№ 9 (114)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
сентябрь, 2023 г.
DOI: 10.32743/UniTech.2023.114.9.16016
ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ iOS-ПРИЛОЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ LiDAR ДЛЯ ПОМОЩИ СЛАБОВИДЯЩИМ
Иманов Шамиль Эльманович
iOS-разработчик ООО Джиэй Тэктим, РФ, г. Москва E-mail: 1man0w25@gmail.com
APPLICATION OF MACHINE LEARNING TO CREATE INTELLIGENT iOS APPLICATIONS USING LiDAR TO HELP THE VISUALLY IMPAIRED
Shamil Imanov
Position iOS developer Jiey Tekteam LLC, Russia, Moscow
АННОТАЦИЯ
Цель исследования. Цель данного исследования заключается в разработке и оценке эффективности интеграции искусственного интеллекта (ИИ) и машинного обучения (МО) в мобильных приложениях на платформе iOS, специфически предназначенных для ассистирования людям с визуальными нарушениями. Центральный вопрос исследования заключается в том, как встроенный в современные мобильные устройства Apple сенсор LiDAR (Light Detection and Ranging) может обогатить функциональность таких приложений, делая их не только более точными, но и полезными в трехмерном пространстве.
Методы. В качестве основных методов исследования были выбраны количественный и качественный анализ существующих исследований и публикаций по применению ИИ и МО в сфере ассистивных технологий. Была проведена разработка прототипа приложения с использованием методологий Agile и Scrum, и последующее его тестирование на выборке из 300 человек со слабым зрением. Помимо этого, проводился семантический анализ трехмерных данных, собранных сенсором LiDAR, для более точного понимания интеракций между пользователем и окружающей средой.
Основные результаты. Основной результат заключается в демонстрации возможности значительного повышения функциональности мобильных ассистивных технологий за счет интеграции сенсора LiDAR и алгоритмов машинного обучения. В частности, было выявлено, что использование LiDAR существенно улучшает возможности приложения в части распознавания и интерпретации трехмерного пространства, что, в свою очередь, повышает уровень безопасности и комфорта пользователя. Дополнительно, на базе данных о слабовидящих, было показано, что интеграция этих технологий может быть особенно полезной для 90% этой популяции, проживающей в странах с низким и средним уровнем доходов.
Выводы. На основе проведенного исследования можно сделать вывод о значительном потенциале применения сенсора LiDAR в сочетании с алгоритмами ИИ и МО в разработке мобильных приложений для ассистирования людям со слабым зрением. Эта интеграция открывает новые горизонты для улучшения качества жизни этой категории лиц, делая технологии более доступными и функциональными.
Обоснование новизны работы. Данное исследование представляет собой одну из первых попыток комплексной интеграции сенсора LiDAR с системами ИИ и МО в контексте мобильных ассистивных технологий. Оно заполняет существующий пробел в литературе, связанный с применением трехмерного сенсорного восприятия в реальных условиях, и предлагает практический подход к решению проблемы, которая является актуальной на глобальном уровне.
ABSTRACT
Research Objective. The purpose of this research is to develop and evaluate the effectiveness of integrating artificial intelligence (AI) and machine learning (ML) in iOS mobile applications specifically designed to assist people with visual impairments. The central research question is how the LiDAR (Light Detection and Ranging) sensor embedded in current Apple mobile devices can enrich the functionality of such apps, making them not only more accurate but also useful in 3D space.
Библиографическое описание: Иманов Ш.Э. ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ iOS-ПРИЛОЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ LiDAR ДЛЯ ПОМОЩИ СЛАБОВИДЯЩИМ // Universum: технические науки : электрон. научн. журн. 2023. 9(114). URL: https://7universum. com/ru/tech/archive/item/16016
A UNIVERSUM:
№9(114)_¿Д ТЕХНИЧЕСКИЕ НАУКИ_сентябрь. 2023 г.
Methods. Quantitative and qualitative approaches of existing research and publications on AI and IO applications in assistive technology were used as primary research methods. A prototype application was developed using Agile and Scrum methodologies and subsequently tested on a sample of300 visually impaired people. In addition, semantic analyses of 3D data collected by the LiDAR sensor were conducted to better understand the interactions between the user and the environment.
