AI-translated from English; not yet reviewed by a fluent editor.

# పునరావృత నమూనాలు వాహన పరీక్షల్లో స్టీరియో లోతు అంచనాను తప్పుదారి పట్టిస్తున్నాయి

> ఫ్లోరిడా విశ్వవిద్యాలయం నాయకత్వంలోని అధ్యయనం, స్టీరియో లోతు లోపాలకు కెమెరా నమూనా సేకరణ, కాలిబ్రేషన్ కారణాలను గుర్తించింది. నియంత్రిత వాహన పరీక్షల్లో తప్పుడు అడ్డంకి అంచనాలు నమోదయ్యాయి; పరిమిత చిత్ర సమూహాల్లో లోపాలను తగ్గించే ప్రతిపాదిత రక్షణ పద్ధతినీ పరీక్షించారు.

By BIG CHANGE Editorial

Published: 2026-09-24T04:45:44.657Z
Updated: 2026-09-24T04:45:44.657Z
Canonical: https://bigchange.ai/blog/repeated-patterns-stereo-depth-vehicle-tests

![From behind, a tripod-mounted stereo camera points toward a freestanding panel with repeated dark and orange vertical stripes.](https://bigchange.ai/api/media/file/stereo-camera-repeated-pattern-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

పునరావృతమయ్యే దృశ్య నమూనాలు, స్టీరియో కెమెరాలు మరియు AI లోతు నమూనాలు వస్తువులను తప్పు దూరంలో ఉన్నట్లు చూపించగలవని ఫ్లోరిడా విశ్వవిద్యాలయం నేతృత్వంలోని బృందం నివేదించింది. నియంత్రిత ప్రయోగాల్లో కదులుతున్న నేల వాహనం, కారుపై అమర్చిన కెమెరాలు తప్పుడు అడ్డంకి అంచనాలను సృష్టించాయి. స్వయంచాలక డ్రైవింగ్ సాఫ్ట్‌వేర్‌కు పరిశోధకులు సూచించిన ప్రతిస్పందన పరిమితిని చేరేంతసేపు అవి కొనసాగాయి.

ఈ [అధ్యయనం సెప్టెంబర్ 14న arXivలో ప్రచురితమైంది](https://arxiv.org/abs/2609.16336); కాంతిని పిక్సెల్‌లుగా మార్చే విధానం, రెండు దృశ్యాలను ఒకదానితో మరొకటి సరిపోల్చే కెమెరా ప్రక్రియలోని అంశాలతో ఈ లోపాలను అనుసంధానిస్తుంది. సాఫ్ట్‌వేర్ రక్షణ పద్ధతినీ పరీక్షిస్తుంది. స్వయంచాలక వ్యవస్థలను అభివృద్ధి చేసేవారికి లేదా మూల్యాంకనం చేసేవారికి, నేర్చుకున్న లోతు నమూనాల్లోనూ కనిపించే నిర్దిష్ట వైఫల్య విధానం, దాన్ని తగ్గించవచ్చనే పరిమిత ఆధారాలు ఈ ఫలితంలో ఉపయోగకరమైనవి.

