一个创新的自主和半自治性的汽车通信框架:一个环境感知的视角

文摘

自主车辆配备多个传感器,允许道路环境的感知。然而,总会有挑战的测量准确性,路上驾驶的动力学条件,延长感知可用性。车辆通信技术已经被广泛地研究,经核准标准IEEE 802.11便士。因此,沟通可以帮助扩大自主车辆的感知是否使用正确的信息传输机制。事实上,本文提出了一种新颖的和创新的设计,使车辆延长他们的知觉通过交换的数据包数量低于所需的实际感知和评估环境。首先,我们提出一个新颖的MAC层与IEEE 802.11便士标准兼容,允许车辆恢复额外的知觉力的区域环境他们收到新的数据包。其次,我们证明这种方法会导致一个更好的通信信道的利用率和可接受的感知环境的准确性,而传输的完整信息。

1。介绍

它是预测,到2025年,无人驾驶汽车将进入一些市场在北美和其他发达国家1]。自动汽车的存在,不可能完全代替人类驾驶汽车的当前模型,特别是在环境中缺乏适当的交通基础设施。每个自主车必须主要依靠其组传感器来获得对环境的感知。常见的传感器包括相机、liadars和雷达。它也许是安全的考虑这些传感器可靠;然而,自动汽车应该利用所有可访问信息周围的环境以保证安全。因此,扩展认知的概念。

续集,扩展的感觉是知觉的交换信息从一个车到另一个(假设其他车辆没有获得确切的信息虽然这可能)。延长感知可以给车辆带来全新的信息如在关注一个新对象在路上,或者可以提高当前信息通过提供相同的信息有更好的精度检测、定位、或决议。一个例子是提供更好的本地化使用立体匹配的对象。图1提供了一个示例,roadsign车辆具有良好的认知,而其他汽车标志的看法是不完整的。在这个例子中,车辆可以将信息传输到其他车辆提供扩展的知觉。

使用车辆的自动车辆能够交换信息通信技术。目前的标准允许车辆在5.9 GHz频段频率交换消息。然而,有两个使用的障碍专用短程通信(DSRC)光谱(2,3]。首先,信道容量是有限的,因此,数据包碰撞的数量会很大,导致通道堵塞在某些情况下(4,5]。第二,感官信息的数量很大,因此,它肯定会导致堵塞洪水通信通道的所有感官信息(6]。因此,优化数据采集与通讯技术的限制是必要的。这必须与一个创新执行信道拥塞避免和环境感知方法。

在本文中,我们提出一种扩展认知计划,允许车辆的道路环境和交换信息与他们的相邻车辆。我们专注于提供最好的其他车辆传感信息传输的数据包数量,允许操作的通信通道无堵塞。此外,每辆车已经感觉环境的传感器,和额外的信息可以用于扩大每辆车的感应能力。

在本文中,我们假设扩展认知是必需的。我们不讨论分析场景中车辆信息的环境,然后将其理解虽然这是可能的。然而,我们假设扩展认知可以用于不同的应用,如定位、避碰和导航。此外,由于车辆的动态环境中,可以生成场景扩展感知可能是有用的,或者根本不帮助。

本文的其余部分组织如下:部分3描述了系统模型包括传动方案和目标检测方案。部分4显示了该方案的性能评估。部分5总结了纸。

2.1。车辆通信网络

在移动网络,传感器可以无处不在,车载传感器网络(VSN)是一个明显的例子的移动传感器网络(MSN)。车载通信系统(4)和遥感服务(6)是主要的框架内VSN作品。首先,车辆通信技术提供了一个为不同的应用程序,包括加强道路安全、车辆定位、交通监控、交通管理、多媒体流和数据收集。大多数的这些应用程序需要车辆作为传感器,因此VSN名称。

VSN是车载网络,传感器连接到车辆的环境意识和感知到的数据传输到数据中心或目标车辆进行处理。有一些严重的项目,专注于工业VSN的实现。然而,大多数现有的项目关注V2V和V2I通信模式根据标准的IEEE 802.11 p波协议栈2,3]。除了几个网络管理和安全层,波包括IEEE 802.11便士在MAC层和1609.4多通道协调层(2假设车辆广播信标的专用控制信道(CCH)每100毫秒,可以交流在6服务渠道(原理图)的许可带DSRC频谱。

