Ενσωμάτωση drone σε περιβάλλον έξυπνης πόλης και υποβοήθηση στην παρακολούθηση της κίνησης και της εύρεσης θέσεων στάθμευσης

• Κύριος συγγραφέας: Μάργαρης, Νικόλαος
• Άλλοι συγγραφείς: Margaris, Nikolaos
• Γλώσσα: Greek
• Έκδοση: 2021
• Θέματα: Έξυπνη στάθμευση; Βαθιά μάθηση; Ανίχνευση αντικειμένων; Υπολογιστική όραση; Smart parking; ROS; UAV; Deep learning; Computer vision; Object detection; CNN; YOLO

Σήμερα στους δρόμους και ειδικά σε μεγάλα αστικά κέντρα, αντιμετωπίζουμε το πρόβλημα της κυκλοφορίας, γεγονός που καθιστά δύσκολη την εύρεση χώρων στάθμευσης. Πολύτιμος χρόνος από την καθημερινή μας ζωή, επηρεάζεται από την οδική κυκλοφορία. Φυσικά η αυξημένη κυκλοφορία, συμβάλλει επίσης στη ρύπανση του περιβάλλοντος. Επομένως, πρέπει να εκμεταλλευτούμε την εξέλιξη της τεχνολογίας προς όφελός μας. Σε αυτήν την εργασία, έγινε μια προσπάθεια να αντιμετωπίσουμε το πρόβλημα. Επικεντρωθήκαμε σε χώρους όπως μια πανεπιστημιούπολη ή ένα εμπορικό κατάστημα, που συνήθως διαθέτουν μια περιοχή, αποκλειστικά για στάθμευση. Η πρότασή μας, θέλαμε να είναι χαμηλού κόστους και φιλική προς το περιβάλλον. Κατασκευάσαμε δύο διαφορετικά συστήματα. Το ένα σύστημα αποτελείται από ένα μη επανδρωμένο αεροσκάφος (drone). Στο σύστημα αυτό, περιλαμβάνεται ένα σενάριο πλοήγησης για το drone. Το drone πετάει σε μεγάλο υψόμετρο, σε ανοιχτούς χώρους, οπότε δεν χρειάζεται να αποφεύγει εμπόδια κατά την πτήση του. Η πτήση σχεδιάστηκε να αποτελείται από τρία μέρη: α) Απογείωση και ανάγνωση των συντεταγμένων που πρέπει να μεταβεί. β) Μετακίνηση από σημείο σε σημείο, πραγματοποιώντας μια μικρή στάση στο καθένα. γ) Επιστροφή στο σημείο εκκίνησης για προσγείωση. Ο προγραμματισμός του drone πραγματοποιήθηκε με τη χρήση του εργαλείου ROS. Το δεύτερο σύστημα, είναι ξεχωριστό από αυτό της πλοήγησης. Πρόκειται για ένα σύστημα που έχει εκπαιδευτεί, ώστε να μπορεί να αναγνωρίζει χώρους στάθμευσης σε κατάσταση “empty” ή “occupied”. Χρησιμοποιήθηκαν για την κατασκευή του τεχνικές deep learning. Συγκεκριμένα, η ανίχνευση βασίζεται στον YOLOv3-tiny. Ο YOLOv3-tiny εκπαιδεύτηκε στο framework Darknet. Με το πέρας της εκπαίδευσής του, προσαρμόστηκε για να λειτουργεί, σε μια βιβλιοθήκη της γλώσσας python που λέγεται keras. Το σύστημα πτήσης κατασκευάστηκε, ώστε να λειτουργεί σε προσομοίωση. Ωστόσο, θα μπορούσε να λειτουργήσει και στον πραγματικό κόσμο. Το σύστημα ανίχνευσης θέσεων στάθμευσης, εκπαιδεύτηκε με πραγματικά δεδομένα. Τα αποτελέσματα ήταν πολύ ενθαρρυντικά.