## పెద్ద మార్పు

- **ఏం మారింది:** పునరావృత దృశ్య నమూనాల సందిగ్ధతను కొలవగల కెమెరా లోపాలతో పరిశోధకులు అనుసంధానించి, సంప్రదాయ స్టీరియో సరిపోలికతో పాటు నేర్చుకున్న నమూనాల్లోనూ లోతు అంచనా తప్పులను చూపించారు. పరీక్షించిన వ్యవస్థల్లో సరిపోలిక అల్గారిథమ్‌ను AIతో భర్తీ చేసినంత మాత్రాన ఈ బలహీనత తొలగలేదు.
- **ఇది ఎందుకు ముఖ్యం:** అడ్డంకుల గుర్తింపుకు దూర అంచనాలు ఆధారం. ఈ ప్రయోగాల్లో, ప్రయాణ మార్గం పక్కన ఉన్న వ్యాన్, వాహనం వెళ్లే దారిలోనే అడ్డంకి ఉన్నట్లు కనిపించవచ్చు. అందువల్ల లోతు అంచనా విశ్వసనీయత, వాహనం తీసుకునే తదుపరి నిర్ణయానికి సంబంధించినది.
- **ఏం గమనించాలి:** ప్రతిపాదిత రక్షణ పద్ధతి, నమూనాల పునరావృతం ఉందో సరిపోలిక ప్రక్రియలో తనిఖీ చేస్తుంది. మంచి ఫలితాలు పరిమిత చిత్ర సమూహాలకే వర్తిస్తాయి; వేరే కెమెరాలు, నమూనాలు, పనిచేసే పరిస్థితుల్లో విశ్వసనీయతే దీన్ని అమలులోకి తీసుకురావడంలో ప్రధాన ప్రశ్న.

## పునరావృతం దూర అంచనాను ఎలా మారుస్తుంది

స్టీరియో కెమెరా ఒకే దృశ్యాన్ని రెండు కోణాల నుంచి చూస్తుంది. సాఫ్ట్‌వేర్ ప్రతి చిత్రంలో ఒక లక్షణాన్ని గుర్తించి, వాటి మధ్య అడ్డదిశ స్థానభేదాన్ని కొలుస్తుంది; దానిని disparity అంటారు. కెమెరా జ్యామితి ఈ స్థానభేదాన్ని దూరంగా మారుస్తుంది.

పునరావృత నమూనా అనేక సరైనవిగా కనిపించే సరిపోలికలను సృష్టిస్తుంది. [పరిశోధనా పత్రం విశ్లేషణ](https://arxiv.org/html/2609.16336v1#S3) లో తప్పు సరిపోలిక గెలిచే రెండు మార్గాలను గుర్తించారు. మొదట, ప్రతి కెమెరా దృశ్యాన్ని పిక్సెల్ గ్రిడ్‌పై నమూనా చేస్తుంది. చీకటి ఆకారం, వెలుతురు నేపథ్యం మధ్య సరిహద్దు రెండు గ్రిడ్‌లలో కొద్దిగా వేర్వేరు చోట్ల పడవచ్చు; దాంతో పిక్సెల్ తీవ్రతలు స్వల్పంగా మారతాయి. రెండవది, కాలిబ్రేషన్‌లో మిగిలిన లోపాలు చిత్రాల మధ్య అనుసంధానాన్ని వక్రీకరిస్తాయి.

ఈ ప్రభావాలు కలిసినప్పుడు, సరైన పునరావృత భాగం కంటే వేరొక భాగం సూచన చిత్రానికి దగ్గరగా కనిపించవచ్చు. అప్పుడు వచ్చిన స్థానభేదం ఉపరితలాన్ని తప్పు దూరంలో ఉంచుతుంది. చిత్రాల నుంచి వెలికితీసిన లక్షణాలను పోల్చే నేర్చుకున్న స్టీరియో నమూనాల్లోనూ ఈ సున్నితత్వం కనిపించిందని బృందం తెలిపింది.

ఇవి ఉద్దేశపూర్వకంగా ఎంపిక చేసిన నమూనాలు. కెమెరా, సంబంధిత ప్రాసెసింగ్ సెట్టింగ్‌ల గురించి తెలుసుకోవడం లేదా పోల్చదగిన వ్యవస్థను పరిశీలించే అవకాశం ఉండటం ఈ అధ్యయనం ఊహించిన ముప్పు నమూనాలో భాగం. [సెప్టెంబర్ 22 తేదీతో UF ప్రచురించిన పరిశోధన వివరణలో](https://news.ufl.edu/2026/09/ai-powered-vehicles/) పరిశోధన నాయకురాలు Sara Rampazzi సహజంగా కనిపించే పునరావృత నమూనాలనూ భద్రతా ఆందోళనగా పేర్కొన్నారు. సాధారణ రోడ్డు పక్క దృశ్య ఆకృతులు, అమలులో ఉన్న వాహనాల్లో ప్రమాదకర లోపాలకు ఎంత తరచుగా దారితీస్తాయో ఈ అధ్యయనం కొలవలేదు.

