| Summary: | One of the main challenges for advanced driver assistance systems (ADAS)is the environment perception problem. One factor that makes ADAS hardto implement is the large amount of different conditions that have to betaken care of. The main sources for condition diversity are lane and roadappearance, image clarity issues and poor visibility conditions. A review ofcurrent lane detection algorithms has been carried out and based on that alane detection algorithm has been developed and implemented on a mixedcriticality platform. The thesis is part of a larger group project consisting offive master thesis students creating a demonstrator for autonomous platoondriving. The final lane detection algorithms consists of preprocessing stepswhere the image is converted to gray scale and everything except the regionof interest (ROI) is cut away. OpenCV, a library for image processing hasbeen utilized for edge detection and hough transform. An algorithm for errorcalculations is developed which compares the center and direction of the lanewith the actual vehicle position and direction during real experiments. Thelane detection system is implemented on a Raspberry Pi which communicateswith a mixed criticality platform through UART. The demonstrator vehiclecan achieve a measured speed of 3.5 m/s with reliable lane keeping using thedeveloped algorithm. It seems that the bottleneck is the lateral control ofthe vehicle rather than lane detection, further work should focus on controlof the vehicle and possibly extending the ROI to detect curves in an earlierstage. === En stor utmaning för avancerade förarstödsystem (ADAS) är problemet med uppfattning av miljön runt omkring. En faktor som gör ADAS svårt att implementera är den stora mängd olika förhållanden som måste tas hand om. De största källorna till olikheter är utseendet på körfältet och vägen, dåliga siktförhållanden samt otydliga bilder. En granskning av nuvarande algoritmer för körfältsdetektering har utförts och baserat på den har en körfältsdetekteringsalgoritm utvecklats och implementerats på ett blandkritiskt system. Avhandlingen är en del av ett större grupprojekt bestående av fem mastersstudenter som ska skapa en demonstrator för autonom konvojkörning. Den slutgiltiga körfältsdetekteringsalgoritmen består av förbehandlingssteg, där bilden konverteras till gråskala och allt utom intresseområdet är bortklippt. OpenCV, ett bibliotek för bildbehandling har använts för kantdetektering och houghtransformation. En algoritm som jämför körfältets mittpunkt och riktning med fordonets faktiska position och riktning har utvecklats och används i experiment för kontroll av fordonet. Körfältsdetekteringsalgoritmen har implementeras på en Raspberry Pi som kommunicerar med en blandkritisk plattform genom UART. Demo-fordonet kan uppnå en uppmätt hastighet på 3,5 m/s med pålitlig väghållning med den utvecklade algoritmen. Det verkar som att flaskhalsen är kontroll av fordonet i sidled och inte körfältsdetektering, ytterligare arbete bör fokusera på kontroll av fordonet och eventuellt utöka synfältet för att detektera kurvor i ett tidigare skede.
|
|---|
