泊车辅助（精选4篇）
泊车辅助 篇1
0 引言
煤矿井下运输货物和人员主要采用轨道机车、提升罐笼装置等传统运输方式。但轨道机车存在运输环节多、速度慢、占用设备、调度复杂、装卸货物麻烦等缺点, 许多煤矿井下辅助运输均以防爆无轨胶轮车取代轨道机车[1]。矿用防爆无轨胶轮车运输效率高, 灵活机动性强, 不受轨道限制, 在山西、宁夏、内蒙古等地区以平硐、斜井或者低瓦斯为主的矿井开采环境中应用很广泛。
矿用无轨胶轮车按用途可分为运输类车辆、铲运类车辆和特种类车辆。其中运输类车辆主要用于将井口或井底车场的人员、货物、设备运送到工作面或卸料点;铲运类车辆是以铲斗、铲板或者铲叉作为工作装置, 给运输类车辆装载、装卸设备和货物;特种类车辆是完成井下辅助性或特殊性任务的车辆。目前, 矿用无轨胶轮车在使用过程中均存在驾驶人员视线不好的问题, 特别是有些车辆将驾驶室设计为侧向方位, 驾驶员在倒车时无法看到盲区内的人和物, 不能够及时预防事故发生。
根据MT/T 989—2006《矿用防爆柴油机无轨胶轮车通用技术条件》的要求, 目前下井车辆都已配备自动保护装置。自动保护装置对发动机参数、行车参数、冷却系统都进行了相关监测, 并有自动停机措施[2]。在通用技术条件中未提及无轨胶轮车在倒车过程中的一些参数, 实际在现场应用中, 倒车距离及影像系统是非常重要的, 而在目前矿用无轨胶轮车上, 还没有一款成型的倒车雷达与影像系统, 煤矿因为倒车发生的安全事故也时有发生, 严重影响人员安全。为此, 笔者设计了矿用无轨胶轮车泊车辅助装置, 该装置可采集盲区内的图像信息和车辆与障碍物之间的距离数据并且传输至驾驶室图像仪表中, 解决了驾驶人员在倒车时视线受阻的问题。
1 装置采集信号量分析
泊车辅助装置需要采集的信号量分析如下:
(1) 车辆运行方向状态量采集:当车辆处于倒车状态时, 泊车辅助装置应能自动检测到车辆处于倒车状态并激活相应数据采集功能;车辆处于前进方向时, 泊车辅助装置应处于待机状态。
(2) 倒车距离数据采集:采集车辆尾部与障碍物之间的距离信息, 实现车辆尾部探测障碍物无缝覆盖。
(3) 图像信号采集:采集驾驶人员视线受阻区域图像信号。
(4) 视频图像信号切换:当车辆装配多个摄像头时, 图像信号在显示设备上只能同时显示1个区域图像, 泊车辅助装置应能支持手动切换, 将不同区域的图像输出至显示设备上。
2 装置设计
2.1 装置设计总体规划
矿用无轨胶轮车泊车辅助装置需采集的信号涉及距离数据、图像信号、倒车状态信号和开关量输入信号, 将倒车距离采集设备、图像采集设备、图像切换开关以及车辆运行方向识别设备设计成独立的传感器或设备, 接入泊车辅助装置主机, 如图1所示。
当矿用车辆档位拨到倒车档位时, 泊车辅助装置通过倒车压力或者档位位置开关识别出车辆处于倒车状态;由距离探测传感器采集车辆与障碍物之间的距离信息;通过车辆尾部的车载摄像仪实时采集倒车图像信号, 当泊车辅助装置主机检测到车辆处于倒车状态时, 将车辆与障碍物距离数据通过装置主机中的CAN总线或者RS485总线上传至泊车辅助装置配接的YE0.3/24机车保护监控仪或者ZBC24-X监示器, 通过配接的显示器显示出来;同时将倒车距离数据叠加于倒车图像信号之上, 输出至泊车辅助装置主机的视频输出口, 供接入的独立视频显示器使用。
2.2 车辆运行方向信号量采集
车辆运行方向信号量采集可通过倒车压力或者档位位置开关来实现。但有些矿用车辆在启动之前, 压力泵是不工作的, 没有建立液压系统和相应的管路压力, 因此, 利用压力开关检测车辆运行方向存在一定的局限性。
磁敏元件广泛应用于车辆上, 通过磁敏传感器可以实现排档杆位置的检测, 如图2所示。
当驾驶人员将排档杆拨到倒车档时, 磁敏传感器输出开关信号 (断开或者闭合) , 经信号调理电路后输出至泊车辅助装置主机检测电路, 当装置主机检测到开关状态变化 (断开或者闭合) 后, 经多次检测和滤波, 可判别排档杆在倒车档, 实现车辆运行方向识别。