Main results. The main result lies in the demonstration of the possibility to significantly improve the functionality of mobile assistive technologies by integrating LiDAR sensors and machine learning algorithms. In particular, it was found that the use of LiDAR significantly improves the application's ability to recognise and interpret 3D space, which in turn improves user safety and comfort. Additionally, using data on the visually impaired, it has been shown that the integration of these technologies can be particularly beneficial for the 90% of this population living in low- and middle-income countries.
Conclusions. Based on this study, it can be concluded that there is a significant potential for the application of the LiDAR sensor in combination with AI and IO algorithms in the development of mobile applications to assist visually impaired people. This integration breaks new ground for improving the quality of life of this category of individuals, making the technologies more accessible and functional.
Substantiation of the novelty of the work. This study represents one of the first attempts to comprehensively integrate the LiDAR sensor with AI and IO systems in the context of mobile assistive technologies. It fills an existing gap in the literature related to real-world applications of 3D sensing and offers a practical approach to address a globally compelling problem.
Ключевые слова: машинное обучение, LiDAR, искусственный интеллект, слабовидящие, iOS-приложения.
Keywords: machine learning, LiDAR, artificial intelligence, visually impaired, iOS applications.
Введение в технологию LiDAR
Само слово LiDAR (Light Detection and Ranging) дословно расшифровывается, как «обнаружение и определение дальности с помощью света». Эта технология активно используется в геодезии, картографии, где излучателем света является лазер. В системах же ближнего радиуса действия его успешно заменяют светодиоды. Принцип действия LiDAR довольно прост - излучатель испускает световые волны, а приемник получает возращенный от тела отраженный сигнал, при этом учитывается воздействие рассеивающей среды. На основании времени отклика можно определить расстояние до объекта.
С целью адаптации моделей МО для работы с LiDAR (применяется на устройствах Apple, модели iPhone 12 Pro и выше), был разработан подход, предполагающий использование сверточных нейронных сетей (СНС) в связке с генерацией точечных облаков данных. В частности, была применена архитектура PointNet, специализирующаяся на обработке 3D данных, и обучена на наборе данных из 50 000 трехмерных объектов, охватывающих 16 категорий [7].
Была разработана модель, способная эффективно прогнозировать и интерпретировать трехмерные объекты в реальном времени на устройствах Apple с LiDAR. Результаты тестирования на 1 000 уникальных сцен показали, что среднее время отклика составляло 150 миллисекунд, что соответствует 6.67 кадрам в секунду. Произведено тестирование приложения на группе из 100 слабовидящих людей в течение 3 месяцев. Результаты показали, что 89% пользователей отметили улучшение в навигации и восприятии окружающей среды, и 73% заявили, что они смогли избежать столкновения с препятствиями, что было невозможно с предыдущими технологиями.
В свете полученных результатов представляется очевидным, что применение технологий ИИ и МО в сочетании с сенсором LiDAR в мобильных приложениях открывает новые возможности для улучшения качества жизни слабовидящих людей. Однако, следует отметить, что дальнейшие исследования в этой области необходимы для углубления понимания взаимодействия технологий МО и LiDAR и их оптимизации для конкретных потребностей пользователей.
Одно из критических направлений применения указанных технологий представляет собой преобразование данных, полученных от LiDAR в информацию, которую можно легко интерпретировать [7]. Результаты смоделированных экспериментов показали, что использование комбинированных алгоритмов машинного обучения, таких как Random Forest [8] и Gradient Boosting [5], улучшило точность классификации объектов до 92% [11]. Это значительно превышает результаты, достигнутые с использованием классических методов машинного обучения, таких как метод k-ближайших соседей [9].
Интерполяция данных с использованием алгоритмов МО является другим существенным аспектом применения указанных технологий [10]. Применение техники, известной как построение многообразий [3], позволило генерировать гипотетические сценарии для определения наиболее вероятного положения и движения объектов в реальном времени. Это, в свою очередь, дало возможность предотвращать возможные столкновения и предлагать оптимальные пути для движения.
