נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
הערכת איכות ווידאו ROI למטרת ניהוג מרוחק של רכב אוטונומי על ידי צופים אנושיים
Teleoperated Self-Driving Car ROI Compressed Video Quality Assessment by Human Viewers
תקציר בעיברית
כלי רכב אוטונומיים מסתמכים בעיקר על חיישנים, מכ"מים ומערכות חישוב מתקדמות כדי לפעול. עם זאת, עם מורכבות הכבישים ותנאי הנהיגה הלא ידועים, כשל מערכת עשוי להתרחש והם עשויים לדרוש סיוע מרחוק מסופק על ידי נהג מרחוק ממרכז פיקוד ובקרה כדי לפעול. במקרים כאלה, הנהג המרוחק יזדקק לזרם וידאו בזמן אמת עם עיכוב נמוך של הרכב כדי לפעול בהתאם. מטרת הפרויקט היא להעריך את איכות דחיסת הווידאו על סמך אזור עניין (ROI) המשמש לשליטה מרחוק ברכב. אזורי העניין (ROI) נקבעים מראש בהתאם לחשיבותם לריחוק בטוח של רכב. שיטת העבודה שלנו היא לחשב ציוני הערכת וידאו שונים באמצעות ffmpeg, ולעצב ניסוי אינטראקטיבי ידידותי למשתמש כדי להעריך את האיכות של וידאו דחוס לפי ROI בהשוואה לסרטון הדחוס לפי השיטה הגנרית על ידי צופים אנושיים. בשילוב התוצאות מהשיטה המטרית עם תוצאות הניסוי נוכל לראות שלמעלה מ-90% מהזמן המשתתפים הסתכלו על אזורים שקיבלו עדיפות סיביות גבוהה יותר, מה שאומר שאיכות הווידאו הכוללת השתפרה יחסית.
תקציר באנגלית
Autonomous vehicles rely mainly on sensors, radars, and advanced computational systems to operate. However, with complexity of the roads and the unknown driving conditions a system failure is bound to happen and they may require remote assistance provided by Remote Driver from a Command and Control (C&C) center to operate. In such cases, the remote driver will need a real-time, low delay video stream of the vehicle to act accordingly. The project’s goal is to assess the quality of video compression based on region of interest (ROI) that is used to remotely control a vehicle. The regions of interest (ROI) are pre-determined according to their importance to safely remote a vehicle. Our working method is to compute different video assessment scores using ffmpeg, and design an interactive user-friendly experiment to assess the quality of ROI compressed video in comparison with the regularly compressed video by human viewers. combining the results from the metric method with the experiment results we can see that over 90% of the time the participants looked at areas that’s were given a higher bitrate priority, which means that the overall video quality was improved relatively.