2.3 倒车距离数据采集
地面技术中用于测量距离的技术手段很多, 如激光、红外、超声波、高频雷达等, 地面车辆上普遍采用超声波方式测量倒车距离。超声波传感器测距实际上是利用压电晶体的谐振来工作的, 谐振频率为40kHz的机械波[3]。机械波在同一介质中直线传播, 在发射的同时开始计时, 途中碰到障碍物就立即返回来, 超声波传感器收到反射波就立即停止计时, 并根据发射和接收超声波的时间差来计算距离障碍物的距离。
在本设计中, 考虑到井下巷道宽度、矿用车辆车身长度等因素, 选用探测距离为200~2 000mm的超声波传感器来测量倒车距离。传感器的超声波声叶图区域显示如图3所示。从图3可看出, 此类超声波传感器声叶图覆盖范围在600 mm左右[4], 因此, 在无轨胶轮车上装配超声波传感器时, 安装间距选择600mm即可实现车辆尾部探测区域的无缝覆盖。
2.4 图像信号采集
图像采集探头在市面上有很多, 尤其是在家用轿车的倒车视频中更是应用广泛。通常市面上的倒车影像都是采用小尺寸COMS感光元件, 成本相对较低, 但是这种CMOS感光元件由于在低照度环境下成像效果比CCD差, 同时低端CMOS的寿命比CCD短, 在工业上无高清监控需求领域, 考虑到视频拖影、低照度及寿命等原因都采用CCD探头来实现图像信号采集[5]。本设计中车载视频采集探头选用体积小巧的低照度CCD探头作为前端采集。另外, 由于视频采集探头安装在车上, 整体的结构需考虑抗砸性和抗震设计 (外壁3mm厚度, 内部多点固定支撑摄像头) 。同时考虑到视频采集探头在车上安装位置不尽相同, 设备通过可旋转、调节的底盘来固定和安装, 这样既能保证摄像仪图像可任意旋转, 也可以适应不同的车辆安装需求。
图像采集探头采用本安DC12V供电, 对外输出模拟视频信号, 通过同轴线缆接入泊车辅助装置主机视频输入接口。
2.5 图像与距离信号叠加及自动切换
倒车距离信号和图像信号采集后输入至泊车辅助装置主机, 如果装置显示设备选用视频显示器, 由于视频显示器显示的是模拟图像信号, 倒车距离数据无法显示, 因此, 需要将倒车距离数据叠加在模拟图像信号之上。针对数字图像信号, 常用的图像叠加采用FPGA方式处理[6], 对于模拟图像信号, 设计中采用分时显示方法处理, 如图4所示, 通过“字符图像”发生电路和微控制器之间配合, 控制视频输出和倒车雷达数据输出通道上的时序关系, 将倒车距离数据直接叠加到实时显示的图像上, 输出至视频输出接口。
3 结语
从矿用无轨胶轮车应用的实际情况出发, 在分析无轨胶轮车存在倒车安全隐患的基础上, 结合煤矿车载设备应用环境, 设计了矿用无轨胶轮车泊车辅助装置。该装置可以单独用作倒车测距、独立倒车视频监控, 也可以同时使用, 满足用户多样化选择要求。目前, 该无轨胶轮车泊车辅助装置已装配在WC5E无轨胶轮水泥罐车和WC80Y无轨胶轮80t框架车上, 现场应用结果表明, 装置运行稳定可靠, 能够有效监测400~2 000mm倒车距离, 倒车视频图像能够在低照度环境下清晰显示, 解决了在视线受阻区域倒车的安全问题。
摘要：针对无轨胶轮车倒车存在的安全隐患, 设计了矿用无轨胶轮车泊车辅助装置, 详细介绍了该装置倒车距离信号、图像信号、车辆行进方向信号和切换开关输入信号的采集原理。实际应用结果表明, 该装置性能稳定可靠, 能够有效监测4002 000mm倒车距离, 倒车视频图像能够在低照度环境下清晰显示, 解决了在视线受阻区域倒车的安全问题。
关键词：无轨胶轮车,泊车辅助装置,倒车,信号采集
参考文献
[1]戴志晔.煤矿井下无轨胶轮车的现状及应用[J].煤炭科学技术, 2003, 31 (2) :22-25.
