EMB_84

EMBEDDED 84 • MAGGIO • 2022 64 SOFTWARE | DYNAMIC GRID Fig. 5 – Informazioni semantiche aggiuntive permettono di miglio- rare le prestazioni della griglia dinamica Fig. 3 – Le griglie di occupazione statiche contengono regioni di spazio libero non aggiornate (“code” rosse) nel caso all’interno della scena siano presenti oggetti dinamici corretti solamente durante le fasi di elaborazioni succes- sive. Questi errori di clustering possono penalizzare le prestazioni della fusione degli oggetti (Fig. 2). I metodi che utilizzano la griglia di occupazione statica for- niscono oggetti statici oltre allo spazio libero. Se ciò è suf- ficiente dal punto di vista dell’interfacciamento, le griglie statiche contengono anche oggetti dinamici che generano le tipiche “code” non corrette, che a loro volta producono i falsi negativi relativamente allo spazio libero (Fig. 3). Per ovviare a questo inconveniente si potrebbe escludere le misure degli oggetti dinamici prima di inserire le mi- sure nella griglia. Per determinare quali sono le misure originate dagli oggetti dinamici si sfrutta l’associazione derivata dalla fusione di oggetti dinamici. Poiché la qua- lità dell’associazione dipende in larga misura dagli errori di clustering, gli errori si propagano dal clustering attra- verso la fusione degli oggetti fino alla griglia di occupa- zione statica. Coerenza intrinseca (by design) con la “griglia dinamica” Gli approcci alla “sensor fusion” di tipo integrato per- mettono di superare le problematiche sopra esposte in quanto forniscono la stima sia de- gli oggetti statici e dinamici sia dello spazio libero. La “griglia di occupazione dinamica” o, più semplicemente, “griglia dinamica” è un approccio alla “sensor fusion” a basso li- vello integrato che non prevede il ricorso al clustering. Di conseguenza non è affetto dal- la propagazione degli errori imputabili alle decisioni prese nelle fasi iniziali. La classificazione tra oggetti statici e dinamici si basa in- vece su un maggior numero di informazioni. La griglia dinamica aggiunge stime relative alla dinamica dell’og- getto nelle celle della griglia sfruttando differenti ipotesi circa velocità e direzione dell’oggetto (particelle) con- sentendo in tal modo di fare previsioni migliori. Quindi, per la modalità stessa con la quale è stato sviluppato il progetto (by design), non sussistono conflitti tra i vari elementi dinamici che concorrono al traffico e ambien- te statico in quando derivati dallo stesso modello a bassa latenza (Fig .4). L’approccio basato su griglia supporta anche tipi di og- getti dinamici sconosciuti, che ne migliora ulteriormente l’applicabilità negli ambienti urbani. Se un sensore for- nisce la classificazione dell’oggetto come l’informazione di segmentazione semantica proveniente da una teleca- mera, un’informazione di questo tipo può essere aggiun- ta alla griglia. Ciò migliora l’affidabilità dell’estrazione dell’oggetto, fornisce informazioni dettagliate sulla clas- se per gli elementi del traffico e può essere utilizzato per classificare lo spazio libero, utile ad esempio per le opera- zioni di parcheggio automatizzato (Fig. 5). Fig. 4 – Confronto tra la stima aggiornata dello spazio libero pro- dotta dalla griglia dinamica (a sinistra) rispetto alla stima dello spazio libero non aggiornata generata dalla griglia di occupazione statica (a destra)