Y, Han X, Xia X, Xiang H, Ma J. OpenCDA: an open cooperative driving automation framework integrated with co-simulation. CoRR. abs/2107.06260. 2021. Qian C, Zhang H, Li W, Tang J, Liu H, Li B. Cooperative GNSS-RTK ambiguity resolution with GNSS, INS, and LiDAR data for connected vehicles. Remote Sens. 2020;12(6). Zeng Y, Qin H, Wang K, Li Q. A survey of LiDAR-based perception for autonomous driving: from detection to segmentation. IEEE Trans Intell Transp Syst. 2021;22(1):449–69. Yuan C, Lyu L, Sun H, Li X. LiDAR-based pedestrian detection in autonomous driving: recent advances and future research directions. IEEE Trans Intell Transp Syst. 2021;22(1):2–19. Zhang Z, Han S, Yi H, Duan F, Kang F, Sun Z, Solé-Casals J, Caiafa C. A brain-controlled vehicle system based on steady state visual evoked potentials. Cognit Comput. 2022. An Y, Shi J, Gu D, Liu Q. Visual-LiDAR SLAM based on unsupervised multi-channel deep neural networks. Cogn Comput. 2022;14(4):1496–508. Yumer E, Abdel-Qader Y. Multi-vehicle cooperative perception using LiDAR: a comprehensive review and future directions. IEEE Trans Intell Veh. 2021;6(2):164–81. Abdel-Qader Y, Yumer E. Multi-vehicle cooperative perception using LiDAR: low-level fusion, feature-level fusion, and high-level fusion. Sensors. 2021;21(6):2114. Nguyen C, de Lucas M, Dario P. Multi-vehicle cooperative perception using LiDAR-based low-level sensor fusion and graph optimization. Robot Autonom Syst. 2021;143:104235. Liu K, Huang Y, Zhao F, Wang Z. Cooperative perception for autonomous vehicles using LiDAR and V2X communication. IEEE Trans Veh Technol. 2020;69(3):2821–33. Zhang C, Zhang X, Wang B. A feature-level fusion approach for multi-vehicle cooperative perception using LiDAR and radar sensors. Sens Actuators A. 2023;324:112859. Chen Q, Zhang J, Chen R, Shen W. Multi-vehicle cooperative perception and localization based on high-level fusion of LiDAR and map data. J Adv Transport. 2022. Zhao J, Chen Q, Shen W. Multi-vehicle cooperative perception and localization based on high-level fusion of LiDAR and camera data. In: Proceedings of the 15th International Conference on Machine Vision (ICMV 2022); 2022. vol. 8934, p. 893401. Pratibha C, Kumar A, Kamboj V. Partition-based clustering for real-time processing of LiDAR point clouds in autonomous vehicles. Sensors. 2021;21(9):3083. Shang R, Ara B, Zada I, Nazir S, Ullah Z, Khan SU. Analysis of simple k-mean and parallel k-mean clustering for software products and organizational performance using education sector dataset. Sci Program. 2021;1–20:2021. Daniel K, Friedrich F. Cognitive clustering of traffic scenarios for autonomous driving. In: IEEE Transactions on Intelligent Transportation Systems, vol. 21. 2020. Liu S, Wang Y, Zhang T, Huang H. Real-time multi-LiDAR-based dynamic object detection with hierarchical clustering. IEEE Trans Intell Veh. 2021;6(2):148–58. Zhang X, Zhang L, Zhang Y, Yingjie W, Jiao L. A cognitive hierarchical clustering algorithm for object detection on autonomous driving scenes. IEEE Access. 2020;8:99216–26. Yoo S, Kim S, Kim K. A novel distance-based clustering algorithm for LiDAR point cloud in autonomous driving systems. Sensors. 