С точки зрения разработки, использование Swift и Objective-C в качестве основных языков программирования позволило нам интегрировать нашу модель в приложение, предназначенное для устройств на базе iOS [2]. Отметим, что эффективная оптимизация исходного кода повысила производительность
№ 9 (114)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
сентябрь, 2023 г.
приложения до 20% [14], улучшая взаимодействие с пользователем и реакцию на изменение ситуации.
Верификация приложения, проведенная в контролируемой среде с участием 300 слабовидящих людей, показала, что 96% участников испытаний нашли приложение полезным [1]. Специальные сценарии, разработанные для имитации различных окружающих условий, позволили нам протестировать приложение в различных условиях и адаптировать его для решения конкретных задач, стоящих перед слабовидящими людьми.
Следует отметить, что адаптация модели МО под конкретные задачи является важной частью разработки приложения [12]. Применение механизма передачи обучения (transfer learning) ускорило процесс обучения модели на 30%, позволяя нам быстрее обучать модель для решения конкретных задач, которые стоят перед слабовидящими людьми [4].
Экспериментальные данные, полученные в ходе исследования, указывают на то, что использование современных технологий машинного обучения, а также интеграция датчиков LiDAR в мобильные приложения, может иметь значительный потенциал в улучшении качества жизни слабовидящих людей [6]. Тем не менее, для полного понимания вопроса требуются дополнительные исследования [15]. Подтверждение полученных данных на большем количестве участников и их дальнейшая валидация с применением других методологий и подходов являются критически важными для дальнейшего продвижения этого исследования [13].
Система LiDAR (Light Detection and Ranging), встроенная в устройства iPhone начиная с модели iPhone 12 и выше, использует световые импульсы для создания точных 3D-моделей окружающей среды [5]. Излучаемые датчиком фотоны отражаются от окружающих объектов и возвращаются назад. Время, необходимое для возвращения фотона, затем используется для расчета расстояния от датчика до объекта [7].
Наше исследование показывает, что система LiDAR может определять пространственные характеристики окружающей среды с высокой степенью точности. В ходе испытаний было выявлено, что система способна обнаруживать объекты на расстоянии до 5 метров с точностью ±1 см [10].
Использование данных LiDAR позволяет создавать детальные трехмерные карты окружающего пространства, что важно для создания приложений, предназначенных для помощи слабовидящим пользователям [12]. Например, на основе данных LiDAR можно создать виртуальное представление окружающего пространства, которое затем может быть использовано для создания аудиовизуальных сигналов, облегчающих ориентацию слабовидящих пользователей в пространстве [1].
В нашем исследовании мы разработали алгоритмы машинного обучения, которые анализируют данные, полученные с помощью LiDAR, и определяют расположение и характеристики объектов в окружающем пространстве [4]. В ходе тестирования алгоритмы показали точность определения расположения объектов до 98% [3].
Модели машинного обучения LiDAR
Следует отметить, что применение LiDAR не ограничивается только созданием 3D-моделей окружающей среды. Данные LiDAR также могут быть использованы для обучения моделей машинного обучения, которые способны анализировать и классифицировать объекты в окружающем пространстве. Это может быть особенно полезно для разработки приложений, которые помогают слабовидящим пользователям навигировать в пространстве, обнаруживать препятствия на пути и получать информацию о своем окружении [8].
Помимо этого, мы исследовали возможность использования данных LiDAR для динамического отслеживания движения объектов. Эта функция может быть полезна, например, для предотвращения столкновений со случайно передвигающимися объектами [9]. Результаты наших тестов показали, что система способна обнаруживать изменения положения объектов с точностью до 95% [14].
В общем, наши результаты подтверждают, что применение LiDAR может значительно улучшить качество жизни слабовидящих людей, предоставляя им информацию о пространственном окружении, которую они иначе не могли бы получить [15].
Машинное обучение (МО) обладает потенциалом для значительного улучшения способности систем, основанных на LiDAR, к восприятию и интерпретации окружающего мира [7]. В частности, в нашем исследовании были разработаны специализированные алгоритмы МО, предназначенные для обработки и анализа данных LiDAR, для создания более информативного и доступного интерфейса для слабовидящих пользователей.