[2]MT/T 989—2006矿用防爆柴油机无轨胶轮车通用技术条件[S].
[3]李媛.矿用自卸车障碍物检测及倒车监测装置[J].煤矿安全, 2013, 44 (2) :111-113.
[4]希而科贸易 (上海) 有限公司.德国SensoPart Industriesensorik GmbH传感器产品描述[EB/OL]. (2012-08-31) [2013-09-15].http://www.cpooo.com/products/3600397.html.
[5]雷玉堂.CMOS摄像机与CCD摄像机的比较[J].中国公共安全:综合版, 2012 (16) :188-192.
[6]王旭东.基于FPGA的视频图像叠加系统的设计与实现[J].电子技术应用, 2007 (11) :44-46.
泊车辅助 篇2
近年来,随着人们生活水平的不断提高,我国汽车工业的快速发展,机动车逐渐走入家庭。目前,据相关部门统计,我国机动车保有量达到9200万。越来越多的机动车出现在道路上、街道内、停车场里,导致道路交通日益拥堵,这给驾驶员也带来了诸多不便,道路安全隐患也呈逐渐上涨的趋势[1,2]。据交通管理部门和国家统计部门的相关数据显示,中国每年大约有八万人死于交通事故,道路交通伤害已成为世界10岁至18岁青少年死亡的最重要原因之一[3]。
调查发现,当司机倒车或停车时,发生事故的概率占道路交通事故的比例较大。造成这一事故的原因有很多,其主要表现在以下三个方面:首先,驾驶者在车内的视觉盲区;其次,恶劣天气对驾驶员视野的影响;最后,驾驶员的驾驶技术。其中视觉不畅最容易造成事故,引起人员伤亡和相关财产损失。2010日9月7日,江苏新沂一名三岁半的男孩在一辆奥迪轿车后面玩游戏,由于视觉盲区,驾驶员在车上并没有意识到,导致汽车发动后直接从男孩身上的碾压过去,男孩当场死亡。因此,全景泊车辅助系统的开发,不仅可以解决驾驶员的后顾之忧,安全驾驶,从而减少不必要的损失和人员伤亡。
所谓的全景泊车辅助系统,是指能够为驾驶员实时显示车辆周围视频图像,可保证驾驶员实时掌握车辆周围的最新情况,包括可能存在的障碍物以及来往行人,扩大驾驶员的视野。本文为了消除汽车启动、行使或停车过程中的盲区,从软、硬件两个方面对全景可视化辅助泊车系统进行初步设计。
1 系统硬件电路设计
为了更好的展示全景泊车辅助系统硬件设计方案,可将整个系统分成电源模块、主电路模块、采集模块、LCD显示屏模块4个部分,如图1所示。其中视觉部分主要由CMOS摄像头,图像处理单元和显示屏幕构成[4]。图像处理单元中采用数字信号处理器来完成视频图像处理,主要由ADC、DSP和DAC组成;CMOS视频传感器将车身周围的视频图像传输给图像处理单元;系统的显示部分由驾驶室中的一块LCD显示屏组成,将系统处理后的全景视频图像提供给驾驶员。
整套的多源汽车全景显示系统仿真实验硬件包括个人电脑、图像采集设备和4个摄像头,如图2所示。
其中,4个摄像头是用来采集仿真模型四周的图像,以提供给图像采集设备进行信息的存储,如图2(a)箭头所指位置,图像采集设备是用来获取图像信息,以解决提供给个人电脑进行图像的处理,个人电脑是本次实车模型仿真实验的核心部分,相对于该系统的CUP结构,主要用来图像信息的处理与输出,在后期的研究中,需将中央处理器独立出去,从而形成一台正真意义上的多源汽车全景系统。
2 系统软件设计
