fa کلاس بندی، تعقیب مانع و ترکیب اطلاعات در خودروی بدون سرنشین برای موانع متحرک زمینی با استفاده از سیستم های فازی و تئوری بیزین و دمپسترشافر نرم افزار Software پژوهشي Research در آینده نزدیک با افزایش استفاده از خودروهای بدون سرنشین(<strong><span dir="LTR">UGV</span></strong>) بحث پیشگیری از تصادف با موانع ثابت و یا متحرک اعم از جاندار، بی جان به چالشی جدی بدل خواهد شد. این موضوع در رابطه با موانع متحرک چالش جدی تری خواهد بود. &nbsp;به طور معمول از سنسورهای لیدار و دوربین در خودروهای بدون سرنشین به منظور تشخیص مانع متحرک انجام می شود. و یکی از روش های موثر در ترکیب اطلاعات سنسورها تئوری بیزین و الگوریتم دمپستر شافر می باشد. الگوریتم دمپستر شافر توانایی ترکیب اطلاعات از منابع مختلف ورودی را دارد. در این مقاله یک روش با استفاده از روش بیزین ارائه شده است تا در فریم های متوالی تعقیب مانع متحرک انجام شود و بطور همزمان بتوان کلاس بندی موانع را در هر فریم انجام داد و همچنین ترکیب اطلاعات سنسوری نیز انجام پذیرد. سنسورهای در نظر گرفته شده بر روی خودروی بدون سرنشین لیدار و دوربین می باشد. در این مقاله نشان داده می شود که در روش پیشنهادی بدون دخالت دمپستر شافر توسعه یافته، دقت در تشخیص مانع در فریم هایی که اطلاعات سنسورها دارای اغتشاش بالایی است با خطای بالایی همراه است که با کمک دمپستر شافر توسعه یافته دقت پیش بینی مانع با دقت مناسبی بهبود یافته است.<br> &nbsp; In a near future, preventing the collisions with fixed or moving, alive, and inanimate obstacles will appear to be a serious challenge due to the increased use of Unmanned Ground Vehicles (UGVs). Lidar sensors and cameras are usually used in UGV to detect obstacles. We used a fuzzy algorithm in this study to examine the relationship between the obstacles, in which, the degree of confidence in each hypothesis is determined according to the design of the fuzzy system for extracting hypothesis. We proposed a novel approach in this paper, which uses a co-association matrix to gather all the information on targets and tracks generated for the Bayesian algorithm to predict and estimate the classes of obstacles and track them at sequential frames. To do so, the data generated by Lidar sensor and camera were fused by the extended Dempster-Shafer theory. This processed was used to assign the elements of the above mentioned matrix to, simultaneously classify and tract the obstacles in each frame. The simulation results of detecting obstacles revealed the benefits of the proposed method in classifying and tracking the obstacles. , we prepared the raw data and converted them into the probabilistic format to be used in the data fusion algorithms. We studied Lidar and camera raw data fusion layer and examined the process of deriving a hypothesis.<br> &nbsp; خودروهای بدون سرنشین, سیستم های فازی,تئوری بیزین,تعقیب و کلاس بندی موانع,دمپستر شافر Fuzzy Dempster-Shafer Bayesian Algorithm Unmanned Ground Vehicles Lidar and camera Sensor fusion 96 110 http://ic4i-journal.ir/browse.php?a_code=A-10-226-1&slc_lang=fa&sid=1 Masrour Dowlatabadi مسرور دولت آبادی masror_d@yahoo.com 10031947532846001067 10031947532846001067 No Department of Electrical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran دانشگاه علوم تحقیقات تهران Ahmad Afshar احمد افشار 10031947532846001068 10031947532846001068 Yes Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran. دانشگاه امیرکبیر Ali Moarefianpour علی معرفیان پور 10031947532846001069 10031947532846001069 No Department of Electrical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran. دانشگاه علوم تحقیقات