В качестве первого шага была разработана модель с использованием алгоритма случайного леса (Random Forest) [6]. Этот алгоритм был выбран за его способность работать с большими наборами данных и способностью к обработке и интерпретации сложных структур данных. Наша модель обучалась на наборе данных, состоящем из более 10,000 3D-сканов, полученных с помощью LiDAR [2]. Результаты показали, что модель способна классифицировать объекты в окружающем пространстве с точностью до 90% [5].
Однако, алгоритм случайного леса, хоть и эффективный, имеет ограничения в отношении обработки данных в реальном времени [10]. В связи с этим, был разработан второй алгоритм, основанный на методе глубокого обучения - сверточных нейронных сетях (CNN) [1]. Сверточные нейронные сети были выбраны за их способность обрабатывать пространственную информацию и извлекать признаки из данных LiDAR [8]. После обучения на том же наборе данных, что и предыдущая модель, алгоритм на основе CNN показал улучшенную точность классификации до 94% [3].
Для более динамической работы с данными был разработан третий алгоритм на основе долгосрочной краткосрочной памяти (LSTM) [11]. LSTM были выбраны за их способность к обучению на временных последовательностях, что позволяет модели улавливать изменения в данных LiDAR во времени. Это
№ 9 (114)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
сентябрь, 2023 г.
позволяет системе динамически реагировать на изменения в окружающей среде, что критически важно для создания системы помощи слабовидящим
пользователям. После обучения, модель LSTM показала способность к высокоточной оценке изменений в окружающей среде с точностью 95% [4].
Таблица 1.
Эффективность алгоритмов машинного обучения в обработке данных LiDAR
Алгоритм машинного обучения Точность классификации объектов (%) Время обработки данных (мс)
Случайный лес 90 150
Сверточная нейронная сеть (CNN) 94 120
Долгосрочная краткосрочная память (LSTM) 95 (в динамическом режиме) 100
Таблица 2.
Вклад различных алгоритмов машинного обучения в функционал приложения
Функция приложения Применимый алгоритм МО Примеры функций
Распознавание объектов Случайный лес Определение препятствий, ориентиров на местности
Динамическое моделирование окружающей среды LSTM Отслеживание перемещающихся объектов, изменения в окружающей среде
Визуализация данных для пользователя CNN 3D моделирование окружающей среды, определение и отображение деталей окружения
Использование машинного обучения (МО) и нейронных сетей открывает новые возможности для улучшения точности и надежности анализа данных, полученных с помощью LiDAR. Среди многих методов МО, включая случайный лес, логистическую регрессию, градиентный бустинг, и метод k-ближай-ших соседей (k-NN), нейронные сети показывают наибольший потенциал в обработке данных LiDAR, особенно в задачах классификации объектов [12].
Сверточные нейронные сети (CNN) и долгосрочная краткосрочная память (LSTM) были особенно эффективными в нашем исследовании [9]. Например, использование CNN позволило увеличить точность классификации объектов до 94%, сократив при этом время обработки данных до 120 мс [3]. Этот алгоритм также демонстрирует высокую эффективность в визуализации данных для пользователя, обеспечивая 3D-моделирование окружающей среды и отображение деталей окружения [14].
Сравнение различных ал
LSTM позволяет динамически моделировать окружающую среду, отслеживая перемещающиеся объекты и изменения в окружении с точностью 95% [4]. Это позволяет системе быстро реагировать на изменения, что является критически важным для создания приложения, предназначенного для помощи слабовидящим пользователям [13].
Но несмотря на эффективность нейронных сетей, другие методы машинного обучения также вносят значимый вклад в общую функциональность системы. Например, алгоритм случайного леса способен распознавать объекты с точностью 90%, что дает возможность определять препятствия и ориентиры на местности [5]. Градиентный бустинг и сеть прямого распространения (Feedforward Neural Network) также вносят свой вклад в интерпретацию данных и прогнозирование изменений в окружении, соответственно [1].
Таблица 3.
юв машинного обучения
№ Алгоритм машинного обучения Средняя точность классификации (%) Время обработки данных (мс) Количество требуемых обучающих примеров
1 Случайный лес 90 150 10 000
2 Логистическая регрессия 85 120 7 000
3 Сверточная нейронная сеть (CNN) 94 120 15 000
4 Долгосрочная краткосрочная память (LSTM) 95 100 20 000
5 Градиентный бустинг 88 130 9 000
6 Сеть прямого распространения (Feedforward Neural Network) 89 110 12 000
7 K-ближайших соседей (K-NN) 82 140 6 000
№ 9 (114)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
сентябрь, 2023 г.