系统软件流程如图3所示,首先对系统的参数初始化,设置前后左右4个摄像头水平方位和垂直方位等参数,以保证最大重复区,便于后期的图像拼接处理;然后进入图像预处理模块,将获取车身周围的图像分成两组,并采用图像逆投影变换方法将车前和车后透视图转换成鸟瞰俯视效果图;并在相邻摄像头覆盖的公共区域内采用SIFT方法寻找特征点,在待拼接图像中确定拼接点的位置,以实现图像的无缝连接,并在此基础上,采用基于分层模型的图像融合方法,对原始图像进行划分成块以选择同一位置像素较为清晰的区域,利用加权平均法对其边缘进行融合,当所计算区域的值相近时,则对该区域进行子模块的划分,重复上述融合方法,最终得到融合后的效果图;待汽车周围的图像拼接、融合完成后,生成全景图像拼接映射表保存,同时,为保证驾驶员的最佳视觉效果,驾驶员可以根据周围的亮度来选择是否全景图像增强处理图像和输出增强处理的全景图像的全景图像。
3 实验验证
本文采用Matlab的GUI进行图像界面的设计,将镜头所采集的图像显示在所设计的界面上,并通过图像拼接技术、图像融合技术将四幅图像进行合成,以形成一幅汽车四周模拟的全景图像,提供给驾驶人员,方便其驾驶行车。在登陆系统后,点击“图像采集”按钮进行汽车四周图像的采集,如图4所示[5]。
然后,点击“现有技术”按钮与“所提方法”按钮进行全景泊车辅助系统图像处理,结果如下:
从图5可以看出,本文设计得全景图融合效果较好,图像的连续性较强,较好满足了人们的视觉要求。
4 总结
本文主要介绍了全景可视化辅助停车系统的应用背景、系统的设计目标和功能,并进一步设计了全景视觉辅助停车系统硬件结构和软件流程,最后,实验生成全景图像以验证全景可视化辅助停车系统设计的有效性。
参考文献
[1]Kai-Che Liu,Hurng-Sheng Wu.Automatic Distortion Correction of Endoscopic Image Captured With Wide-Angle Zoom Lens[J].IEEE Transactions on Biomedical Engineering,2013,60(9):2603-2612.
[2]吴永祺.基于全景视觉的汽车安全驾驶辅助系统的设计研究[D].华南理工大学,2014.
[3]张平改,魏利胜,周圣文.基于图像融合的泊车辅助系统研究[J].安徽工程大学学报,2015,30(5):58-62.
[4]赵凯.全景可视化辅助泊车系统研究[D].合肥工业大学,2011.
泊车辅助 篇3
近些年来,泊车辅助逐渐成为汽车辅助驾驶领域的研究热点。市面上已经出现了不少具有自动泊车功能的车型,包括丰田、大众等多家公司的产品。然而,这些车辆的自动泊车功能都基于超声雷达,并且只能在简单情况下安全使用。更多时候仍需要驾驶员自己动手泊车。
Bird-view方案通过车尾摄像头得到场景鸟瞰图以辅助泊车,如图1所示。在俯视图中,障碍物的距离分布更直观,俯视的地面也更利于司机控制车辆方向(尤其带有平行停车线时,可以为司机提供重要参照)。俯视图中,在输入图像中不可见的区域标记为黑色,如图1(b)的左下和右下角所示。
(a)原图,车尾摄像头输入;(b)场景俯视图
此前的bird-view方案都较为简单,或直接转换视角,或通过球面化以减小场景中物体的形变。这些方法都存在明显的缺点,以至于无法在实际产品中应用。关于已有方案的详细讨论见第2节。
本文提出了一种基于场景分类的bird-view方案,此方案既能给出接近真实情况的地面俯视图,又能提供车后障碍物的详细分布与距离,为驾驶员泊车入位提供极大的便利。配合帧间滤波和算法优化,帧间抖动和实时性问题得到解决,使得此方案能够在实际中应用。文中给出了详细的方案对比、算法设计以及实验分析,以验证所提方案的优越性。
文章第2节介绍了几种传统的bird-view解决方案;第3节给出了基于场景分类的bird-view方案细节;第4、5节为实验结果和结论。
1 传统Bird-View方案
1.1 直接变换视角的Bird-View