DSRC-operated网络提高了这方面的意识,提供了通信的车辆不包括骑自行车和行人车辆的网络。因此,一个有效的车载通信系统必须包括non-DSRC-operated车载网络中的元素。D2D通信提供一个合适的交流平台填写车辆之间的差距,行人和骑自行车的人。然而,在这样一个多重挑战D2D通信系统存在的准确定位等无线终端,可靠,对延迟敏感通信、多波段操作,节能的智能手机。

2.2。机器学习对象检测

在视觉处理深度学习的兴起之前,一个著名的机器学习技术,已经被用于检测车辆Haar-like级联探测器与演算法(7]。算法非常快,因为它处理图像的积分,并通过演算法学习过程选择少量的关键特性。此外,级联过程试图抛弃背景区域的图像和更多关注对象图像的候选区域。该算法已被用于检测汽车在加油站8至少)的检出率和错误检测率。

类似的分类器提出了使用垂直和水平下的阴影边缘和车辆提供一个粗略的估计车辆的图像(9]。之后,检测过程包括面向的柱状图的梯度(猪)转换和一个演算法分类器来优化车辆检测和消除背景。他们也用哈里斯角落检测估计跟踪和检测到车辆移动的距离。在[10),显示了级联探测器探测到前方驾驶汽车和司机的脸驻留在后面车与眼睛位置等细节。在[11),级联分类器使用类似于(12]。作者建议等预处理的数据比对的汽车和提供数据库中的每个图像的变化。

还有其他的级联分类器以外的目标检测算法。与时态的区别是一位精明的边缘检测器用于检测车辆在13]。结果表明,多个车辆可以在一帧中发现作为一个段,这通常是不可取的。一个优秀的检测方案是使用面向梯度直方图,对变形部分原因模型匹配算法,歧视与潜在的学习支持向量机(SVM) [14]。它展示了出色的检出率为车辆、行人、和多个对象,但它不是慢得多比级联探测器与整体形象和演算法(7]。在[15),一个强大的基于客户端-服务器roadsign探测器互相关使用,取得了良好的信号检测和估计的速度驾驶汽车。

最近的突破深层神经网络导致优秀的结果分类图像中使用卷积神经网络(CNN) [16,17介绍基于区域),在图像中检测对象使用卷积神经网络(R-CNN) [18]。深层神经网络的训练需要大量的计算。这种网络目前的运行需要大量的计算。在[19),提出快速RNN CPU运行时间是2秒,但运行速度每秒17帧GPU。

3所示。系统模型

我们考虑车辆操作根据IEEE 802.11便士标准(3]。每辆车有一个无线电接口和CCH运作。CCH用作传输任何新的安全信息的来源。每辆车获得它的位置通过GPS设备每100毫秒。车辆操作扩展到多个通道,nonsafety信息传播。假设在MAC层帧的数量N,有一个虚拟super-frame。super-frame期间,米样品是随机选择的NMAC层和传输传输是不活动的。这种机制可以被认为是降低传输速率的方法。理想情况下,传输频率减少为了送一个小的数据包数量减少通信信道拥塞。同样,可以认为该方法是一种拥塞避免的方法。在每个数据包,我们发送当前信息和随机编码的一些以前的信息。

3.1。网络传播模型

让是实际图像大小我。此外,定义是一个向量,在时间我。在这里,是一堆图像的列如图2。我们假设车辆捕获图像在一个特定的帧速率产生的间隔时间我,),帧率的倒数。

我们假设一个图像或者是向量(我们使用的词语形象或向量来引用可以互换,因为它包含相同的信息在图像)可以代表离散余弦变换(DCT)域和相应的向量将稀疏。这很正常,因为图像可以用DCT系数最高或傅里叶域中。因此,图像可以表示为 ,在哪里代表的基础是稀疏的。

认为每个图像捕获摄像头的自主车,然后,才传播到邻近车辆,每个图像乘以另一个矩阵: 在哪里是一个采样矩阵的大小( )和下标我表示的向量米线性组合的测量时间我对应的向量。采样矩阵, ,减少传播捕获图像向量的维数大小N来米。这是见图3。