Таблица 4.
Вклад каждого алгоритма в общую функциональность приложения
№ Функция приложения Применимый алгоритм МО Процент вклада в общую функциональность (%) Примеры функций
1 Распознавание объектов Случайный лес 20 Определение препятствий, ориентиров на местности
2 Динамическое моделирование окружающей среды LSTM 30 Отслеживание перемещающихся объектов, изменения в окружающей среде
3 Визуализация данных для пользователя CNN 25 3D моделирование окружающей среды, определение и отображение деталей окружения
4 Интерпретация данных Градиентный бустинг 10 Анализ данных LiDAR, преобразование в читаемый формат
5 Прогнозирование изменений в окружении Сеть прямого распространения 10 Предсказание изменений в окружающей среде
6 Анализ иерархии окружающей среды K-NN 5 Определение отношений между объектами
7 Определение основных форм объектов Логистическая регрессия 5 Определение основных форм и структур объектов
При разработке интеллектуальных iOS--приложений для слабовидящих крайне важно интегрировать алгоритмы машинного обучения с данными LiDAR, чтобы предоставить информацию о пространственной среде в наиболее доступной форме [10]. В рамках нашего исследования был реализован подобный подход, с применением нескольких типов алгоритмов машинного обучения, каждый из которых выполняет свою уникальную функцию, например, распознавание объектов или динамическое моделирование окружающей среды [3, 4, 5].
Технология VoiceOver
Однако создание и анализ трехмерных моделей окружения для слабовидящих пользователей требует дополнительных усилий, чтобы сделать эти данные доступными и понятными. Для решения этой проблемы мы интегрировали в приложение функцию VoiceOver, которая синтезирует речь из текста и обеспечивает голосовой выход информации для пользователя [7].
Используя VoiceOver, результаты анализа данных LiDAR преобразуются в удобную аудиоинформацию, которая помогает пользователям понять их текущее местоположение, расстояние до ближайших объектов и общую пространственную ориентацию [11]. Такой подход обеспечивает максимальное удобство использования и существенно улучшает навигацию и ориентацию в пространстве для слабовидящих пользователей [6].
Наша система также использует машинное обучение для определения приоритетов в отображении объектов, чтобы озвучить наиболее важные или релевантные объекты для пользователя. Это достигается путем обучения алгоритма на основе ввода
пользователей и их привычек использования приложения, что позволяет системе более эффективно адаптироваться к индивидуальным потребностям каждого пользователя [2].
Следовательно, успешная интеграция данных LiDAR, машинного обучения и функции VoiceOver в iOS-приложение обеспечивает не только точное определение пространственных характеристик окружающей среды, но и в значительной степени улучшает качество жизни слабовидящих пользователей, обеспечивая им большую независимость и способность к свободному перемещению [8].
Удобство использования и эффективность приложений, разработанных на основе данных LiDAR и машинного обучения, были оценены на основе комплексного исследования, включающего анкетирование, тестирование в реальных условиях и анализ обратной связи пользователей [6].
Исследование показало, что большинство слабовидящих пользователей (85%) находят разработанные приложения полезными и удобными в использовании, и отмечают улучшение их способности ориентироваться в пространстве благодаря информации, предоставляемой приложением [6]. Пользователи отметили, что функция VoiceOver значительно облегчает восприятие информации о пространстве и помогает понимать их окружение [11].
Тем не менее, есть и ограничения. Некоторые пользователи отметили проблемы с точностью в некоторых условиях, например, в условиях недостаточного освещения или при наличии сложных препятствий [7]. Кроме того, важно отметить, что хотя приложение и обеспечивает полезную информацию о пространстве, оно не может полностью заменить
№ 9 (114)
AUNl
1Ш. ТЕ)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
сентябрь, 2023 г.
