Zastosowanie analizy obrazów cyfrowych do sterowania kierunkiem ruchu w autonomicznej nawigacji

• Autorzy: Kasprzak W.

Warianty tytułu

EN

Methods of digital image analysis for self-controlled navigation

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono metody analizy obrazów cyfrowych służące do nawigacji autonomicznego pojazdu (robota) poruszającego się po drodze lub korytarzu. Wyróżniono dwa ogólne modele procesu analizy obrazu realizującego sterowanie kierunkiem ruchu pojazdu: (1) analiza statyczna pojedynczego obrazu - metoda klasyfikacji. (2) analiza dynamiczna - ciągła wartość położenia (stanu) metodą śledzenia hipotezy stanu. Opisano przykładowe implementacje tych modeli oparte na różnych cechach obrazu: (1) klasa całych obrazów (bezpośrednie przekształcenie obrazu w sygnał sterujący kierunkiem ruchu) i (2) detekcja dyskretnych segmentów obrazu odpowiadających markerom sceny (umożliwiająca pomiar względnego położenia pojazdu).

Methods of digital image analysis for navigation are described in case of self-controlled vehicle (robot) motion along the road or the corridor. There are distinguished two generał models of image analysis process realizing the vehicle motion control, i. e. static analysis of single image (classification method). and also continuous dynamie analysis of position. The implementation of the models is presented.

Słowa kluczowe

PL

analiza obrazów cyfrowych; roboty mobilne

EN

digital image analysis; mobile robots

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2001
• Tom: R. 5, nr 2
• Opis fizyczny: Bibliogr. 25 poz., rys., wykr., wzory

Twórcy

autor

Kasprzak W.

• Instytut Automatyki i Informatyki Stosowanej PW

Bibliografia

• [1] Masaki I.: Vision-based Vehicle Guidance. Springer, New York. Berlin-Heidelberg etc. 1992.
• [2] Thorpe C. (ed.): Vision and Navigation: The Carnegie Mellon Navlab, Kluwer Academic Publishers, Norwell, Mass., 1990.
• [3] Dickmanns E. D., Mysliwetz H.: Recursive 3d road and relative ego-state recognition. lEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14 (1992), No. 2, 199-214.
• [4] Hebert M.: Building and navigating maps of road scenes using an active sensor. Proc IEEE Int’l Conf. Robotics and Automation, Philadelphia, PA, 1988, 1136-1142.
• [5] Kasprzak W., Niemann H.: Adaptive Road Recognition and Egostate Tracking in the Presence of Obstacles. International Journal of Computer Vision, Kluwer Academic Publ., Boston/ Dordrecht/ London, vol. 28 (1998), No. 1, 6-27.
• [6] Meng M., Kak A. C.: Mobile robot navigation using neural networks and nonmetrical environment models. IEEE Control Systems, (1993), 31-42.
• [7] Lebesgue X., Argarwal J. K.: Significant line segments for an indoor mobile robot. IEEE Trans. Robotics and Automation, vol. 9 (1993), No. 6, 801-816.
• [8] Pomerleau D. A.: Neural Network Perception for Mobile Robot Guidance. Kluwer Academic Publ., Mass., 1993.
• [9] Rosenblum M., Davis. L S.: An improved radial basis function network for visual autonomous road following. IEEE Trans. Neural Networks, 7 (1996), No. 5, 1111-1120.
• [10] Chen S.: Learning Based Vision and Its Application to Autonomous Indoor Navigation. Ph. D. dissertation, Michigan State University, Dept. of Computer Science and Eng., 1998.
• [11] Kasprzak W.: Adaptive Computation methods in image sequence analysis. Prace Naukowe - Elektronika, Nr 127/2000, Oficyna Wydawnicza Politechniki Warszawskiej, 170 s.
• [12] Kuan D., Philips G., Hsueh A.: Autonomous land vehicle road following. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 10 (1988), No. 5, 648-658.
• [13] Crisman J., Thorpe C.: Color vision for road following. W: [Vision and Navigation: The Carnegie Mellon Navlab, C. Thorpe, ed., Kluwer, Norwell, Mass.], 9-23.
• [14] Kluge K., Thorpe C.: Explicit models for robot road following. [Vision and Navigation: The Carnegie Mellon Navlab, C. Thorpe (ed.), Kluwer Academic Publ., Norwell, Mass.,] 1990, 25-38.
• [15] Dickmanns E. D., Graefe V.: Applications of dynamic monocular machine vision. Machine Vision and Applications, vol. 1 (1988), 241-261
• [16] Maurer M., Behringer R., Thomanek F., Dickmanns E. D.: A compact vision system for road vehicle guidance. 13th Int. IAPR Conference on Pattern Recognition, Wieden, Aug. 1996, 313-317.
• [17] Ayache N., Faugeras O. D.: Maintaining representations of the environment of a mobile robot. IEEE Trans. Robotics and Automation, voI. 5 (1989), No. 6, 804-819.
• [18] Kriegman D. J., Triendl E., Binford T. O.: Stereo vision and navigation in buildings for mobile robots. IEEE Trans. Robotics and Automation, vol. 5 (1989), No. 6, 792-803.
• [19] Morgan A., Dagless E., Milford D., Thomas B.: Road edge tracking for robot road following: a real-time implementation. Image and Vision Computing, vol. 8 (1990), No. 3, 233-240.
• [20] Fujimori T., Kanade T.: An approach to knowledge-based interpretation of outdoor natural color road scenes. [Thorpe, C. (ed.), Vision and Navigation: The Carnegie Mellon Navlab., Chapter 4, Kluwer Academic Publishers].
• [21] Polk A., Jain R.: A parallel architecture for curvature-based road scene classification. W: Masaki, I. (ed), Vision-Based Vehicle Guidance, Springer, New York etc. 1992, 284-299.
• [22] Schaaser L., Thomas B.: Finding road lane boundaries for vision-guided vehicle navigation. In: Masaki, I. (ed.), Vision-Based Vehicle Guidance, Springer, New York etc., 1992, 239-254.
• [23] Chen X., Dagless E., Zhang S., Thomas B.: A real-time plan view method for following bending roads. 1993 IEEE Symposium on Intelligent Vehicles, Tokyo, Japan, 1993, 219-224.
• [24] Jochem T. M.: Vision Based Tactical Driving, Carnegie Mellon University, Ph. D. dissertation, CMU-RI-TR-96-14, Jan. 1996.
• [25] Kasprzak W.: Adaptive Erkennung von bewegten Objekten in monokularen Bildfolgen bei Eigenbewegung, INFIX, St. Augustin, RFN, DISKI Series, vol. 172, 1997.