घने कोहरे की स्थिति में एक स्वायत्त डिलीवरी रोबोट के एक पैदल यात्री से टकराने ने वर्तमान धारणा प्रणालियों को चुनौती दी है। दृश्य का 3D पुनर्निर्माण यह निर्धारित करने के लिए जलवायु और संवेदी डेटा को एकीकृत करता है कि विफलता एल्गोरिथमिक थी या पर्यावरणीय। यह फोरेंसिक विश्लेषण दुर्घटना को दोहराने के लिए LiDAR पॉइंट क्लाउड, प्रक्षेपवक्र और सिमुलेशन को जोड़ता है।
तकनीकी कार्यप्रवाह: पॉइंट क्लाउड से जलवायु सिमुलेशन तक 🛠️
प्रक्रिया CloudCompare में LiDAR सेंसर और स्टीरियो कैमरों से डेटा आयात करने के साथ शुरू होती है, जहां दृश्य की सटीक ज्यामिति स्थापित करने के लिए रोबोट और पैदल यात्री के पॉइंट क्लाउड को संरेखित किया जाता है। फिर, Trimble RealWorks में ब्रेकिंग दूरी, दृष्टिकोण कोण और प्रभाव से पहले के प्रक्षेपवक्र को मापा जाता है। अगला कदम इस डेटा को Carla Simulator में निर्यात करना है, जहां LiDAR की धारणा विफलता का अनुकरण करने के लिए घनत्व और परावर्तन मापदंडों के साथ कोहरे को फिर से बनाया जाता है। अंत में, Blender का उपयोग एक व्याख्यात्मक विज़ुअलाइज़ेशन उत्पन्न करने के लिए किया जाता है जो दिखाता है कि सेंसर बीम कोहरे में कैसे खराब हो जाता है, महत्वपूर्ण क्षण में पैदल यात्री को छिपा देता है।
शहरी स्वायत्त गतिशीलता के लिए इंजीनियरिंग सबक 🚦
पुनर्निर्माण से पता चलता है कि रोबोट ने पानी के कणों द्वारा LiDAR के क्षीणन के कारण पैदल यात्री का पता नहीं लगाया, एक पूर्वानुमानित लेकिन कम न की गई विफलता। कार्यप्रवाह दर्शाता है कि नेविगेशन सिस्टम के लिए वास्तविक समय मौसम डेटा का एकीकरण महत्वपूर्ण है। कोहरे में काम करने वाली संवेदी अतिरेक के बिना, ये बॉट पैदल यात्री फुटपाथों पर जोखिम बने रहेंगे।
LiDAR डेटा और थर्मल कैमरों से फोरेंसिक 3D पुनर्निर्माण घने कोहरे की स्थितियों में दृश्य धारणा की सीमाओं को कैसे पार कर सकता है ताकि डिलीवरी बॉट की टक्कर में जिम्मेदारी निर्धारित की जा सके?
(पी.एस.: दृश्य विश्लेषण में, प्रत्येक पैमाने का गवाह एक छोटा गुमनाम नायक होता है।)