1. 簡介
1.1 研究動機
隨著經濟的發展,國人擁有自有車輛的比例越來越高,加以人
口不斷的增長,台灣本身的土地又有限,因此停放車輛已是交通的一
大難題。現今停車場系統多設有剩餘停車位顯示的機制提供駕駛者做
參考,但是往往不夠精確,導致駕駛者在停車場裡耗費相當的時間尋
找停車位,一方面浪費油料,另一方面也造成環境的污染;再者有些
停車場的規模龐大,駕駛者在停妥車輛後,再回來取車時常會忘記原
先車輛的停放處,必須花費不少時間來尋找車輛,因此我們提出智慧
型停車場系統來解決上述的問題。
在智慧型停車場系統中,車場的監控及車輛追蹤均在其中扮演
著重要的角色。車輛追蹤配合導引燈號可以引導進入車場的車輛直接
至有空位的地方,如此可以免除車主自己尋找空車位;同時系統也可
以知道該車的停放位置,在稍後車主回來取車時,車主可以藉由系統
立即知道車輛的停放位置,避免因忘記停車位而盲目尋找。而車場內
視功能,視覺系統均在其中扮演重要的角色。
視覺系統所用的攝影機一般可分成靜態與動態兩種,所謂靜態攝
影機指的是攝影機本身的位置及視軸均為固定,此種攝影機在被用來
追蹤車輛時,常會遭遇互相遮蔽(mutual occlusion)的問題。例如在
一車道時,若同時有好幾部車出現,且相互靠近,則彼此之間就有互
相遮蔽的情形產生。雖然我們可以將攝影機的架設方式稍作改變,例
如增加攝影機視軸的斜率(見圖 1.1),如此雖然可以改善遮蔽的問
題,但也會縮小攝影機的監看範圍。又若我們想要多方向的監視車道
時,則必須架設多支不同方向的攝影機,如此不但增加成本費用,也
增加處理的複雜度。此時使用動態攝影機會較理想;此種攝影機的光
軸可以改變方向,包括平移和轉動,它可以經由平移降低遮蔽的影
響,也可經由轉動來多方向監視車道,但主要的缺點是不能同時追蹤
多個物體。因此如果有一種攝影機能以單一 view 同時監看多個物體,
且能將遮蔽的影響降至最低,又能多方位監看,將為一理想的攝影
機。環場攝影機(omnidirectional camera)提供了上述的需求,因此
本研究選定環場攝影機作為提供影像資訊的主要設備。
圖1.1(a) 圖1.1(b)
圖 1.1. (a)圖為攝影機的 optical axis 與車行方向夾角為 45 度角的情況,(b)圖為 攝影機的optical axis 與車行方向夾角為 65 度角的情況。
在車輛追蹤及監視系統設置時首先要做的工作就是要確定環場
攝影機的架設位置,我們要保證所有環場攝影機的視場(field of view,
FOV)能完全覆蓋整個停車場所要監控的範圍,若停車場的規模不大
或許我們可以用人手設定,但是若考量到一般停車場規模皆不小,如
師大停車場能夠容納上千車輛停放,若是以人工設定將是一項艱難之
工程。本研究提出一套演算法則來自動決定環場攝影機的架置位置,
可以完全監控整個停車場,並且產生一 environmental map,將來可供
車輛追蹤之用。
1.2 相關研究
本 文 所 要 探 討 的 問 題 實 際 上 可 以 看 成 是 一 種 覆 蓋 的 問 題
幾何圖形,例如三角形、矩形、多邊形、圓形…等等,而 non-geometric
covering 顧名思義指的是欲覆蓋的範圍為非幾何圖形,例如在生物科
技中常有給予基因樣本(template),想在一長串的基因序列中找出所有
類似樣本的段落,從另一種角度來看,也就是樣本可以覆蓋基因序列
中的那些部分。本文所考慮的問題屬於Geometric covering 問題的一
種,其又可再細分成 finite point sets 及 shapes 兩類,差別在於欲被覆
蓋的集合為離散或連續集合,本文所考慮的問題屬於後者,亦即shape
類,其又可再分成 covering 及 decomposition 兩種;在 decomposition
類中,我們可以想像在給予一集合 P,它如何可被 Q={q1,q2,…,qn}
中的子集合 qi’s 剛好完全覆蓋,亦即 P= ;但在 covering 中則
只要P 即可;圖1.3 顯示此兩類問題的區別。本文所探討的問
題屬於covering 類別,此類問題屬於 NP-hard 的問題[Cul88],到目前
為止仍被繼續探討中[Mot90]。
Q i
q
q
i∈
∪
Q i
q
q
i∈
∪
⊆
圖1.2.覆蓋問題的分類,粗線指引的路徑為本文所研究問題的分類。
圖1.3(a) 圖1.3(b)
的是如何規劃出一條路徑使得清潔機器人可以將一環境內範圍都清
掃得到,也就是能將整個環境都覆蓋到。在[Her96]的研究中提出一
on-line 的 terrian-covering 演算法,運用在海底地形偵測用機器人上,
其中機器人身上的 sensors 可以感應鄰近地形,形成一近似多面體,
然後將3D 的地形垂直投射到 2D 平面上,於此 2D 平面上規劃路徑,
由於是三維計算所以複雜度較高,若遇到地形有洞穴時必須額外紀錄
此環境資訊,因為在近似多面體投射於2D 平面後並不能看出是否有
洞穴存在。[Hof95]及[De97]提出一種 template-based 的方法,此演算
法將機器人的動作分成五種形式,分別為直線進行、迴轉、側移、八
字型路徑及返回原路徑,分別運用在以下狀況:無障礙物、遇到邊界、
遇到牆角且側移之後仍有路可走、大範圍無障礙物的狀況,以及障礙
物出現在欲清潔的區域中,此方法的計算複雜度亦很高;[Fu99]使用
裝設在機器人身上的超音波及紅外線sensors 來得知外部環境資訊(例
如牆壁及障礙物);Fu 也預先定義了一些機械人的行為,包括找尋牆
壁、沿著牆壁行走、碰撞避免、原地轉彎及橫移,因為這些行為都以
直線路徑的方式來完成,所以在處理非線性介面的障礙物時無法完全
覆蓋區域。[Luo02]使用類神經網路中一修改過的 Hopfield model
[Fre92],其中將環境中未清潔的區域視為激發刺激源,而視障礙物為
抑制刺激源,如此機器人在欲清潔的環境中行走時會被尚未清潔的區
域吸引,被障礙物所排斥推擠,如此可規劃出一條最佳路徑,此法因
未事先定義機械人的行為,所以可以處理非線性的環境。
本研究將運用路徑規劃的方法,首先將2 維的覆蓋問題簡化成 1
維的問題,接著利用得到的一維路徑,考慮其上的覆蓋問題。第一部
份我們修改[Luo02]的方法,來規劃一條能完整覆蓋整個停車場的路
徑,然後沿著此路徑利用我們提出的類神經網路來放置環場攝影機,
達到完全監控整個停車場的目的。
1.3 論文架構
在第二章中我們首先將所考慮的問題轉換成一覆蓋的問題,然
後介紹環場攝影機,再描述解決此問題的流程;在第三章中我們描述
環場攝影機校正的過程。第四章則討論攝影機的佈設細節。第五章討
論如何產生environmental map。第六章展示實驗結果。最後第七章為
本論文做一總結並探討未來可能的研究方向。