Латоша_презентація

Актуальність роботи
Дорожньо-транспортні пригоди є однією з найпоширеніших причин смерті в усьому світі, і щорічно 1,25 мільйона людей гинуть внаслідок дорожнього руху, з яких 270 000 – пішоходи.
Тому, для учасників дорожнього руху слід розробити системи допомоги, які можуть покращити безпеку пішоходи.
В даній роботі ми не просто проводимо аналіз пішохідного руху, а прогнозуємо можливу поведінку ведення пішохода на дорозі

Аналіз світового ринку щодо навігацій руху
Світовий ринок навігації (обладнання та послуги) станом на 2014 р. оцінювався у 104 млрд. дол. США і, згідно з прогнозом експертів агентства «Research and Markets», демонструватиме подальше зростання.
Рисунок 1 - Динаміка світового навігаційного ринку (обладнання та послуги), млрд. євро
Європа. Функціонал, що найчастіше зустрічається в транспортних додатках Європи - це 3D карти з високим ступенем деталізації (17%).
Багато програм дозволяють користувачеві викликати таксі (14%, при цьому гарантується безпека та наявність викликаної машини в реєстрі таксі), знайти найближчу зупинку громадського транспорту (52%) або паркування (21%)
Рисунок 2 – Частота використання функціоналу в мобільних додатках у Європі (% додатків, які використовують ту чи іншу функцію)

Огляд методів аналізу пішохідного руху
Дії людини можна представити за допомогою різних візуальних методів, а саме: RGB, глибини кольору, інфрачервоного випромінювання, хмари точок або скелета.
RGB Цей спосіб містить багато інформації про контекст даної записаної сцени є найбільш використовуваною моделлю.
Рисунок 3 – Зразки дій різних модальностей даних
Карти глибини – це зображення, у яких значення пікселів описують відстань між певною точкою огляду та точками сцени. Основна перевага інформації про глибину полягає в тому, що вона надає тривимірну структурну інформацію та інформацію про геометричну форму сцени порівняно з RGB та НЕ МІСТИТЬ інформацію про кольори та текстуру

Огляд методів аналізу пішохідного руху
Є рішення це комплексне використання методів. Наприклад, RGB+D. Тепер питання полягає в стратегії алгоритму злиття (ранній, проміжний, пізній) шляхом ефективного поєднання даних потоку RGB і глибини.
Рисунок 4 – Архітектура злиття рівня рішень RGB-потоку та глибини

Дії, траєкторія руху людей
Рисунок 5 – Траєкторії суглобів скелета при ходьбі
Поза, Р, є n – вимірним положенням усіх заданих артикуляцій у певний час t. Це можна представити як об’єднання позицій артикуляцій для даної мітки часу t як
де Р(t) – задана поза в момент часу, t, xa (t), ya (t), za (t) – відповідно координати на X, Y, Z осі в момент часу t, A є набором артикуляцій, що представляють інтерес, і a(t) артикуляцією в момент часу t.
(1)

Прогнозування траєкторії руху
Рисунок 6 – Прогнозування наміру пішохідного переходу на основі CNN та RNN

Чинники запропонованого методу
• Запропонований спосіб використовує архітектуру нейронної мережі для використання
різні просторово-часові особливості з гібридним злиттям стратегія.
• При дослідженні враховано ряд аспектів: це стратегії об’єднання функцій (ранніх, пізніх, ієрархічних або гібридних), конфігурацій вводу (додавання/видалення вхідних каналів, використання масок семантичної сегментації як явного глобального контексту), і параметри візуального кодування (3D CNN або 2D згортка з RNN + увага), щоб визначити найкращий макет моделі.
• Демонстрація ефективності запропонованого методу на тестовому наборі даних JAAD і демонстрація еталону прогнозування дій пішохода
Рисунок 7 – Візуалізація траєкторії руху

Тестові набори даних
Рисунок 8 – Тестові дані
Експерименти проводились на тестових наборах даних JAAD.

Експерименти
Рисунок 9 – Результат прогнозування
Ми порівняли запропонований метод з моделлю PCPA.

Експерименти
а) б) в) г)
Рисунок 10 – Тестування методу: a) і б) показують випадки правильних прогнозів за запропонованою моделлю, PCPA не вдалось правильно виконати аналіз; в) і г) показують результати, коли як запропонована, так і модель PCPA зазнали невдачі.

Експерименти
Нами були проведені розрахунки показників: правильність (Accuracy), точність (Precision), відклик (Recal).
Таблиця 1 – Кількісний аналіз прогнозування дій пішохода

Висновки
Провели аналіз світового ринку щодо використання систем навігацій.
Провели аналіз існуючих методів прогнозування рухів пішоходів.
Розробили кетод аналізу пішохідного руху з використанням комп’ютерного зору (комплекс CNN+ RNN).
Запропонували базову модель для оцінки намірів пішоходів і, оцінивши різні комбінації вхідних даних.
Провели експериментальні дослідження та отримали візуальні, якісні показники.