p Os pesquisadores do MIT desenvolveram um sistema que pode produzir imagens de objetos envoltos por uma névoa tão densa que a visão humana não consegue penetrá-la. Ele também pode medir a distância dos objetos. p A incapacidade de lidar com condições de direção enevoadas tem sido um dos principais obstáculos para o desenvolvimento de sistemas de navegação veicular autônomos que usam luz visível, que são preferíveis aos sistemas baseados em radar por sua alta resolução e capacidade de ler sinais de trânsito e rastrear marcadores de faixa. Então, o sistema do MIT pode ser um passo crucial em direção aos carros autônomos.

p Os pesquisadores testaram o sistema usando um pequeno tanque de água com o motor vibratório de um umidificador imerso nele. Em uma névoa tão densa que a visão humana poderia penetrar apenas 36 centímetros, o sistema foi capaz de resolver imagens de objetos e medir sua profundidade em um intervalo de 57 centímetros.

p Cinqüenta e sete centímetros não é uma grande distância, mas a névoa produzida para o estudo é muito mais densa do que qualquer que um motorista humano teria de enfrentar; no mundo real, uma névoa típica pode proporcionar uma visibilidade de cerca de 30 a 50 metros. O ponto vital é que o sistema funcionou melhor do que a visão humana, enquanto a maioria dos sistemas de imagem tem um desempenho muito pior. Um sistema de navegação tão bom quanto um motorista humano em dirigir no nevoeiro seria um grande avanço.

p "Decidi assumir o desafio de desenvolver um sistema que possa ver através da névoa real, "diz Guy Satat, um estudante de pós-graduação no MIT Media Lab, quem liderou a pesquisa. "Estamos lidando com uma névoa realista, que é denso, dinâmico, e heterogêneo. Está em constante movimento e mudança, com manchas de neblina mais densa ou menos densa. Outros métodos não são projetados para lidar com esses cenários realistas. "

p Satat e seus colegas descrevem seu sistema em um artigo que apresentarão na Conferência Internacional de Fotografia Computacional em maio. Satat é o primeiro autor do artigo, e ele se juntou a seu orientador de tese, professor associado de artes e ciências da mídia, Ramesh Raskar, e por Matthew Tancik, que era estudante de graduação em engenharia elétrica e ciência da computação quando o trabalho foi concluído.

p Jogando as probabilidades

p Como muitos dos projetos realizados no Grupo de Cultura de Câmera de Raskar, o novo sistema usa uma câmera de tempo de voo, que dispara rajadas ultracurtas de luz laser em uma cena e mede o tempo que leva para seus reflexos retornarem.

p Em um dia claro, o tempo de retorno da luz indica fielmente as distâncias dos objetos que a refletiram. Mas a névoa faz com que a luz "se espalhe, "ou pular de forma aleatória. Em tempo de nevoeiro, a maior parte da luz que atinge o sensor da câmera terá sido refletida por gotas de água no ar, não pelos tipos de objetos que os veículos autônomos precisam evitar. E mesmo a luz que reflete de obstáculos potenciais chegará em momentos diferentes, tendo sido desviada por gotas de água tanto na saída quanto na volta.

p O sistema do MIT contorna esse problema usando estatísticas. Os padrões produzidos pela luz refletida pela névoa variam de acordo com a densidade da névoa:Em média, a luz penetra menos profundamente em uma névoa densa do que em uma névoa leve. Mas os pesquisadores do MIT foram capazes de mostrar que, não importa o quão espesso seja o nevoeiro, os tempos de chegada da luz refletida seguem um padrão estatístico conhecido como distribuição gama.

p As distribuições gama são um pouco mais complexas do que as distribuições gaussianas, as distribuições comuns que produzem a curva de sino familiar:Eles podem ser assimétricos, e podem assumir uma ampla variedade de formas. Mas, como as distribuições gaussianas, eles são completamente descritos por duas variáveis. O sistema MIT estima os valores dessas variáveis ​​em tempo real e usa a distribuição resultante para filtrar a reflexão da névoa do sinal de luz que atinge o sensor da câmera de tempo de vôo.

p Crucialmente, o sistema calcula uma distribuição gama diferente para cada um dos 1, 024 pixels no sensor. É por isso que ele é capaz de lidar com as variações na densidade da névoa que frustravam os sistemas anteriores:pode lidar com circunstâncias em que cada pixel vê um tipo diferente de névoa.

p Formas de assinatura

p A câmera conta o número de partículas de luz, ou fótons, que alcançam a cada 56 picossegundos, ou trilionésimos de segundo. O sistema MIT usa essas contagens brutas para produzir um histograma - essencialmente um gráfico de barras, com as alturas das barras indicando as contagens de fótons para cada intervalo. Em seguida, ele encontra a distribuição gama que melhor se ajusta ao formato do gráfico de barras e simplesmente subtrai as contagens de fótons associadas dos totais medidos. O que resta são pequenos picos nas distâncias que se correlacionam com os obstáculos físicos.

p "O que é bom nisso é que é muito simples, "Satat diz." Se você olhar para o cálculo e o método, surpreendentemente, não é complexo. Também não precisamos de nenhum conhecimento prévio sobre a névoa e sua densidade, o que o ajuda a funcionar em uma ampla variedade de condições de neblina. "

p Satat testou o sistema usando uma câmara de nevoeiro com um metro de comprimento. Dentro da câmara, ele montou marcadores de distância regularmente espaçados, que forneceu uma medida aproximada de visibilidade. Ele também colocou uma série de pequenos objetos - uma estatueta de madeira, Blocos de madeira, silhuetas de letras - que o sistema era capaz de visualizar mesmo quando eram indiscerníveis a olho nu.

p Existem diferentes maneiras de medir a visibilidade, no entanto:Objetos com cores e texturas diferentes são visíveis através do nevoeiro a distâncias diferentes. Então, para avaliar o desempenho do sistema, ele usou uma métrica mais rigorosa chamada profundidade óptica, que descreve a quantidade de luz que penetra na névoa.

p A profundidade óptica é independente da distância, portanto, o desempenho do sistema em neblina que tem uma profundidade ótica particular em uma faixa de 1 metro deve ser um bom preditor de seu desempenho em névoa que tem a mesma profundidade ótica em uma faixa de 30 metros. Na verdade, o sistema pode até se sair melhor em distâncias mais longas, como as diferenças entre os tempos de chegada dos fótons serão maiores, o que poderia gerar histogramas mais precisos.

p "O mau tempo é um dos grandes obstáculos restantes a enfrentar para a tecnologia de direção autônoma, "diz Srinivasa Narasimhan, professor de ciência da computação na Carnegie Mellon University. "O trabalho inovador de Guy e Ramesh produz o melhor aumento de visibilidade que já vi em comprimentos de onda visíveis ou infravermelhos e tem potencial para ser implementado em carros muito em breve." p Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.