新系统在阴影中感测微小的变化，以帮助自治车辆看到拐角处

麻省理工学院工程师已经开发了一种自治车辆系统，可感知地面上阴影的微小变化，以确定是否存在拐角处的移动物体，例如当另一辆车从停车库中的支柱后面接近时。

帮助自治车辆看到角落：通过传感阴影的微小变化，新系统标识了可能导致碰撞的接近对象。

为了提高自治系统的安全性，麻省理工学院工程师开发了一个系统，可以在地面上感知阴影的微小变化，以确定是否存在拐角处的移动物体

自动驾驶汽车有一天可以使用该系统快速避免与从建筑物角落或停放的汽车之间的另一辆车或行人进行潜在的碰撞。在未来，可能导航医院走廊的机器人可以使用该系统来避免击中人。

在下周介绍的纸质智能机器人和系统（IROS）会议上，研究人员描述了一辆自动驾驶车库和自动轮椅导航走廊的自治车的成功实验。当传感和停止接近车辆时，基于汽车的系统击败了传统的激光雷达 - 这只能检测到的可见物体 - 超过半秒。

研究人员说，这可能看起来不太多，但第二件物质的一件事是谈到快速移动的自治车辆。

“对于机器人在与其他移动物体或人的环境周围移动的应用程序，我们的方法可以给机器人提前预警，有人在拐角处绕过，因此车辆可以减速，调整其路径，提前准备避免碰撞，“COMPORY DILOVICENTION（CSAIL）主任”加密“丹尼埃拉·罗勒（CSAIL）和ANDREW和ERNA Viterbi电气工程和计算机科学教授。“大梦是为在街道上快速移动的车辆提供”X射线愿景“。”

目前，该系统仅在室内设置中进行了测试。机器人速度在室内较低，并且照明条件更加一致，使系统更容易感测和分析阴影。

加入论文罗兹是：第一作者Felix Naser Sm '19，前CSAIL研究人员;亚历山大·阿塞尼蒂，一名CSAil研究生; Igor Gilitschenski，CSail Postdoc;最近的毕业生克里娜廖丽'19; Toyota研究所的罗斯曼;和麻省理工学院航空航天航空公司副教授和Sertac Karaman。

扩展ShadowCam.

对于他们的工作，研究人员在他们的系统上建立了“ShadowCam”，它使用计算机视觉技术来检测和分类到地面上阴影的变化。麻省理工学院教授William Freeman和Antonio Torralba不是在IRO纸上的共同作者，并在早期版本的系统上合作，在2017年和2018年在会议上提出。

对于输入，ShadowCam使用针对特定区域的摄像机的视频帧序列，例如拐角前面的地板。它从图像到图像中检测到光强度随时间的变化，这可能指示一些移动或更近的东西。这些变化可能难以检测或不可见肉眼，并且可以通过对象和环境的各种性质来确定。SharkCam计算该信息并将每个图像分类为包含静止对象或动态移动。如果它到达动态图像，则会相应地反应。

适应自动车辆的ShadowCam需要一些进展。例如，早期版本依赖于衬里的区域，其中包含称为“APRILTAGS”的增强现实标签，其类似于简化的QR码。机器人扫描APRILTAGS，以检测和计算相对于标签的精确3D位置和方向。SharkCam使用标记作为环境的特征为Zero，在可能包含阴影的特定像素上。但是，使用Aprintags修改现实世界的环境并不实用。

研究人员开发了一种结合图像配准的新工艺和新的视觉测量技术。通常用于计算机视觉，图像登记基本上覆盖多个图像以揭示图像中的变化。例如，医学图像登记与医学扫描重叠，以比较和分析解剖学差异。

用于MARS ROVERS的视觉径管，通过分析图像序列中的姿态和几何来估计相机的运动实时。研究人员具体采用“直接稀疏的内径术”（DSO），其可以计算与由ApRILTAGS捕获的环境类似的环境中的特征点。基本上，DSO绘制3D点云的环境的特征，然后是计算机视觉管道仅选择位于感兴趣区域中的特征，例如拐角附近的地板。（预先手动注释感兴趣的区域。）

由于ShadowCam采用感兴趣区域的输入图像序列，它使用DSO - 图像登记方法覆盖来自机器人的相同视点的所有图像。即使是机器人正在移动，它也能够在周围所定位的完全相同的像素上零，以帮助它检测图像之间的任何微妙偏差。

接下来是信号放大，在第一纸中引入的技术。可能包含阴影的像素在降低信噪比的颜色中获得升压。这使得来自阴影变化的极小信号变化更远。如果提升信号达到某个阈值 - 部分基于它偏离其他附近的阴影--Shadowcam，将图像分类为“动态”。根据该信号的强度，系统可以告诉机器人减速或停止。

“通过检测到该信号，然后可以小心。这可能是一个从角落后面或停放的汽车跑来跑的一个阴影，所以自动车可以慢下来或完全停止，“奈斯特说。

无标签测试

在一次测试中，研究人员评估了使用APRILTAGS和基于新的DSO的方法对移动或静止物体进行分类的性能。一个自主轮椅向各种走廊角度转向，而人类将角落转向轮椅的道路。这两种方法都达到了相同的70％的分类精度，表明不再需要APRIGRAG。

在一个单独的测试中，研究人员在一个停车库中的自动驾驶车库中实施了Shadowcam，其中前灯关闭，模仿夜间驾驶条件。他们比较了汽车检测时间与激光雷达。在一个示例场景中，ShadowCam检测到靠近LiDAR的速度约0.72秒的汽车。此外，由于研究人员专门针对车库的照明条件调整了ShadowCam，因此该系统达到了大约86％的分类精度。

接下来，研究人员正在开发系统进一步在不同的室内和室外照明条件下工作。在未来，还有可能加快系统的影子检测，并自动化注释暗影感测的目标区域的过程。

这项工作由丰田研究所提供资金。