ИСПОЛЬЗОВАНИЕ АВТОНОМНОЙ НАВИГАЦИОННОЙ СИСТЕМЫ GPS И КОМПЬЮТЕРНОЕ ЗРЕНИЕ ДЛЯ СОВРЕМЕННОГО ДОРОЖНОГО ДВИЖЕНИЯ

АННОТАЦИЯ

В этой статье был проведен обзор глобальной системы позиционирования (GPS) и навигационной системы на основе компьютерного зрения, и был обнаружен большой разрыв между фактическими потребностями в навигации и тем, что существует в настоящее время. Поэтому в предлагаемом исследовании обсуждается новая структура автономной навигационной системы, которая использует GPS, а также компьютерное зрение с учетом тематического исследования современной системы дорожного движения. Предложена аналитическая модель, в которой данные с географической привязкой из GPS интегрируются с сигналами, полученными от визуальных датчиков, как предполагается, для реализации этой концепции.

ABSTRACT

This paper reviewed the global positioning system (GPS) and computer vision based navigation system and found a large gap between actual navigation needs and what currently exists. Therefore, the proposed study discusses a new structure for an autonomous navigation system that uses GPS as well as computer vision, given the case study of the modern traffic system. An analytical model is proposed in which georeferenced data from GPS is integrated with signals received from visual sensors, as expected to implement this concept.

Ключевые слова: Навигационная система, GPS, компьютерное зрение, дорожное движение.

Keywords: Navigation system, GPS, computer vision, road traffic.

Введение

В густонаселенных городах мира люди могут ежегодно терять до 164 часов стоя в пробках. В Казахстане тоже присутствует такая проблема с заторами, особенно в больших городах как Алматы и Нур-Султан. В данный момент в этих двух городах уже который год пытаются решить вопрос с пробками через увеличение полосы проезжей части, увеличением времени светофоров для более предпочтительных улиц. Тем самым еще больше перегружая улицы. В городе Нур-Султан еще в 2014 году начинали вводить «умные светофоры», а в Алматы они начали появляться к 2020 году. Но в обоих городах это не снизило поток машин на главных улицах города.

Таким образом, устойчивость  городского транспорта является серьезной проблемой, и ее значение будет только расти. На сегодняшний день наблюдается тенденция интенсивного развития крупных городов Казахстана, что характеризуется ростом площади городов, притоком рабочей силы и приростом городского населения. Развитие городов приводит к увеличению радиуса деловых и культурных поездок жителей крупных городов, расстояний поездок и, как следствие, времени, затрачиваемого на поездку. В следствии этого, в крупных городах Казахстана имеют место быть проблемы организации дорожного движения. Вышеуказанное определяет актуальность и практическую необходимость настоящего исследования, которое посвящено изучению, исследованию, решению транспортных проблем в городе Алматы, а улучшение управления транспортными потоками позволит применить опыт и в других регионах страны.

Как работают умные светофоры? Принцип работы «умного светофора» достаточно прост. Сюда входит: навигационная служба (GPS, ГЛОНАС), камеры видеонаблюдения, сервера, и датчики. Но на сколько эффективна работа умных светофоров? Можем ли мы улучшить и модернизировать работу навигационных служб для более быстрого получение данных и их обработки? Ответ - да. Далее мы рассмотрим основные проблемы навигационных систем и их решение. Также будет предложена новая модель ИТС (Интеллектуальной транспортной системы), при которой мы сможем наблюдать улучшенную обработку и передачу данных.