最简单的bird-view方案是假设场景中所有物体都分布在地平面上,也就是所有物体的高度都是0。此时场景的三维结构很容易求得,根据摄像头参数直接进行视角变换即可得到俯视图。Ehlgen和Pajdla[1]采用这种方法为卡车司机提供场景俯视图,该方法效果如图2所示。可以看出,其对于地面可以得到较为准确的俯视结果(因为地面满足假设条件),但地面以上的物体(尤其是离汽车较近的物体)在俯视图中却发生严重变形,甚至无法辨认。这是由于该方法的假设(物体相对于地面高度都为0)对于地面以上的物体不满足导致的。
(a)原图;(b)俯视图结果
1.2 基于图像变形的Bird-View
鉴于前种方法的缺点,Liu等人[2]将场景的分布假设为球面,即认为场景的高度分布在一个球面上。这样地面以上的物体在俯视图中就不会被明显地拉长,结果如图3所示。该方法等价于对图像进行球面化的变形操作。此时,地面以上的物体变形相对于前种方案明显减小。然而,很明显,由于变形依然存在(尤其当物体离车较近时),场景俯视图看起来仍不自然。此外,由于球面化的作用,地面也同样会发生变形。司机从俯视图中看起来好像是在一个球面上开车,并且物体大小比例发生了很大变化。这种现象会使其感到不安,甚至眩晕,不利于安全泊车。
(a)原图;(b)俯视图结果
1.3 基于三维重建的Bird-View
求场景俯视图需要首先得到场景的三维结构,因此很自然地联想到可以对场景进行三维重建。精确的三维重建算法需要多目摄像头作为输入[4],对于现有车辆硬件系统来说并不现实。近些年来,基于单目摄像头的场景估计算法得到了很大发展。我们试验了基于单幅图片进行深度估计的方法,结果如图4所示。事实上,所有基于单目摄像头输入的场景估计方法准确性都较低,此时转换视角得到的俯视图效果也难以接受。
(a)原图;(b)俯视图结果
2 基于场景分类的Bird-View
传统的bird-view方法都存在明显的缺点,使其无法在实际中应用。本文提出了基于场景分类的bird-view方案。此方案综合了此前方案的优点,能够同时获得接近真实的地面俯视图和较为准确的障碍物分布信息,方便驾驶员泊车。
2.1 场景分类
场景分类采用了Hoiem[3]等人提出的算法,该算法用于对单幅图片进行场景分类,从而创建简单的场景模型,算法流程如图5所示。输入一幅图像,首先进行图像分割,得到superpixels(分割出来的小块儿图像),对每个superpixel提取特征,使用训练好的分类器进行分类,判断该superpixel属于地面还是地面以上。分类器采用Adaboost,弱分类器类型为决策树。分类特征包括位置、颜色、纹理、形状等,算法细节参见Hoiem的文章[3]。该方法可以获得很高的分类准确率。
3.2由场景得到Bird-View
从前面的讨论可知,针对地面,直接进行坐标变换即可得到准确的俯视效果。对于地面以上物体,类似于球面化的bird-view方案,我们假设物体分布在与地面呈固定夹角的斜面上,以保证物体在俯视图中不会被显著拉长。此时场景的三维结构容易求得,再进行视角变化即可得到场景俯视图。图1即为该方案生成的结果。可以看出,其效果远好于此前的方案,俯视图中既可以得到接近真实情况的地面,又能清楚看到地上的障碍物。
然而,由于假设的物体高度分布与实际并不相符,为了保证俯视图中图像的连续性,需要对场景三维信息中的高度值进行滤波。当场景中的物体没有明显深度差时,此方案效果较好,正如图1所示。否则,滤波将使得场景结构发生较大变化,转换得到的俯视图也会严重变形,如图6所示。可以明显看出,尽管场景分类结果正确(如图6(b)所示,红色表示地面以上,绿色表示地面,建议在彩色图上观看),但场景仍发生严重变形,甚至无法辨认。