## పరీక్షలు గ్రహణ వ్యవస్థలోని వేర్వేరు భాగాలను పరిశీలించాయి

పరిశోధకులు రికార్డు చేసిన చిత్రాలు, భౌతిక కెమెరా కొలతలు, సిమ్యులేషన్‌లపై ప్రయోగాలను కలిపి నిర్వహించారు.

| మూల్యాంకనం | వ్యవస్థలు, పరిస్థితులు | ఏమి కొలిచారు |
| --- | --- | --- |
| మార్చిన డ్రైవింగ్ చిత్రాలు | 7,518 KITTI స్టీరియో చిత్ర జంటలపై అమర్చిన నమూనాలు; BM, SGBM సరిపోలిక అల్గారిథమ్‌లు, అలాగే PSMNet, MoCha-Stereo, UniMatch | సంప్రదాయ, నేర్చుకున్న పద్ధతుల్లో అంచనా లోతు మార్పులు |
| స్టీరియో, LiDAR సమ్మేళనం | SGM-DDC; సమతల గోడను సూచించేలా రూపొందించిన LiDAR పాయింట్ క్లౌడ్ | ఈ సమ్మేళన పద్ధతి నమూనా వల్ల వచ్చిన లోపాన్ని తట్టుకుందా |
| భౌతిక కెమెరా పరీక్షలు | ఇండోర్, అవుట్‌డోర్ పరిస్థితుల్లో ZED2, RealSense కెమెరాలు | ప్రదర్శించిన లేదా ప్రొజెక్ట్ చేసిన నమూనాల వల్ల వచ్చిన లోతు లోపాలు |
| భౌతిక కదలిక | గంటకు 10 కి.మీ. వేగంతో AgileX Hunter 2.0 నేల వాహనంపై, సుమారు గంటకు 15 కి.మీ. వేగంతో కారుపై అమర్చిన కెమెరాలు | కదలికలో తప్పుడు లోతు అంచనాలు ఎంతసేపు కొనసాగాయి |
| అధిక వేగ సిమ్యులేషన్ | గంటకు 10, 20, 30, 40 కి.మీ. వేగాలతో CARLA; స్టీరియో చిత్రాలను BMతో ప్రాసెస్ చేశారు | సిమ్యులేటెడ్ డ్రైవింగ్‌లో లోతు లోపం కొనసాగిన వ్యవధి |

పరిశోధనా పత్రం, దాని పరిశోధనా వస్తువుల అనుబంధం RealSense సెన్సార్‌ను D435గా పేర్కొంటాయి. [రచయితల ప్రదర్శన పేజీ](https://cpseclab.github.io/stereocam/) దానిని D435iగా పేర్కొంటుంది; ఈ మూల వివరణలు ఖచ్చితమైన మోడల్ విషయంలో ఏకరీతిగా లేవు.

ఒక ఇండోర్ పరీక్షలో, కెమెరాలకు మూడు మీటర్ల దూరంలో ఉన్న ఉపరితలం ఎంపిక చేసిన నమూనా పరిస్థితుల్లో ZED2లో 0.8 మీటర్లుగా, RealSenseలో 0.6 మీటర్లుగా అంచనా వేయబడింది.

SGM-DDC, LiDAR దూరాలను ఉపయోగించి స్టీరియో సరిపోలికను పరిమితం చేస్తుంది. సమ్మేళనం లేని పద్ధతుల కంటే నమూనా మార్పులను ఇది మెరుగ్గా తట్టుకుంది; అయినప్పటికీ పరీక్షించిన అమరికలో లోపాలు వచ్చాయి. సింథటిక్ LiDAR ఇన్‌పుట్ వాడినందున, ఈ ఫలితం రూపొందించిన పరిస్థితుల్లోని ఒకే సమ్మేళన పద్ధతికి పరిమితం.