1. Насущные проблемы навигационных служб

По сути, навигационную систему можно рассматривать как сложный вычислительный механизм, облегчающий предоставление навигационных услуг [1]. Типичная навигационная система состоит из географической информации в виде карты, которая предлагает удобный формат чтения географических данных, часто в виде текста. Они также могут использовать различные формы датчиков и другие источники информации, собираемой различными способами. В настоящее время они используются для рекомендации подходящего направления маршрутов для транспортных средств, на которых установлено навигационное устройство. Существуют различные формы навигационной системы, а именно: навигация в глубоком космосе, роботизированное картографирование, инерциальная навигационная система, хирургическая навигационная система (используется в медицинском секторе), спутниковая навигационная система и автомобильная навигационная система [2], [3]. Из всех форм навигационной системы глобальная система позиционирования (GPS) является наиболее распространенным способом среди глобальных пользователей. GPS использует механизм радионавигации, который предоставляет информацию о времени и географическом местоположении приемнику GPS из любой точки земли. Существуют различные причины для более широкого технического внедрения GPS, поскольку он полностью независим от любых данных, передаваемых пользователем, и может работать самостоятельно [4]. У него нет даже зависимости от приема Интернета или каких-либо телефонных услуг, чтобы функционировать, хотя использование этих услуг обеспечивает большую точность навигации. Типичное применение навигационных услуг на основе GPS делает упор на гражданских лицах, учет времени, связь и военные приложения [5]. Однако существуют определенные проблемы, связанные с использованием GPS, т.е.; 1) он не способен отслеживать состояние транспортного средства или объекта, где он находится в качестве приемника, 2) он часто сталкивается с проблемами отключения из-за ослабления сигнала, 3) он часто сталкивается проблемы с отклонениями изменяются в режиме реального времени, и 4) информация, полученная из него, не всегда точна [6]. В связи с этим были проведены различные исследовательские работы по преодолению этих проблем; однако проблема наследия остается более или менее неизменной. Следовательно, GPS часто используется при интеграции инерциальной навигационной системы [7]. Тем не менее, во всем этом по-прежнему есть проблемы. Наряду с этим соображением необходимо также признать, что современная система связи в системе дорожного движения также претерпевает революцию. Концепции автомобильной специальной сети с интеграцией интернета вещей в настоящее время являются будущим современной системы дорожного движения [8]. В этой системе встроенное устройство, называемое бортовыми устройствами, находится в транспортном средстве, которое взаимодействует с точкой доступа, называемой придорожным устройством на дороге, и обеспечивает распределенную автомобильную систему связи. Поскольку бортовые устройства также подключены к информационно-развлекательной системе, которая имеет доступ к навигационной системе на основе GPS, существует большая вероятность того, что может быть разработана автономная и беспроводная навигационная система, которая действительно сможет намного лучше управлять навигацией. Кроме того, уже есть IP-камера наблюдения, которая установлена на дороге. Если эти камеры наблюдения заменяются экономичными визуальными датчиками, чем новая форма навигационной системы, использующей компьютерное зрение. Существует большая вероятность того, что использование компьютерного зрения может предоставить более точную информацию о мобильном объекте, т.е. транспортном средстве, которое может быть интегрировано с данными GPS для обеспечения более точной навигационной системы.

Помимо подхода, основанного на GPS, в современной литературе также используется автономный метод для навигационной системы. В этом подходе было засвидетельствовано использование компьютерного зрения. Работа, проведенная Донгом и др. [9], разработала навигационную систему на основе информации, полученной от датчиков, встроенных в смартфон. Этот метод разрабатывает трехмерную навигационную модель для внутреннего пространства. Установлено, что исследование обеспечивает почти мгновенную локализацию пользователя с меньшей ошибкой. Аппаратные эксперименты с использованием аналогичного подхода навигационной системы с использованием компьютерного зрения засвидетельствованы в работе Лентариса и др. [10]. Авторы использовали полевую программируемую матрицу вентилей (FPGA) с высоко настраиваемым дизайном, где результат показывает значительно меньшее количество ошибок. В работе, проведенной Мансаниллой и др. [11], также использовалось компьютерное зрение для выполнения навигации системы беспилотных транспортных средств. Авторы использовали фильтр Калмана для улучшения оценки позирование с использованием экспериментальной модели робототехники. Существуют различные сопутствующие исследования, в которых компьютерное зрение использовалось для навигационных приложений [12]-[20]. Далее обсуждаются выявленные исследовательские проблемы, которые еще не были решены.