(a)原图;(b)场景分类结果(红色表示地面以上,绿色表示地面);(c)俯视图结果
由于输入图像中不同物体的深度差无法得到准确估计,对图像进行语义分割(将不同物体分割出来)又是一项更为困难的工作,该问题很难得到解决。为此,对于地面以上的物体,我们充分利用分类信息,给出其在俯视图中的分布和距离,而不直接给出物体俯视效果,从而避免场景变形的问题。结果如图7所示,地上障碍物使用透明的红色进行标记(建议在彩色图中观看,灰度图中无法看出效果)。此外,根据摄像头参数计算出物体与汽车的距离,将距离标尺显示在俯视图中。此方案使得司机能够清楚地看到地面俯视图以及障碍物分布情况,同时又能判断障碍物离车的距离,以便控制车辆进行躲避,为停车入位提供了很大的便利。
(a)原图;(b)俯视图效果(红色区域为障碍物)
2.3 后处理
由于算法针对单幅图像进行处理,直接处理视频时存在帧间抖动的现象。对此,我们对场景分类结果进行滤波,限定相邻帧之间场景分类的最大差异,使得此算法能够在视频上流畅地运行,得到平滑的输出结果。同时,这种限制还可以对算法进行优化,即对由前一帧可以判断出类别的区域不再使用分类器进行分类,以缩短算法运行时间。
综上,基于场景分类的bird-view方案流程如图8所示。
3 实验结果
3.1 场景分类
收集100张实际拍摄的图片作为数据集,其中包括柏油路、土地、石灰地等多种路面情况以及不同的场景物体。所有图片均由人工标注了场景分类结果用作训练和检验。随机选择其中的50张图片用于训练分类器,另外50张用于统计错误率。一张图片的分类错误率定义为错分的像素数占图片总像素数的比例,取平均即为算法在测试集上的分类错误率。进行5次随机试验,场景分类算法在该数据集上的错误率约为8%。
3.2 Bird-view方案的结果
图9给出了基于场景分类的bird-view方案在不同场景下的结果。可以看出,场景分类算法能够准确地对地面和地面以上物体进行分类。基于分类的bird-view结果既提供了较为准确的地面俯视图又给出了障碍物的分布及距离,使得驾驶员可以参照停车线控制方向,同时有效避开障碍。
3.3 算法性能
在一台CPU Core 2 Duo 2.4GHz,内存为2G的PC上,输入图片大小为320×240时,处理一幅图片所需时间约为100ms。对于帧速为10fps的输入视频流可以达到实时处理需求。
4 结论
本文提出了一种基于场景分类的bird-view解决方案,通过车尾摄像头得到场景鸟瞰图以辅助泊车。此方案既能给出接近真实的地面俯视图,又能提供车后障碍物的详细分布与距离,为泊车提供了极大的便利。实验表明,此方案效果优于已有bird-view方案。此外,通过帧间滤波和算法优化,帧间抖动和实时性问题可以被较好地解决,使得此方案具备在实际中应用的条件。此方案目前还处于研究阶段,距离实际应用还有很大距离,如何得到更加准确平滑的处理结果以及算法的进一步加速将是今后工作的重点。
参考文献
[1]Ehlgen T,Pajdla T.Monitoring surrounding areas of truck-trailer combinations[C].International Conference on Computer Vision Systems,2007.
[2]Liu Y C,Lin K Y,Chen Y S.Birds-eye view vision system for vehicle surrounding monitoring[C].Proc.Conf.Robot Vision,2008.
[3]Hoiem D,Efros A A,Hebert M.Geometric context from a single image[C].ICCV,2005.
