Accueil Owli-AI Owli-AI
Menu

Cette page a été traduite automatiquement et attend une révision éditoriale.

Recherche Owli-AI

An Electronic Guide Dog for the Blind based on Artificial Neural Networks

(2021) - Paper

S. Lopatin; F. v. Zabiensky; M. Kreutzer; K. Rinn; D. Bienhaus

Technische Hochschule Mittelhessen, University of Applied Sciences, Institute of Technology and Computer Science, Giessen, Germany

Cette page a été traduite automatiquement et attend une révision éditoriale.

Illustration

Schéma fonctionnel de l’Electronic Guide Dog : entrée caméra, segmentation CNN et informations de navigation déduites.
Fig. 1 Schéma fonctionnel de l’Electronic Guide Dog.

Résumé

L’article présente une étude de faisabilité d’un système d’assistance électronique destiné à aider les personnes aveugles et malvoyantes à s’orienter dans l’espace public. Il repose sur la détection optique des surfaces de trottoir praticables par segmentation sémantique avec un réseau neuronal entraîné depuis zéro. La réalisation utilise un NVIDIA Jetson Nano comme unité mobile d’inférence locale. Les informations de navigation déduites des trottoirs détectés sont restituées vocalement. Le travail étudie ainsi la faisabilité technique d’un Electronic Guide Dog portable fondé sur la vision par ordinateur et les CNN.

Mots-clés

  • Aide électronique au déplacement
  • Détection de trottoirs pour personnes aveugles
  • Système ETA portable
  • Technologie d’aide électronique au déplacement
  • Vision par ordinateur
  • Réseau neuronal convolutif

Téléchargement

Télécharger le PDF Retour

Illustrations

  1. Schéma fonctionnel de l’Electronic Guide Dog : entrée caméra, segmentation CNN et informations de navigation déduites.
    Fig. 1 Schéma fonctionnel de l’Electronic Guide Dog.
  2. Architecture avec nœuds ROS2 pour la caméra, la segmentation CNN, l’analyse de l’environnement et la sortie audio.
    Fig. 2 Architecture avec traitement par flux de données.
  3. Nuage de points comparant la vitesse d’inférence et le mIoU de plusieurs architectures de segmentation.
    Fig. 3 Comparaison de vitesse et de précision.
  4. Exemples de segmentation des surfaces de trottoir dans le jeu de test.
    Fig. 4 Résultats d’un échantillon de test avec DeepLabV3 et BiSeNetV2.
  5. Visualisation des paramètres de calcul de l’écart par rapport au trajet optimal sur le trottoir.
    Fig. 5 Paramètres de calcul de l’écart au trajet optimal.
  6. Photos du prototype expérimental avec caméra sur harnais thoracique, unité de calcul et casque.
    Fig. 6 Prototype expérimental en configuration d’essai sur le terrain.
  7. Exemples de segmentation d’essais sur le terrain avec surface de trottoir praticable marquée.
    Fig. 7 Exemples de segmentation sur le terrain.