Выявленная исследовательская проблема была изучена после рассмотрения существующих подходов с использованием GPS, а также подхода компьютерного зрения. В этом разделе освещаются открытые исследовательские проблемы, связанные с навигационным фактором: 1) нет исследовательской работы по рассмотрению дефектов механизма устройства, которое выполняет систему INS; 2) нет такой литературы, использующей данные с географической привязкой для другого формата данных, отличных от GPS; 3) существующие методы предлагают ограничения, поскольку объем алгоритмов ограничен только представленным сценарием, а также набором данных.; 4) существующие подходы компьютерного зрения фактически неприменимы в современной транспортной системе; и 5) отсутствует какая-либо стандартная навигационная система, использующая GPS или компьютерное зрение. Поэтому, рассмотрев вышеупомянутые открытые исследовательские вопросы, предлагаемая система формулирует проблему следующим образом: “сложно разработать экономически эффективную и эффективную навигационную систему путем совместного внедрения GPS и компьютерного зрения”. Далее обсуждается предлагаемое решение и принятые им методологии.

Настоящая реализация представляет собой усовершенствованную версию, в которой разработана и разработана новая модель системы для оказания помощи в навигационной системе современного дорожного движения. В предлагаемой системе представлена аналитическая модель, направленная на. После рассмотрения существующих подходов, связанных с навигационной системой, было установлено, что GPS в значительной степени является неотъемлемой частью механизма. В то же время важно знать, что доступность данных GPS не всегда гарантируется. Таким образом, предлагаемая система включает дополнительные данные, которые представляют собой визуальные сигналы, полученные от визуального датчика, размещенного в определенных местах движения. На рисунке 1 показано пересечение 4 полос движения, которое оснащено визуальными датчиками, размещенными на придорожных блоках. Учитывая, что на дороге работает интеллектуальная автомобильная сеть, это будет означать, что бортовые устройства всех транспортных средств подключены к придорожным устройствам, а все 4 придорожных устройства подключены к централизованному транспортному шлюзу в конце.

В исследовании предполагается, что система транспортных шлюзов отвечает за три операции, а именно: 1) прием данных, сгенерированных блоками на обочине дороги, 2) применение алгоритма к данным для определения количества транспортных средств, движущихся по каждой полосе, их соответствующего положения и их направления, и 3) передача результатов в блоки на обочине дороги. Устройства на обочине дороги дополнительно передают данные своему транспортному средству в пределах диапазона, и им будет предложен новый навигационный сценарий.

Рисунок 1. UML-диаграмма построения модели навигационной службы

Рисунок 2. Наглядная схема предлагаемой модели

Водители могут маневрировать своими транспортными средствами с помощью этой информации. Следовательно, с этой точки зрения необходимо соблюдать две вещи, а именно: 1) точность в позиционирование и 2) более быстрая передача навигационных отфильтрованных данных. Такой подход к навигации никогда не применялся в прошлом, и, следовательно, он способствует созданию новой экономически эффективной навигационной системы для футуристической транспортной системы. Этот алгоритм также предлагает двойное преимущество, а именно: 1) размер данных еще больше уменьшается, так как характеристики сигнала больше уменьшаются по сравнению с исходным сигналом, 2) он предлагает более точную информацию, которая может сузить поиск для лучшей навигации. Окончательный алгоритм отвечает за дальнейшее отслеживание всех объектов, выполняющих мобильность. Этот алгоритм предлагает следующее преимущество, а именно: 1) он может выполнять отслеживание потоковых данных и, следовательно, результат почти мгновенный, 2) он может отслеживать все объекты, присутствующие на сцене, в статическом или мобильном состоянии, и 3) он может предложить точный подсчет транспортных средств, присутствующих на сцене, чтобы лучше понять процесс принятия решений. Следовательно, в предлагаемом алгоритме нет такого включения какого-либо сложного, трудоемкого и итеративного процесса. Таким образом, представлено экономически эффективное решение для навигационной системы путем объединения GPS и компьютерного зрения.