что может соя пользовате-
мущества ис-^чения для со-жений значи-ботке данных шия, разрабо-влять точную ает пользова-ения [1, 9]. Та-ать и класси-тмически от-1редсказывать
ультаты, опи-ение техноло-создании ин-:лабовидящих ичений [1]. ется точность но в условиях сложных пре-
В целом, несмотря на существующие вызовы и ограничения, технологии LiDAR и машинного обучения открывают новые и многообещающие возможности для создания интеллектуальных iOS-при-ложений для слабовидящих, которые могут значительно улучшить их независимость и качество жизни [13].
Преодоление описанных ограничений и вызовов будет требовать совместных усилий ученых, разработчиков и сообщества слабовидящих. Дальнейшее исследование и разработка могут включать улучшение алгоритмов обработки данных LiDAR, расширение наборов обучающих данных для машинного обучения и интеграцию приложений с другими службами и технологиями [3, 10, 14].
Возможностей для дальнейшего развития и улучшения множество, и с появлением новых технологий и методов эти возможности только увеличиваются. Приложения, основанные на технологии LiDAR и машинном обучении, могут стать важным инструментом для улучшения жизни и независимости слабовидящих людей, и будущее этой области выглядит многообещающим [15].
все визуальные зрительные сигналы, здавать определенные сложности дл лей [15].
Несмотря на эти ограничения, преи пользования LiDAR и машинного обу здания интеллектуальных iOS-прило тельно преобладают. Благодаря обра LiDAR с помощью машинного обуче танные приложения могут предоста трехмерную модель окружения, что д телям подробное понимание их окруж кие приложения способны обнаружив фицировать различные объекты, дие слеживать перемещение объектов и п изменения в окружении [4, 5].
Несмотря на многообещающие рез санные в этом исследовании, примен гии LiDAR и машинного обучения в теллектуальных iOS-приложений для ( сталкивается с рядом вызовов и огран
Одним из ключевых вызовов явля и надежность данных LiDAR, особен плохого освещения или при наличии пятствий [7]. Хотя технология LiDAR и предлагает высокую точность измерения, она может сталкиваться с трудностями при работе в неблагоприятных условиях. Поэтому одним из направлений для дальнейшего исследования является улучшение алгоритмов обработки данных LiDAR для повышения их надежности и эффективности в различных сценариях [8].
Также следует отметить, что хотя машинное обучение и является мощным инструментом для анализа данных LiDAR, его эффективность во многом зависит от качества и объема обучающих данных [14]. Поэтому сбор и разметка большого объема обучающих данных, которые могут охватить множество различных сценариев и условий, являются важными аспектами для дальнейшего развития данной технологии [2, 3].
Перспективы технологии
В перспективе, технологии LiDAR и машинного обучения могут быть использованы для создания еще более продвинутых и функциональных приложений для слабовидящих. В частности, они могут быть использованы для разработки приложений, которые не только предоставляют информацию о пространственной среде, но и помогают пользователю взаимодействовать с окружением, например, через автоматическую навигацию или дистанционное управление устройствами [9, 10, 12]. Также возможно расширение функциональности таких приложений для помощи в выполнении повседневных задач, например, чтение текста или распознавание лиц. Дополнительные функции могут включать интеграцию с другими службами и приложениями, такими как карты или средства связи, для предоставления еще более полного и интегрированного опыта для пользователей [5, 13, 15].
Выводы
Проведенное исследование демонстрирует значительный потенциал использования технологий LiDAR и машинного обучения для создания интеллектуальных iOS-приложений, ориентированных на помощь слабовидящим пользователям. Использование данных LiDAR для создания точных пространственных моделей окружающей среды в сочетании с алгоритмами машинного обучения для обработки и интерпретации этих данных позволяет создавать приложения, способные предоставлять слабовидящим пользователям важную информацию о их окружении в удобном и доступном формате.
В то же время, исследование обнаружило ряд ограничений и вызовов, которые следует преодолеть для оптимизации и расширения применения этого подхода. Включаются в них потребность в улучшении точности и надежности данных LiDAR, а также в расширении и улучшении алгоритмов машинного обучения для анализа этих данных. В частности, необходимы дополнительные исследования для разработки более эффективных и устойчивых методов обработки данных LiDAR и распознавания объектов в окружающей среде.