这是至关重要的持有,c是一个常数,为了捕获的图像与高概率[恢复20.,21]。减少图像可以在稀疏域表示

在续集中,我们认为米和矩阵由于满足稀疏恢复问题不连贯的测量和限制等距性质(RIP)。也就是说,矩阵满足(RIP),那里是一个常数δ这样

换句话说,测量应满足的数量在哪里c是一个常数(20.,21]。

3.2。网络信号模型

我们假定每辆车将会收到米测量后图像的传输通过通信通道。重要的是要注意,只要米收到测量满足稀疏复苏条件,就可恢复原始图像与可接受的精度。每辆车才能使用范数最小化恢复原始捕获的图像。换句话说,(DCT系数)可以通过应用的可能性很高

这是一个标准的基础上追求优化问题(20.,21]。在那之后,时域图像可以获得相应的恢复系数在DCT域的直接反余弦变换的应用。使用基础的追求是压缩传感的标准,和许多其他替代解决者也可以使用。

3.3。对象识别接收器

在我们的问题公式化,我们有许多对象。对象被相机而成在哪里是影响捕获过程的噪声对周围环境的时间吗我。现在,我们在我们的系统中有三个因素,即 ,这是对象的原始图像, ,代表一个嘈杂的版本的物体的图像,和代表图像的压缩采样版本的对象。在接收机与所有这些值被了解,我们估计版本的图像恢复使用在DCT域及其对应的时域估计是。因此,我们的对象标识符匹配和估值到一个图像从图片的集合。

分类中,我们使用一个卷积神经网络,训练我们的数据集。然后我们使用稀疏恢复样本作为测试集。以下部分解释的过程。

3.4。网络传播模型

为了比较我们的方案对网络性能的影响,我们使用一个简单的,但精确的模型代表的传播在车载网络的MAC层数据包。文献中使用的模型(22,23]。基于[22],我们定义的概率成功接收的数据包在MAC层作为在哪里p传播的概率是在每个时隙,n是干扰节点的数量,和RMAC帧长度。假设所有的n使用标准MAC传输节点。我们认为汽车的数量在同一通信范围。只有一个车辆正常运行b车辆操作根据我们提出的信息传输方案。因此,(7)成为

上述方程意味着所有车辆正常运行作为传输车辆陷。然而,在该方案,陷的数量。因此,(8)成为

我们将显示在接下来的部分b增加和一个成功传输的概率减少,车辆增加,当一个增加和b减少,汽车的成功传输概率减少。在正常情况下的评估,显示该方案显示了原始p持续的MAC。

4所示。绩效评估

在本节中,我们描述了仿真实验,我们用来评估该方案。

4.1。性能指标

我们使用两个性能指标。第一个是分类的准确性,这是一个衡量目标检测的准确性。第二个性能指标的概率是成功的传输网络,它代表了一个标准化的衡量成功传输数据包在网络中MAC帧。

4.2。数据集的准备

为我们的稀疏恢复和目标检测实验中,我们使用从BelgiumTS交通标志为主要对象的数据集(24]。我们使用72类数据集,一个样本的数据如图4。不失一般性,可以使用任何数据集。然而,稀疏的图像水平将导致不同的值的性能指标。

从图我们可以观察到,有几个非常相似的交通标志。相似之处是至关重要的在我们的测试表明,分类器能够分类相似的对象,尽管任何噪音。是非常重要的对我们的稀疏恢复计划恢复精度最高的图像可能为了让对象分类器识别图像。

为了使观察现实,我们添加高斯噪声的交通标志图像并生成100个不同的变体图像的原始图像。这些图片是用于训练CNN随着原始图像分类器。添加噪声使输入图像难以进行分类。图5显示一个图像的样本受到高斯噪声的影响。捕获的图像时,我们假设最初的交通标志图像作为输入稀疏的复苏计划。然后,恢复图像送入CNN分类器进行识别。

总的来说,我们有CNN转移学习标记图像。CNN,我们使用的是标准AlexNet [16]。我们的测试是在6类的数据集。然而,使用这些不同的参数和实验,我们估计图像。我们估计每个图像使用不同的参数和实验的213倍。

4.3。评价结果

在图6,我们展示的稀疏恢复算法执行不同的采样率的传输图像。图显示,随着采样率的增加,传输图像的清晰度增加,预计。然而,我们不知道多少失真会影响检测的对象。很明显,更多的传播样本会导致网络拥塞传输车辆数量的增加;然而,我们应该评估对象的检出率不同采样率传输图像,如图所示7。

(一)

(b)

(c)

(d)