泊车辅助 篇4
随着人们生活水平的提高, 车辆已经逐渐成为人们生活中的主要交通工具。越来越多的家庭开始拥有私家车, 人均车辆数也在上升。中华人民共和国国家统计局发布的《2010年国民经济和社会发展统计公报》显示, 2010年末全国民用汽车保有量达到9 086万辆 (包括三轮汽车和低速货车1 284万辆) , 比2009年末增长19.3%, 其中私人汽车保有量6 539万辆, 增长25.3%。民用轿车保有量4 029万辆, 增长28.4%, 其中私人轿车3 443万辆, 增长32.2%。生活水平提高的同时, 伴随着越来越多的人拥有车辆, 在许多城市可以看到大街小巷都是车辆, 于是出现了停车场供不应求的问题。据调查显示, 80%拥有车辆的人觉得在一个城市很难快速找到停车场停车, 这不仅影响了人们既定的行程, 也造成了交通混乱的问题。于是, 找到一个解决停车场停车的方法俨然成为了如今最迫切需要解决的问题。
基于这样一个社会问题, 文章通过对普适计算的研究和Dijkstra算法的应用, 提出一种基于普适计算和Dijkstra算法的设计, 用于辅助人们停车以解决如今停车困难的社会生活问题。
1 普适计算概述
1.1 普适计算概念
随着计算机技术和网络技术的不断发展, 计算模式经历了主机时代、个人计算机时代、因特网和分布计算时代, 今天迈向了普适计算时代。普适计算 (Pervasive computing或ubiquitous computing) 是由美国Xerox PAPC实验室的Weiser提出的一种被誉为第三代计算模式的全新概念。它强调以人为本, 强调信息空间与物理空间的融合。普适计算的目的在于使计算机在整个物理环境中都是可获取的, 而用户则觉察不到计算机的存在, 也就是说, 普适计算不是开发新的计算设备, 而是开发一种新的计算模式以及与之相适应的人机交互方式。在这种交互方式下计算设备和技术“消失”在用户日常生活和工作任务的背景中, 保证用户在得到计算服务的同时无需觉察计算机的存在, 并以致为此分心, 从而使其注意力回归到任务要身。
1.2 普适计算的特点
普适计算具有两个主要特征: (1) 随时随地访问信息的能力:普适计算突破了用户坐在计算机前的限制, 将计算机嵌入到生活中, 使人们能随时随地享受计算机带来的服务。 (2) 透明性:通过物理环境中存在的各种传感器、嵌入式设备、移动设备和其他任何有计算能力的设备, 在用户无察觉的情况下完成了计算、通信, 实现了人机交互服务, 并最大限度地减少用户的介入。简而言之就是使人能随时随地获得透明的服务, 这就需要通过简化移动设备, 把复杂计算通过网络迁移到周围强大的服务器上, 使简化的移动设备与服务器协同合作, 达到用户能随时随地方便接收服务的目的。
本文的设计方案就是利用了普适计算的两个主要特征使用户能随时随地寻找到适合的停车场进行停车。将普适计算“以人为本”的理念运用到生活中, 不仅改善了人们的生活, 更体现了普适计算的信息技术与人类生活的结合。
2 基于普适计算辅助泊车的设计
如图1, 该流程是本文所设计方案的详细过程。用户在驾驶车辆时若要停车, 通过开启车辆上停车场的搜寻服务, 服务器通过传感器感知用户所在位置并搜寻附近所有停车场以提供给用户。若用户需要快速找到最近距离的停车场路线, 只需返回给服务器是否需要提供服务, 服务器收到需要提供服务的回复后, 通过Dijkstra算法提供给用户最近距离的停车场路线。
在基于普适计算的环境下, 用户实际上没有察觉到计算机的存在, 也没有涉及到服务的过程。用户仅仅通过开启停车场的搜寻服务就得到了其附近所有停车场的位置, 并根据自己的需要就能得到最近距离的停车场路线。
如图2, 该流程是用户实际参与到的服务过程。用户在普适计算的环境下, 只需开启服务便能得到结果。该设计方案通过普适计算使计算设备和提供服务的具体步骤“消失”在用户生活中。简而言之, 对于用户只要得到结果而不用在乎怎么做如何做。这就体现除了普适计算“以人为本”的理念。
3 基于Dijkstra算法求最近停车场距离
Dijkstra算法是一种典型的单源最短路径算法, 用于计算图中一个节点到其它所有节点的最短路径。主要特点是以起始点为中心向外层层扩展, 直到扩展到终点为止。
Dijkstra算法的实现如下:
X→{1};Y→V-{1}
对每个v∈Y, 如果存在从1到v的边, 则令λ[v] (v的标记) 为边的长度;否则令λ[v]=∞, 并设λ[1]=0