## డ్రైవింగ్ పరీక్షల్లో అడ్డంకి ఉందనే తప్పుడు గ్రహణం నమోదైంది

కారు భౌతిక ప్రయోగంలో, దాని ప్రయాణ మార్గం పక్కన ఉన్న వ్యాన్‌పై బృందం ఒక నమూనాను ప్రొజెక్ట్ చేసింది. తప్పుడు లోతు అంచనా, ఆ ఉపరితలంలోని కొంత భాగం కారు వెళ్లే దారిలో ఉన్నట్లు చూపించింది. రెండు కెమెరాలు, వెలుతురు పరిస్థితుల్లో తప్పుడు అంచనాలు సుమారు 0.7 నుంచి 1.2 సెకన్లపాటు కొనసాగినట్లు పరిశోధనా పత్రం ఫలితాల పట్టిక చెబుతుంది.

తదుపరి దశ మూల్యాంకనంలో, లోతు మ్యాప్‌లో దగ్గరగా ఉన్న బిందువులను సంభావ్య అడ్డంకులుగా సమూహపరిచే Autoware యొక్క Euclidean clusteringను పరిశోధకులు ఉపయోగించారు. తప్పుడు బిందువులు అడ్డంకిగా గుర్తించబడితే ప్రయోగాన్ని విజయవంతమైనదిగా లెక్కించారు. అత్యవసర బ్రేకింగ్ వంటి స్వయంచాలక ప్రతిస్పందనకు 0.5 సెకన్ల కొనసాగుదల సరిపోతుందని వారు పేర్కొన్నారు. [పరిశోధనా వస్తువుల అనుబంధం](https://zenodo.org/records/20767261) రికార్డు చేసిన పాయింట్ క్లౌడ్‌లను, తప్పుడు లోతు సమూహం కొనసాగిన వ్యవధిని కూడా మూల్యాంకనం చేసినట్లు వివరిస్తుంది.

నివేదించిన మూల్యాంకనంలో వాస్తవ అత్యవసర బ్రేకింగ్ చర్య, కొలిచిన వేగతగ్గింపు లేదా ఢీకొనడం నమోదు కాలేదు. పరిశోధన వల్ల అకస్మాత్తు బ్రేకింగ్ ప్రమాదాలు, సాధ్యమైన ఢీకొనుళ్లు తలెత్తవచ్చని UF పేర్కొంది; అయితే ఆ పరిణామాలు నివేదించిన ప్రయోగాల్లో చూపలేదు.

భౌతిక పరీక్షలు నియంత్రిత వాతావరణంలో, గంటకు గరిష్ఠంగా 15 కి.మీ. వేగంతో జరిగాయి. గంటకు 40 కి.మీ. ఫలితం CARLA సిమ్యులేషన్‌లో వచ్చింది: సిమ్యులేట్ చేసిన లోతు మార్పు 2.1 సెకన్లపాటు కొనసాగింది. ఈ వేరు సిమ్యులేషన్ అధ్యయన పరిస్థితులను విస్తరించినా, ఆ వేగంతో భౌతిక పరీక్ష జరిగినట్లు నిరూపించదు.

## పునరావృత సరిపోలిక అభ్యర్థులను తనిఖీ చేసే రక్షణ

రెండు చిత్రాలను పోల్చడానికి ఉపయోగించే స్కోర్‌లను ప్రతిపాదిత రక్షణ పద్ధతి పరిశీలిస్తుంది. పునరావృత నిర్మాణాలు, సరైనవిగా కనిపించే సరిపోలికల క్రమాన్ని మళ్లీ మళ్లీ సృష్టిస్తాయి. ఈ క్రమబద్ధతను గుర్తించి, ప్రభావిత ప్రాంతాన్ని పెద్ద భాగంగా సరిపోల్చడం ద్వారా తప్పు పునరావృత మూలకాన్ని ఎంచుకునే అవకాశాన్ని ఈ పద్ధతి తగ్గిస్తుంది.

