Inteligentny asystent kierowcy

Abstract

Celem niniejszej pracy jest analiza wpływu inteligentnych systemów instalowanych w pojazdach na bezpieczeństwo ruchu drogowego, oraz zaproponowanie rozwiązania wspierającego kierowcę. Wyniki analizy ukazują, iż najnowsze systemy wizyjne w znacznym stopniu przyczyniają się do redukcji liczby wypadków drogowych. W pracy wskazane zostały inteligentne systemy, które mają swoje zastosowanie w samochodach i zestawione razem stanowią system ADAS (Advenced Driver Assistance Systems). ADAS można podzielić na pięć poziomów. Klasyfikacja ta zależy od stopnia zaawansowania systemów wspomagających samodzielne przemieszczanie się pojazdu po drogach publicznych. Przedstawiona została koncepcja analizy sytuacyjnej, której założenia implementowane są podczas tworzenia inteligentnych systemów reagujących na zmiany środowiska. Opisane zostały zastosowania, oraz podstawowe metody analizy obrazu, takie jak detekcja cech charakterystycznych obrazu, klasyfikacja obrazów za pomocą sieci konwolucyjnych, oraz systemy detekcji obiektów. Projekt inteligentnego asystenta kierowcy analizuje stopień rozproszenia kierowcy oraz przeprowadza detekcję i klasyfikację wybranych obiektów na drodze. Tymi obiektami są wybrane znaki drogowe, oraz sygnalizatory świetlne. Do realizacji tego zadania wykorzystana została sieć YOLOv5m do detekcji znaków i sygnalizacji świetlnej, oraz dwa modele oparte na sieciach konwolucyjnych. Pierwszy służy do wspierania detekcji obiektów na drodze. Klasyfikuje on znaki ograniczenia prędkości zwracając informację o maksymalnej prędkości dozwolonej na jezdni. Drugi model przeprowadza klasyfikację układu ciała osoby kierującej pojazd analizując jej stopień rozproszenia. System został wdrożony i działa poprawnie mimo trudności wynikających z małej liczebności zdjęć w zbiorze treningowym sieci YOLO. W celu poprawy tej sytuacji przeprowadzona została augumentacja obrazów. Zastosowano również negatywne próbki do treningu, oraz wykorzystany został dodatkowy model klasyfikujący znaki ograniczenia prędkości. W ramach projektu przeprowadzone zostały testy szybkości klasyfikacji wybranych sieci głębokiego uczenia, oraz wybranych wariantów YOLO. System detekcji obiektów na drodze został przetestowany zarówno na własnych materiałach wideo, jak i pochodzących z internetu. W obu przypadkach wyniki były poprawne.