Interpretação lógico-probabilística da funcionalidade de faixas de trânsito a partir de dados de uma câmera acoplada a um veículo
Carregando...
Citações na Scopus
Tipo de produção
Dissertação
Data
2011
Autores
Souza, Carlos Roberto Cardoso de
Orientador
Santos, Paulo Eduardo
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
SOUZA, Carlos Roberto Cardoso de. Interpretação lógico-probabilística da funcionalidade de faixas de trânsito a partir de dados de uma câmera acoplada a um veículo. 2011. 103 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro universitário da Fei, São Bernardo do Campo, 2011
Texto completo (DOI)
Palavras-chave
Raciocínio,Programação lógica
Resumo
Neste trabalho desenvolvemos um modelo de raciocínio lógico-probabilístico para cenas de tráfego rodoviário. O objetivo ´e prover uma interpretação de alto nível sobre a localização e comportamento de um veículo em uma estrada. Esta informação pode ser utilizada por sistemas de assistência ao motorista, tendo como foco o sistema assistente de faixas de trânsito. A percepção do ambiente de tráfego é proveniente de uma câmera acoplada a um veículo, portanto, o ponto de vista é egocêntrico, o qual também foi adotado para o modelo de racioc´ýnio. Para tratar os dados da câmera, o algoritmo de visão classifica, com o auxílio da transformada de Hough, as posições discretas (por exemplo, esquerda, direita) das linhas divis´orias e também o tipo de divisão (por exemplo, amarelo contínuo, branco tracejado). As informações de posição e tipo das linhas divis´orias são utilizadas como evidâncias para a inferência da localização e comportamento do veículo. Esta inferência é feita numa base de conhecimento regida por regras de trânsito, sendo estas regras modeladas com lógica de primeira ordem. As regras do modelo lógico se baseiam em técnicas de raciocínio espacial qualitativo. As incertezas inerentes aos sensores e aos próprios fenômenos do mundo real são tratadas com lógica probabilística de primeira ordem, mais especificamente as redes lógicas de Markov, ferramenta relativamente nova que permite numa mesma representação, tratar incertezas e representar de forma compacta uma grande variedade de conhecimento. Isso nos permite estimar qual é a probabilidade de um evento ocorrer mesmo na presença de falhas ou imprecisão dos sensores, além da possibilidade
de inserirmos informação contextual do ambiente, neste caso, as regras de trânsito. A avaliação de desempenho do algoritmo de inferência revelou elevados valores de sensitividade, acurácia, precisão e especificidade, confirmando o potencial das redes l´ogicas de Markov
In this work we developed a probabilistic logical model of traffic scenes. The goal is to provide a high-level interpretation of a vehicle s location and behavior on a highway. This information can be used for driver assistance systems, focusing on the lane assistant system. The perception of the traffic environment is provided by a camera attached to a vehicle, so the viewpoint is egocentric. The same viewpoint was considered for the reasoning model. To process the camera s data, the vision algorithm classifies, based on the Hough transform, the discrete locations (e.g., left, right) of the lane dividers and also the type of divider (e.g., yellow continuous, white dashed). The divider s position and type information are used as evidence for the inference of vehicle s location and behavior. This inference is made on a knowledge base of traffic rules, where these rules are modeled with first-order logic. The rules of the logical model are based on qualitative spatial reasoning techniques. The uncertainties inherent to the sensors and to the real-world phenomena are treated with first-order probabilistic logic, more specifically the Markov logic networks, relatively new tool that allows in a single representation to deal with uncertainties and to compactly represent a wide range of knowledge. This allows us to estimate what is the probability of an event occurrence even in the presence of failure or inaccuracy of the sensors. It is also possible with Markov logic networks, to add contextual information of the environment in a representation, in this case the traffic rules. The performance evaluation of the inference algorithm revealed higher values of accuracy, sensitivity, precision and specificity. These results confirm the potential of Markov logic networks.
In this work we developed a probabilistic logical model of traffic scenes. The goal is to provide a high-level interpretation of a vehicle s location and behavior on a highway. This information can be used for driver assistance systems, focusing on the lane assistant system. The perception of the traffic environment is provided by a camera attached to a vehicle, so the viewpoint is egocentric. The same viewpoint was considered for the reasoning model. To process the camera s data, the vision algorithm classifies, based on the Hough transform, the discrete locations (e.g., left, right) of the lane dividers and also the type of divider (e.g., yellow continuous, white dashed). The divider s position and type information are used as evidence for the inference of vehicle s location and behavior. This inference is made on a knowledge base of traffic rules, where these rules are modeled with first-order logic. The rules of the logical model are based on qualitative spatial reasoning techniques. The uncertainties inherent to the sensors and to the real-world phenomena are treated with first-order probabilistic logic, more specifically the Markov logic networks, relatively new tool that allows in a single representation to deal with uncertainties and to compactly represent a wide range of knowledge. This allows us to estimate what is the probability of an event occurrence even in the presence of failure or inaccuracy of the sensors. It is also possible with Markov logic networks, to add contextual information of the environment in a representation, in this case the traffic rules. The performance evaluation of the inference algorithm revealed higher values of accuracy, sensitivity, precision and specificity. These results confirm the potential of Markov logic networks.