భౌతిక పరీక్ష పరిస్థితుల్లో సేకరించిన 200 స్టీరియో చిత్ర జంటల్లో, మూల్యాంకనం చేసిన 96.5% సందర్భాల్లో లోతు లోపాన్ని అర మీటరు కంటే తక్కువకు తగ్గించినట్లు రచయితలు నివేదించారు. PSMNet లోని మధ్యంతర సరిపోలిక సమాచారానికీ వారు ఈ విధానాన్ని అన్వయించారు. నమూనాలు జోడించిన 200 KITTI జంటల్లో, ఆ రూపాంతరం ప్రతి మూల్యాంకిత సందర్భంలోనూ లోపాన్ని 0.1 మీటరు కంటే తక్కువకు తగ్గించింది.

నేర్చుకున్న నమూనాపై రక్షణ ఫలితం PSMNetకే సంబంధించినది; MoCha-Stereo లేదా UniMatchకూ ఇదే ఫలితం వర్తిస్తుందని నిరూపించదు. భౌతిక ప్రయోగాలను సమతల లేదా పాక్షిక సమతల ప్రొజెక్షన్ ఉపరితలాలకు పరిమితం చేసి, కదలిక పరీక్షల్లో ఒకే స్థిర నమూనాను ఉపయోగించారు. శిక్షణ డేటా, ఏ నమూనాలు నమూనాను ప్రభావితం చేస్తాయో, ఎంత మేరకు మారుస్తుందో కూడా వారి చర్చ చూపిస్తుంది.

కెమెరా ప్రాసెసింగ్, నేర్చుకున్న లోతు అంచనా రెండింటిలోనూ పునరావృత నమూనాల ప్రవర్తనను పరిశీలించడానికి ఈ ప్రయోగాలు వ్యవస్థల అభివృద్ధికారులకు కారణం ఇస్తాయి. అమలులో ఉన్న వ్యవస్థ యొక్క అన్ని పని పరిస్థితుల్లో రక్షణ ఎంత సమర్థంగా ఉంటుందో ఇంకా నిర్ధారించలేదు.

ఈ పరిశోధనా పత్రం ACM CCS 2026లో త్వరలో సమర్పించనున్నట్లు రచయితలు పేర్కొన్నారు. [సదస్సు అధికారిక వెబ్‌సైట్](https://www.sigsac.org/ccs/CCS2026/) హేగ్‌లో నవంబర్ 15–19 తేదీలను ఇస్తూ, తుది కార్యక్రమాన్ని సిద్ధం చేస్తున్నట్లు చెబుతుంది. ఈ పని ఇంకా అక్కడ సమర్పించబడలేదు.