2. Алгоритм для извлечения сигнала с уменьшенной размерностью

Прежде чем обсуждать этот алгоритм, необходимо указать, что этот алгоритм работает в предположении, что существуют визуальные датчики, которые основаны на различных положениях движения. Сигналы, которые снимаются с визуальных датчиков с определенной интервальной скоростью, передаются в систему шлюза трафика, которая запускает предложенный алгоритм. Это будет означать, что предлагаемый алгоритм реализован поверх данных о трафике, полученных в системе шлюза трафика. Данные о трафике в конечном итоге растут с течением времени и, следовательно, становятся чрезвычайно сложными для обработки. Для принятия эффективного решения для навигационной системы требуется, чтобы данные были четкими и не избыточными, что обеспечит точное и быстрое принятие решения об эффективном исследовании маршрута. В исследовании учитывается, что эти сигналы, генерируемые визуальными датчиками, помечаются информацией на основе GPS как часть гео-привязки. По этой причине сигнал становится довольно тяжелым, и перед обработкой требуется минимизировать размер сигнала. Следовательно, основной целью этого алгоритма является извлечение, обработка и уменьшение полученного сигнала трафика, чтобы сделать его пригодным для дальнейшей обработки. Алгоритм принимает входные данные визуального датчика d от системы шлюза трафика и извлекает информацию, связанную с количеством трафика Tn и положением трафика T_p (строка-1). Эта информация (T_nT_p) называется метаданными с географической привязкой. Объект трафика местоположения T_loc создается после считывания этих метаданных (строка-3). Аналогичным образом алгоритм извлекает информацию, связанную с потоковыми данными, из шлюза, используя T_n1 и T_p1, и создает объект местоположения T_loc1 (строка-4). Алгоритм выполняет точную настройку определенных свойств, указывая диапазон тестового сигнала test_signal, полученного из T_loc, с учетом определенного количества сигналов (nsignal) (строка-6). Для квантования сигнала алгоритм учитывает сигнал тестового сигнала (строка-7) и выполняет дальнейший процесс вычисления. Сигнал sig получается после считывания оцифрованного сигнала, извлеченного из T_loc (строка-8), а затем он дополнительно подвергается функции изменения размера f(x) для сигнала sig2, полученного с предыдущего шага (строка-9). Помимо этого, функция f(x) также осуществляет управление размером, и поэтому размер получаемого сигнала уменьшается. Наконец, полученный сигнал относительно потоковых данных трафика T_loc1 перезаписывается поверх уменьшенного сигнала трафика sig (строка-10). Обработка этого алгоритма в конечном итоге приводит к выходному сигналу O_sig (Line-10), размер которого значительно уменьшается. Чтобы выделить технологический процесс предлагаемого алгоритма. Шагами алгоритма являются:

Input: d (данные визуального датчика)

Output: O_sig (выходной сигнал)

Start

1. For i=1: d
2. [T_nT_p]=obtain(i)
3. T_loc ß [T_nT_p]
4. L_obj à read (T_loc)
5. L_obj à read (T_loc1)| T_loc à f(i)
6. Test signal = T_loc (nsignal)
7. For j=1 : T_signal
8. Sig1 = read(T_loc,j)
9. Sig2 = f(sig1)
10. O_sig à (T_loc1, sig2)
11. End
12. End

End

Вклад этого алгоритма заключается в следующем: 1) он помогает в уменьшении размеров, что удобно для передачи по сети, 2) он инициирует надлежащий механизм индексации в отношении количества транспортных средств и их соответствующего местоположения, и 3) он свободен от какой-либо неоднозначной обработки, поскольку вся информация сохраняется в виде матрицы.

3. Численный результат исследования

Численный результат предлагаемого исследования оценивается по двум параметрам производительности, т.е. 1) точности и 2) среднему времени обработки. Результаты, обсуждаемые здесь, получены после тестирования со всеми 5 наборами данных и получения их среднего значения. Кроме того, результаты исследования сравниваются с расширенным фильтром Калмана, который, как сообщается, широко используется в существующей системе навигационной системы.

