נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
זיהוי עצמים בעזרת הLIDAR והמצלמה עבור רכב מרוץ של בן גוריון
Vision-Lidar-based obstacles detection for BGU Race Car
תקציר בעיברית
בעולם של כלי רכב אוטונומיים המתקדם במהירות מסחררת, ובמסגרת פרויקט הפורמולה של אוניברסיטת בן-גוריון, הפרויקט שלנו התמקד במשימה הכרחית: שיפור היכולת של מכונית המירוץ של הקבוצה, לתפוס ולהבין את הסביבה שלה. המשימה שלנו התרכזה סביב השימוש בחיישן LiDAR, בחלק מרכזי בחוויית הנהיגה האוטונומית- זיהוי קונוסים בזמן אמת ובצורה מדויקת ביותר על מסלול המרוצים. החידוש המרכזי היה הגישה הייחודית שלנו, הממנפת את העקרונות של למידת מכונה כדי ליצור אלגוריתם שתוכנן במיוחד לזיהוי קונוסים על המסלול. כדי לבצע משימה זו, השתמשנו בשילוב של טכניקות למידת מכונה מסורתיות, כולל אלגוריתם DBSCAN לסגמנטציה, ואלגוריתם RANSAC לסינון הקרקע. שילוב זה אפשר לנו לחלץ מידע מדויק מחיישן ה LiDAR, מה שסלל את הדרך לזיהוי קונוס אמין ויעיל. האלגוריתם שלנו נבדק ביסודיות ועבר אופטימיזציה לפעולה ביעילות על פני כיווני מסלול שונים ואוריינטציות שונות של הקונוס, מה שהביא לביצועים מרשימים של חמישה פריימים לשנייה. לסיכום, במסגרת הפרויקט פיתחנו בהצלחה אלגוריתם יציב שעמד היטב ביעדים הראשוניים שלנו לזיהוי קונוס בזמן אמת באמצעות חיישן .LiDAR במבט קדימה, חקר טכניקות מתקדמות כגון למידה עמוקה או מיזוג חיישנים עשוי להכיל את המפתח להרחבת יכולת ההסתגלות של האלגוריתם שלנו לסביבות מגוונות.
תקציר באנגלית
In the rapidly advancing world of autonomous vehicles, our team at Ben-Gurion University's Formula project embarked on a critical mission: enhancing our race car's capability to perceive and understand its environment. Our task centered around the utilization of a LiDAR sensor for real-time, highly accurate cone detection on the racetrack, a key part of the autonomous driving experience. The core innovation was our unique approach, leveraging the principles of machine learning to create an algorithm specifically designed to identify cones on the track. To construct this solution, we used a mix of traditional machine learning techniques, including the DBSCAN algorithm for segmentation, and the RANSAC algorithm for ground filtering. This combination allowed us to extract accurate information from the LiDAR sensor, paving the way for reliable and efficient cone detection. Our algorithm was thoroughly tested and optimized to operate effectively across various track orientations and different cone orientations, resulting in an impressive performance of five frames per second. In conclusion, we successfully developed a robust algorithm that adeptly met our initial goals for real-time, precise cone detection using the LiDAR sensor. Looking ahead, the exploration of advanced techniques such as deep learning or sensor fusion may hold the key to broadening our algorithm's adaptability to diverse environments.