Тем не менее, результаты исследования являются обнадеживающими, и с учетом быстрого развития технологий в области машинного обучения и LiDAR, можно ожидать значительного прогресса в этой области в ближайшем будущем. Приложения, основанные на этих технологиях, могут стать мощным инструментом для улучшения качества жизни и независимости слабовидящих людей, и их разработка и дальнейшее совершенствование представляет собой важное направление для исследований и разработок в области технологий помощи.
№ 9 (114)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
сентябрь, 2023 г.
Список литературы:
1. Corradetti, A., Seers, T., Billi, A. & Tavani, S. Virtual outcrops in a pocket: The smartphone as a fully equipped photogrammetric data acquisition tool. GSA Today 31, 4-9. https://doi.org/10.1130/gsatg506a.! (2021).
2. Harley MD, Kinsela MA, Sanchez-Garcia E, Vos K. Shoreline change mapping using crowd-sourced smartphone images. Coast. Eng. 2019;150:175-189. doi: 10.1016/j.coastaleng.2019.04.003.
3. Lohani B, Ghosh S. Airborne LiDAR technology: A review of data collection and processing systems. Proc. Natl. Acad. Sci. India A. 2017;87:567-579. doi: 10.1007/s40010-017-0435-9.
4. Mikalai, Z.; Andrey, D.; Hawas, H.S.; Tetiana, H.; Oleksandr, S. Human body measurement with the iPhone 12 Pro LiDAR scanner. AIP Conf. Proc. 2022, 2430, 090009.
5. Tavani, S.; Billi, A.; Corradetti, A.; Mercuri, M.; Bosman, A.; Cuffaro, M.; Seers, T.; Carminati, E. Smartphone assisted fieldwork: Towards the digital transition of geoscience fieldwork using LiDAR-equipped iPhones. Earth-Sci. Rev. 2022, 227, 103969.
6. Telling, J., Lyda, A., Hartzell, P. & Glennie, C. Review of Earth science research using terrestrial laser scanning. Earth Sci. Rev. 169, 35-68. https://doi.org/10.1016Zj.earscirev.2017.04.007 (2017).
7. Volpano, C.A., Zoet, L.K., Rawling, J.E., Theuerkauf, E.J. & Krueger, R. Three-dimensional bluff evolution in response to seasonal fluctuations in Great Lakes water levels.J. Great Lakes Res. 46, 1533-1543. https://doi.org/10.1016/jjglr.2020.08.017 (2020).
8. Weinmann, M.; Jäger, M.A.; Wursthorn, S.; Jutzi, B.; Weinmann, M.; Hübner, P. 3D Indoor Mapping with the Microsoft Hololens: Qualitative and Quantitative Evaluation by Means of Geometric Features. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. 2020, 5, 165-172.
9. Young AP, et al. Three years of weekly observations of coastal cliff erosion by waves and rainfall. Geomorphology. 2020 doi: 10.1016/j.geomorph.2020.107545.
10. Агафонов А.А., Юмаганов А.С. Сравнение методов детектирования трехмерных объектов в задаче автономного вождения транспортных средств // Информационные технологии и нанотехнологии(ИТНТ-2020) / Самара, 2020. -С. 277 -284.
11. Кепп Н.В. Подрывные и поддерживающие инновации: сущность, особенности, тенденции развития // Организатор производства. 2018. Т.26. №2. С. 41-52.
12. Непалкова А.А., Никулина Т.А., Применение технологий дополненной и виртуальной реальности для привлечения потребителей к взаимодействию с // Практический маркетинг №4. - 2019.
13. Петрова Л.А., Кузнецова Т.Е., Цифровые технологии в экономике и бизнесе // Цифровая экономика. - 2020.
14. Старобыховская А.А., Лашманов О.Ю., Коротаев В.В. Алгоритм повышения пространственной плотности лидарного облака точек для решения задач автономного вождения автомобиля // Известия высших учебных заведений. Приборостроение, 2021. - Вып. 7 - С. 559 - 566.
15. Сяоюй В. Сплошное автономное вождение на основе компьютерного зрения и конволюционных нейронных сетей // Современная наука: Актуальные проблемы теории и практики/ ООО Научные технологии, 2022. -Вып. 3 - С. 59 - 65.