С развитием технологий в области электромобилей автоматические системы зарядки становятся все более актуальными. Ключевым моментом в этом процессе является эффективное определение и локализация портов зарядки. Однако существующие решения сталкиваются с проблемами, такими как высокая стоимость сенсоров, недостаточная надежность в сложных условиях и высокие вычислительные требования.
В ответ на эти вызовы была разработана модель FasterEVPoints, основанная на сверточной нейронной сети (CNN), которая сочетает в себе частичную свертку (PConv) и FasterNet. Эта модель предназначена для точного определения ключевых точек портов зарядки электромобилей и использует алгоритм перспективной n-точки (PnP) для извлечения позы, а также алгоритм оптимизации bundle adjustment (BA) для повышения точности.
FasterEVPoints работает с использованием всего одной RGB-камеры, что значительно снижает требования к аппаратному обеспечению. Эксперименты показали, что в сложных условиях освещения модель достигает 95% точности обнаружения на специализированном наборе данных, с ошибкой позиционирования менее 2 см на расстоянии 50 см. При интеграции в фреймворк YOLOX, FasterEVPoints демонстрирует аналогичную точность, при этом потребляя лишь 73% вычислительных ресурсов и 66% параметров по сравнению с YOLOX-Tiny.
Эта высокая эффективность и точность делают FasterEVPoints практичным и масштабируемым решением для реальных приложений автономной зарядки электромобилей. В будущем планируется расширение возможностей модели, включая адаптацию к более сложным условиям и разнообразным конфигурациям портов зарядки, что позволит улучшить её надежность и точность в динамичных реальных условиях.