2021;21(8):2896. Lin C, Yu W. Real-time obstacle detection and avoidance for autonomous vehicles using LiDAR and distance-based clustering algorithm. In: 2020 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), IEEE; 2020. p. 963–7. Ester M, Kriegel H-P, Sander J, Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. In: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, KDD’96, AAAI Press; 1996. p. 226–31. Yoon H, Jeong J, Jang M, Kim J, Lee K, Lee S. Cognitive-based cluster analysis for improving object detection performance in autonomous vehicles. IEEE Trans Intell Transp Syst. 2019;20(7):2718–30. Li S-S. An improved DBSCAN algorithm based on the neighbor similarity and fast nearest neighbor query. IEEE Access. 2020;8:47468–76. Chen W, Li C, Huang F, Liu Y, El-Sheimy N. Efficient real-time detection of pedestrians using 3D LiDAR and grid-based clustering algorithm. IEEE Trans Veh Technol. 2021;70(9):8833–43. Yang H, Wang Z, Lin L, Liang H, Huang W, Xu F. Two-layer-graph clustering for real-time 3D LiDAR point cloud segmentation. Appl Sci. 2020;10(23):11. Klasing K, Wollherr D, Buss M. A clustering method for efficient segmentation of 3D laser data. In: 2008 IEEE International Conference on Robotics and Automation. 2008. p. 4043–8. Zhu L, Zhang K, Ma L, Liu W. Cognitive inspired clustering for scene segmentation in autonomous driving. IEEE Trans Intell Transp Syst. 2019;20(2):596–606. Li Y, Zhang K, Zhu L, Liu W. A cognitive clustering algorithm for multi-layer object detection in autonomous driving. IEEE Trans Intell Transp Syst. 2019;21(4):1672–82. Rajamäki J, Mademlis I, Riekki J. A cognitive architecture for multi-vehicle cooperative perception. IEEE Trans Cognit Develop Syst. 2017;9(3):241–53. Hurl B, Cohen R, Czarnecki K, Waslander S. TruPercept: trust modelling for autonomous vehicle cooperative perception from synthetic data. In: 2020 IEEE Intelligent Vehicles Symposium (IV). 2020. p. 341–7. Duan X, Jiang H, Tian D, Zou T, Zhou J, Cao Y. V2I based environment perception for autonomous vehicles at intersections. China Commun. 2021;18(7):1–12. Chen Q, Tang S, Hochstetler J, Guo J, Li Y, Xiong J, Yang Q, Fu S. Low-latency high-level data sharing for connected and autonomous vehicular networks. In: 2019 IEEE International Conference on Industrial Internet (ICII). 2019. p. 287–96. Metzner A, Wickramarathne T. Exploiting vehicle-to-vehicle communications for enhanced situational awareness. In: 2019 IEEE Conference on Cognitive and Computational Aspects of Situation Management (CogSIMA). 2019. p. 88–92. Xu R, Xiang H, Xia X, Han X, Liu J, Ma J. OPV2V: an open benchmark dataset and fusion pipeline for perception with vehicle-to-vehicle communication. CoRR. abs/2109.07644. 2021. Ma Y, Liu Y, Dai M, Yang Y. A LiDAR based height difference threshold segmentation method for ground extraction in autonomous driving. Sensors. 2021;21(7):2569. Guo H, Wang Y, Mao K, Li T, Zhou J, Mao J. Ground feature extraction from LiDAR data using height difference threshold segmentation. Remote Sens Lett. 2022;13(4):382–90. Li C, Zhang X, Zhao Q, Tong X. Improved height difference threshold segmentation method for LiDAR-based ground extraction. Remote Sens. 2023;15(2):389. Shen Z, Liang H, Lin L, Wang Z, Huang W, Yu J. Fast ground segmentation for 3D LiDAR point cloud based on jump-convolution-process. Remote Sens. 2021;13(16). Grubbs FE. Procedures for detecting outlying observations in samples. Technometrics. 1969;11(1):1–21.
Thông tin
Thông tin xuất bản

Cognitive Computation

1-20

Thông tin tác giả