在图7,我们使用深CNN检测对象使用提出的训练和测试数据集。从图我们可以看到,随着样本数量的增加(或传播样本的百分比 ),分类精度也在不断增加。的原因之一钙化精度没有达到是几个roadsign图像也有类似的设计/形状和类似的颜色。这使得更难分类器检测对象。

最后,我们评估的影响使用我们的方案在网络性能数据8和9。图8显示成功接收的数据包的概率不同的传输速率。这个数字表明,成功的概率增加使用我们的方案即使我们传输的样本。随着样本数量的增加在该方案,成功的接待在MAC层的概率减少;然而,正如我们之前所讨论的,检测精度的增加,这是一个两个指标之间的权衡。

在图9我们修复传播样本的数量和变化方案沟通车辆的数量。随着通信车辆数量的增加,该方案变得越来越拥挤和成功传输的概率减少。然而,即使车辆的数量增加了两倍,和使用米= 30个样本,该方案仍然优于正常p持续的MAC的成功概率。

5。结论

提出了一个创新的解决方案延长车辆的网络感知的同时最小化通信信道上的开销。使用的方法是,车辆具有良好的感知将捕获的信息和使用极简版本作为一个扩展视觉的车辆不能清楚对象。我们使用稀疏恢复机制为了传播扩展视觉组件的车辆。我们表明,提出的稀疏恢复模型,我们可以发送数据包,为车辆提供扩展视野并为每个包提供更高的成功传输概率相对于一个标准p持久。此外,我们表明,目标检测是提高每次收集更多的样品。压缩传感的强烈,随着新的数据包到达,可以执行更准确的检测。

本文在图像感知图像捕获和传输使用提出了MAC方案。可以扩展本文考虑视频捕获的数据,这将使有趣的问题编码输入数据随着时间的参照系。然而,这是超出了本文的范围。

数据可用性

本文使用的数据是开源数据可用在线(https://btsd.ethz.ch/shareddata/;从11月1日访问2019)和引用相关文本中引用的地方。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢Al-Muallem穆罕默德•本•拉登椅子嗯Al-Qura大学创造力和创业精神的持续支持。这项工作被Al-Muallem财务支持穆罕默德•本•拉登椅子嗯Al-Qura大学创造力和创业(格兰特号码:域- uqu性状- 002)。