while Y{}
令y∈Y, 使得λ[y]为最小
将y从Y移到X
更新那些在Y中与y相邻的顶点的标记
end while
我们都知道, 从一个地点到另一个地点往往有许多条路线可走, 但是在生活中, 人们无法快速知道究竟走那条路线是最短距离的。本文设计方案中服务器通过Dijkstra算法寻求出一条最近距离停车场路线。
如图3, 在这里通过一张含权有向图来简化生活中用户所在位置到停车场的全部路径。图3中, U是用户车辆所在位置, P是停车场位置, A、B、C为道路结点, 两个结点间的数字表示为两点间的距离即是该图中边的权值。在该图中, 用户若要从U到停车场P共有六条路径, 分别是U※A※P;U※A※B※P;U※A※B※C※P;U※B※P;U※B※A※P;U※B※C※P。Dijkstra算法就是通过其算法选择其中一条最短的路径。
以下详述Dijkstra算法如何选择其中最短一条路径:
(1) 用λ[v]=length[1, v]对每个顶点v进行标记, 如图4所示, 顶点U标为0, 顶点A和B分别标为1, 2, 其他标为∞, 此时X={U}, Y={A, B, C, P};
(2) 在Y中所有顶点的标记最小的是λ[A]=1,
将A移到X表示找到了顶点A的距离, 更新A邻点B、P的标记, 如图5所示;
(3) 此时X={U, A}, Y={B, C, P}, Y中顶点的标记最小的是λ[B]=2, 将B移到X表示找到了顶点B的距离, 更新B邻点C、P的标记, 如图6所示。4) 此时X={U, A,
Y={C, P}, Y中顶点的标记最小的是λ[P]=11, 将P移到X表示找到了顶点P的距离, 此时X={U, A, B, P}。由于P为目标地址, 所以此时算法结束。所得出的路径为X中元素的顶点即U※A※B※P为最短路径。
最后通过比较所有停车场到用户所在位置的最短路径选择一条最近的停车场路径反馈给用户。
4 设计的优缺点
4.1 设计的优越性
以上是一个简单的设计方案, 在很大程度上体现出了普适计算的优越性: (1) 普适性:它能让用户随时随地获得附近停车场的信息; (2) 透明性:不需要用户计算等直接操作就能获得服务; (3) 动态性:用户能处于移动状态中获得服务; (4) 自适应性:该辅助泊车系统能感知用户需求提供服务, 例如本文用户要得到最近停车场路径; (5) 永恒性:当服务器将结果反馈给用户后就离开了计算, 它是能根据用户的需求自动进行计算的服务。
4.2 设计的局限性或缺点
每一个设计方案都有其优缺点, 同样存在该基于普适计算和Dijkstra算法辅助泊车的设计中。由于Dijkstra算法遍历计算的节点很多, 特别是在生活中有时会出现很多条路径通往一个停车场, 所以效率低;其次是该设计中有一重要因素未考虑:停车场是否有停车位。该设计方案仅仅是反馈给用户停车场位置, 在技术不成熟的条件下并没有考虑到是否停车位。
5 结束语
普适计算是如今正在发展中的一个全新领域, 其“以人为本”的理念将信息技术与人类生活挂钩以改善人类生活质量。本文提出的基于普适计算和Dijkstra算法辅助泊车的设计关注到社会生活中停车难的问题, 以改善传统满大街找停车场的做法, 将普适计算的核心应用到生活中也是普适计算发展的本意。计算机的算法应用到实践中也打破了以往计算机算法的理论性, 通过理论与实践相结合, 使计算机无处不在地存在于人类生活中。
参考文献
[1]WEISER M, BROWNJ S.The Coming Age of Cal m Technology[C].Beyond Calculation:the Next Fifty Years of Computing.NewYork:Springer Verlag 1997.
[2]WEISER M.The computer for the 21st Century[J].Scientific A-merican, 1991 (3) .
[3]徐光佑, 史元春, 谢伟凯.普适计算[J].计算机学报, 2003 (9) .
[4]岳玮宁, 等.普适计算的人机交互框架研究[J].计算机学报, 2004 (12) .
[5]朱珍民, 史红周.网格终端与普适计算的发展趋势[J].信息技术快报, 2004 (4) .
[6][美]莱维丁.算法设计与分析基础[M].潘彦, 译.北京:清华大学出版社, 2007.