Из рисунка 4 видно, что предлагаемая система обеспечивает лучшую точность определения местоположения в отличие от существующего фильтра Калмана. Обоснование этого результата заключается в том, что в основном расширенный фильтр Калмана может выполнять оптимальную оценку, если в данных, полученных со сцены, присутствует нелинейность. Таким образом, нет никакой разницы в работе расширенного фильтра Калмана с его устаревшей версией, если существует модель линейного перехода состояния. Предлагаемая система обеспечивает точность 95,21%, в то время как существующая система обеспечивает точность 82,368%. Это не относится к большинству практических приложений для дорожного движения.

Из рисунка 5 видно, что предлагаемая система обеспечивает значительно меньшее время обработки по сравнению с расширенным фильтром Калмана. Невключение какой-либо итеративной операции и правильное индексирование сцены (транспортного средства) приводит к более быстрому подсчету транспортных средств, их отслеживанию и изучению альтернативных маршрутов. Однако расширенный фильтр Калмана обеспечивает высокую итеративность работы, что может привести к затрате времени. Предлагаемая система занимает всего 0,0401 секунды, в то время как существующая система занимает 0,7498 секунды для обработки.

Заключение

В этой статье представлен новый подход к современной навигационной системе, в которой используется совместная реализация GPS и компьютерного зрения. Для этой цели разработана аналитическая модель, в которой в качестве входных данных используются сигналы, поступающие от визуальных датчиков. В исследовании учитывалось, что эти сигналы привязаны к географической привязке с использованием данных GPS, которые затем автономно передаются от транспортного средства к системе шлюза трафика, где предполагается развернуть предлагаемый алгоритм. Разрабатываемый алгоритм будет выполнят последовательные этапы работы для обработки сигнала, приводящего к результату мгновенного захвата трафика по сцене. Вклад предлагаемой системы заключается в следующем: 1) предлагаемая система представляет собой вычислительную модель, которая может быть применима для любой формы визуально захваченных сигналов, 2) алгоритм не является итеративным и, следовательно, он быстрее и прогрессивнее в своей работе, что приводит к повышению эффективности затрат, 3) установлено, что модель обеспечивает увеличение точности примерно на 12% по сравнению с часто применяемым фильтром Калмана и 2) модель обеспечивает более быстрое время обработки, где улучшение примерно на 70% лучше, чем существующий подход. Будущая работа будет продолжена в направлении достижения дальнейших подходов, основанных на оптимизации, чтобы предложить больше улучшений с учетом новых задач.

Cписок литературы:

1. R. B. Rustamov, S. Hasanova, and M. H. Zeynalova, "Multi-purposeful application of geospatial data," IntechOpen, 2018, doi: 10.5772/intechopen.69713.
2. A. Hussain, H. Magsi, A. Ahmed, H. Hussain, Z. H. Khand, and F Akhtar, "The effects of using variable lengths for degraded signal acquisition in GPS receivers," International Journal of Electrical and Computer Engineering (IJECE), vol. 11, no. 4, pp. 3201-3211, 2021, doi: 10.11591/ijece.v11i4.pp3201-3211.
3. A. A. Solyman and I. A. Elhaty, "Potential key challenges for terahertz communication systems," International Journal of Electrical and Computer Engineering (IJECE), vol. 11, no. 4, pp. 3403-3409, 2021, doi: 10.11591/ijece.v11i4.pp3403-3409.
4. D. U. Sanli, "Accuracy of GNSS Methods," IntechOpen, 2019, doi: 10.5772/intechopen.75424.
5. M. Golio and J. Golio, "RF and microwave applications and systems," CRC Press, 2008.
6. N. M. Vani and S. Banu, "Evaluation of GPS data for navigational solution and error reduction using kalman filter," 2018 International Conference on Design Innovations for 3Cs Compute Communicate Control (ICDI3C), Bangalore, 2018, pp. 12-17, doi: 10.1109/ICDI3C.2018.00012.
7. M. L. Cherif, J. Leclère and R. J. Landry, "Loosely coupled GPS/INS integration with snap to road for low-cost land vehicle navigation: EKF-STR for low-cost applications," 2018 IEEE/ION Position, Location and Navigation Symposium (PLANS), 2018, pp. 275-282, doi: 10.1109/PLANS.2018.8373391.
8. H. Ko, B. Kim and S. Kong, "GNSS multipath-resistant cooperative navigation in urban vehicular networks," in IEEE Transactions on Vehicular Technology, vol. 64, no. 12, pp. 5450-5463, Dec. 2015, doi: 10.1109/TVT.2015.2481509.
9. J. Dong, M. Noreikis, Y. Xiao and A. Ylä-Jääski, "ViNav: a vision-based indoor navigation system for smartphones," in IEEE Transactions on Mobile Computing, vol. 18, no. 6, pp. 1461-1475, Jun. 2019, doi: 10.1109/TMC.2018.2857772.
10. G. Lentaris, I. Stratakos, I. Stamoulias, D. Soudris, M. Lourakis and X. Zabulis, "High-performance vision-based navigation on SoC FPGA for spacecraft proximity operations," in IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, no. 4, pp. 1188-1202, Apr. 2020, doi: 10.1109/TCSVT.2019.2900802.
11. A. Manzanilla, S. Reyes, M. Garcia, D. Mercado, and R. Lozano, "Autonomous navigation for unmanned underwater vehicles: real-time experiments using computer vision," in IEEE Robotics and Automation Letters, vol. 4, no. 2, pp. 1351-1356, Apr. 2019, doi: 10.1109/LRA.2019.2895272.
12. L. Zhang, Z. Zhai, L. He and W. Niu, "Infrared-based autonomous navigation for civil aircraft precision approach and landing," in IEEE Access, vol. 7, pp. 28684-28695, 2019, doi: 10.1109/ACCESS.2019.2893062.
13. R. P. Padhy, F. Xia, S. K. Choudhury, P. K. Sa, and S. Bakshi, "Monocular vision aided autonomous UAV navigation in indoor corridor environments," in IEEE Transactions on Sustainable Computing, vol. 4, no. 1, pp. 96-108, 1 Jan.-Mar. 2019, doi: 10.1109/TSUSC.2018.2810952.
14. C. Lee and D. Kim, "Visual homing navigation with haar-like features in the snapshot," in IEEE Access, vol. 6, pp. 33666-33681, 2018, doi: 10.1109/ACCESS.2018.2842679.
15. H. Xiong, Z. Mai, J. Tang and F. He, "Robust GPS/INS/DVL navigation and positioning method using adaptive federated strong tracking filter based on weighted least square principle," in IEEE Access, vol. 7, pp. 26168-26178, 2019, doi: 10.1109/ACCESS.2019.2897222.
16. L. Cheng, B. Song, Y. Dai, H. Wu, and Y. Chen, "Mobile robot indoor dual kalman filter localisation based on inertial measurement and stereo vision," in CAAI Transactions on Intelligence Technology, vol. 2, no. 4, pp. 173-181, 2017, doi: 10.1049/trit.2017.0025.
17. R. Prabha and M. G. Kabadi, "KNODET: a framework to mine gps data for intelligent transportation systems at traffic signals," 2017 International Conference on Recent Advances in Electronics and Communication Technology (ICRAECT), 2017, pp. 85-89, doi: 10.1109/ICRAECT.2017.58.
18. Z. Zhu and C. Taylor, "Conservative uncertainty estimation in map-based vision-aided navigation," in IEEE Transactions on Aerospace and Electronic Systems, vol. 53, no. 2, pp. 941-949, Apr. 2017, doi: 10.1109/TAES.2017.2667278.
19. L. Li, Q. Xu, V. Chandrasekhar, J. Lim, C. Tan and M. A. Mukawa, "A wearable virtual usher for vision-based cognitive indoor navigation," in IEEE Transactions on Cybernetics, vol. 47, no. 4, pp. 841-854, Apr. 2017, doi: 10.1109/TCYB.2016.2530407.
20. J. M. Prendergast, G. A. Formosa, and M. E. Rentschler, "A platform for developing robotic navigation strategies in a deformable, dynamic environment," in IEEE Robotics and Automation Letters, vol. 3, no. 3, pp. 2670-2677, Jul. 2018, doi: 10.1109/LRA.2018.2827168.