引用

d . j . Fagnant和k . Kockelman准备自驾车辆:一个国家的机会,壁垒和政策建议,”交通研究部分:政策和实践卷,77年,第181 - 167页,2015年。视图:出版商的网站|谷歌学术搜索
IEEE,IEEE标准车辆环境中无线访问(波)——多通道操作,IEEE,皮斯卡塔韦,新泽西,美国,2016年,-2016年IEEE Std 1609.4(-2010年修订IEEE Std 1609.4) (2016) 1 - 94。视图:出版商的网站
IEEE,IEEE标准信息技术-本地和市区网络特定需求-第11部分:无线局域网介质访问控制(Mac)和物理层(体育)规范第六修正案:车辆环境中无线接入,IEEE,皮斯卡塔韦,新泽西,美国,2010年,IEEE Std 802.11 p - 2010(修正案IEEE Std 802.11 -2007年IEEE Std 802.11 k - 2008修改,IEEE Std 802.11 r - 2008, IEEE Std 802.11 y - 2008, IEEE Std 802.11 n - 2009和IEEE Std 802.11 w - 2009) (2010) 1-51。视图:出版商的网站
w . Alasmary和s . Valaee“速度”意识在车载网络通过稀疏的复苏,IEEE车辆技术,卷66,不。10日,9421 - 9435年,2017页。视图:出版商的网站|谷歌学术搜索
w . Alasmary和w .庄”,在IEEE 802.11便士infrastructureless车辆网络移动性的影响,”Conference-Fall学报2010年IEEE 72车辆的技术,页1 - 5,渥太华,加拿大,2010年9月。视图:出版商的网站|谷歌学术搜索
w . Alasmary h . Sadeghi, s . Valaee”战略在车载传感网络使用已知的流动信息,“IEEE车辆技术,卷67,不。3、1932 - 1945年,2018页。视图:出版商的网站|谷歌学术搜索
p .中提琴和m·琼斯,“快速目标检测使用一个简单的特性,提高了级联”2001年IEEE计算机学会学报计算机视觉与模式识别会议,1卷,页我- 511 - 518,考艾岛,美国,2001年12月,你好。视图:出版商的网站|谷歌学术搜索
x, w·鲍h . Tang j . Li和y,“车辆检测和跟踪加油站监视基于演算法和光学流”学报》2016年第12届世界智能控制和自动化国会(WCICA)桂林,页818 - 821年,中国,2016年6月。视图:出版商的网站|谷歌学术搜索
他z Di和d,“前碰撞预警系统基于车辆检测和跟踪,”学报2016年国际会议上光电图像处理(ICOIP),页10 - 14,华沙,波兰,2016年6月。视图:出版商的网站|谷歌学术搜索
k . Chang b h .哦,k . s .香港“分享服务的实现使用前后摄像头,驾驶员辅助系统”学报2014年IEEE国际会议消费电子产品(ICCE)拉斯维加斯,页280 - 281年,NV,美国,2014年1月。视图:出版商的网站|谷歌学术搜索
t . Wang g . Cardone a .使得科拉迪l . Torresani和a·t·坎贝尔,“Walksafe:一个行人安全应用手机用户走路和说话而穿越道路,”学报》第十二移动计算系统与应用研讨会,HotMobile”12圣地亚哥,页5:1-5:6,ACM CA,美国,2012年2月。视图:出版商的网站|谷歌学术搜索
C.-W。你,l . Torresani a t·坎贝尔et al .,“Carsafe应用:报警昏昏欲睡和分散司机使用双摄像头的智能手机,”第11届国际会议的程序在手机系统中,应用程序和服务,经验的13ACM,页13 26,台北,台湾,2013年6月。视图:出版商的网站|谷歌学术搜索
s . j . w . Tang刘贤Ng, b·h·邱和j . Parkkinen“实时车道检测和追尾预警系统在移动计算平台,”进行2015年IEEE第39届计算机软件和应用程序的会议,卷2,页563 - 568,台中,台湾,2015年7月。视图:出版商的网站|谷歌学术搜索
p . f . Felzenszwalb r . b . Girshick d . McAllester和d . Ramanan”对象检测与区别式模型部分原因,“IEEE模式分析与机器智能,32卷,不。9日,第1645 - 1627页,2010年。视图:出版商的网站|谷歌学术搜索
c·普里特,”路标为交通安全检测在智能手机上,“进行2014年IEEE的图像模式识别应用研讨会(AIPR)美国,页1 - 6,华盛顿特区,2014年10月。视图:出版商的网站|谷歌学术搜索
a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”神经信息处理系统的进步25f·佩雷拉,c . j . c . Burges l . Bottou和k·温伯格,Eds。,页1097 - 1105,柯伦Associates Inc .,纽约,纽约,美国,2012年。视图:谷歌学术搜索
y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
在r . Girshick“快速r-cnn。《IEEE计算机视觉国际会议,页1440 - 1448,圣地亚哥,智利,2015年12月。视图:谷歌学术搜索
任,k .他、r . Girshick和j .太阳,“快r-cnn:对与地区建议网络实时目标检测,”先进的神经信息处理系统,页91 - 99年,麻省理工学院出版社,剑桥,妈,美国,2015年。视图:谷歌学术搜索
e . j .萤石et al .,“压缩采样、”国际数学家大会的程序,3卷,第1452 - 1433页,马德里,西班牙,2006年8月。视图:谷歌学术搜索
e . j .萤石和m . b . Wakin介绍压缩采样,”IEEE信号处理杂志,25卷,不。2、21 - 30,2008页。视图:出版商的网站|谷歌学术搜索
f . Farnoud Hassanzadeh和美国Valaee”,在车辆安全可靠的广播消息特设网络”IEEE INFOCOM学报》2009 - 28日计算机通讯大会上,页226 - 234,里约热内卢,巴西,2009年4月。视图:出版商的网站|谷歌学术搜索
l .张和s Valaee“拥塞控制车辆的网络安全意识,”IEEE / ACM交易网络,24卷,不。6,3290 - 3299年,2016页。视图:出版商的网站|谷歌学术搜索
m . Mathias r . Timofte r, l . Van干傻事,“交通标志识别——我们的解决方案有多远?“在《2013年国际神经网络(IJCNN)联合会议美国,页1 - 8、达拉斯、TX, 2013年8月。视图:出版商的网站|谷歌学术搜索