## మూలాలు, మరింత చదవండి

- [లోతు భ్రమ: లోతు అంచనాలో స్టీరియో విజన్‌లోని దాగిన బలహీనతలను వెలికితీయడం](https://arxiv.org/abs/2609.16336), 2026 సెప్టెంబర్ 14. పూర్తి పరిశోధనా పత్రం లోప విధానం, మూల్యాంకించిన అల్గారిథమ్‌లు, కెమెరాలు, భౌతిక-సిమ్యులేషన్ పరిస్థితులు, రక్షణ ఫలితాలు, పరిమితులను వివరిస్తుంది. వాహనానికి సంబంధించి తప్పుడు అడ్డంకి గ్రహణం, ప్రతిస్పందనకు సూచించిన కొనసాగుదల పరిమితినే నివేదించింది; వాస్తవ బ్రేకింగ్ చర్య లేదా ఢీకొనడాన్ని పద్ధతులు నమోదు చేయలేదు.
- [ఫ్లోరిడా విశ్వవిద్యాలయం పరిశోధనా వివరణ](https://news.ufl.edu/2026/09/ai-powered-vehicles/), 2026 సెప్టెంబర్ 22. పరిశోధనా బృందం వివరణ, దానికి ఆపాదించిన భద్రతా ప్రభావాలను అందిస్తుంది. ఢీకొనడం, ప్రమాదాల దృశ్యాలు సంభావ్య పరిణామాలను వివరిస్తాయి; గమనించిన సంఘటనలను కావు.
- [రచయితల ప్రదర్శన పేజీ](https://cpseclab.github.io/stereocam/) మరియు [పరిశోధనా వస్తువులు](https://zenodo.org/records/20767261), 2026 సెప్టెంబర్ 24న పరిశీలించాం. అనుబంధం చిత్రాలు, పాయింట్ క్లౌడ్‌లు, సిమ్యులేషన్ మూల్యాంకనాలను వివరిస్తుంది. ప్రదర్శన శీర్షికలు D435i అని, పరిశోధనా పత్రం, అనుబంధం D435 అని పేర్కొంటాయి. BIG CHANGE ప్రయోగాలను మళ్లీ నిర్వహించలేదు.
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/), 2026 సెప్టెంబర్ 24న పరిశీలించాం. సదస్సు తేదీలు, ప్రదేశాన్ని నిర్ధారిస్తుంది. పరిశోధనా పత్రం త్వరలో సమర్పించనున్నట్లు రచయితలే పేర్కొన్నారు; ఈ వ్యాసం కోసం చదివిన సదస్సు పేజీలో నిర్దిష్ట సమర్పణ సమయం ఇవ్వలేదు.

## Sources

- [లోతు భ్రమ: లోతు అంచనాలో స్టీరియో విజన్‌లోని దాగిన బలహీనతలను వెలికితీయడం](https://arxiv.org/abs/2609.16336) — 2026 సెప్టెంబర్ 14. పూర్తి పత్రం, పద్ధతులు, చిత్రాలు, అనుబంధాలు లోప విధానం, మూల్యాంకించిన వ్యవస్థలు, రక్షణ ఫలితాలను నిర్ధారిస్తాయి. భౌతిక డ్రైవింగ్ పరీక్షలు తప్పుడు లోతు, అడ్డంకి సమూహీకరణను కొలిచాయి; ప్రతిస్పందనను కొనసాగుదల పరిమితి ఆధారంగా ఊహించారు. వాస్తవ బ్రేకింగ్ చర్య లేదా ఢీకొనడాన్ని అవి నమోదు చేయలేదు.
- [ఫ్లోరిడా విశ్వవిద్యాలయం: సాధారణ దృశ్య నమూనాలు AI వాహనాలు, రోబోట్‌లను మోసం చేయగలవు](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — ప్రత్యక్ష మూలంలో ఉన్న తేదీ ప్రకారం 2026 సెప్టెంబర్ 22. పరిశోధనా బృందం వివరణ, వారికి ఆపాదించిన భద్రతా ఆందోళనలను అందిస్తుంది. ఢీకొనడం, అకస్మాత్తు బ్రేకింగ్ దృశ్యాలు సంభావ్య పరిణామాలను వివరిస్తాయి; గమనించిన సంఘటనలను కావు.
- [రచయితల ప్రదర్శన పేజీ: లోతు భ్రమ](https://cpseclab.github.io/stereocam/) — 2026 సెప్టెంబర్ 24న పరిశీలించాం. ప్రయోగాన్ని, రాబోయే ACM CCS సమర్పణ స్థితిని వివరిస్తుంది. ప్రదర్శన శీర్షికల్లో RealSense D435i అని, పరిశోధనా పత్రం, అనుబంధంలో D435 అని ఉంది. పొందుపరిచిన వీడియోలను అదనపు ఆధారాలుగా ఉపయోగించలేదు.
- [లోతు భ్రమ: పరిశోధనా వస్తువులు, అనుబంధం](https://zenodo.org/records/20767261) — ప్రస్తుత సంచిక 2026 ఆగస్టు 8న ప్రచురితమైంది; సెప్టెంబర్ 24న పరిశీలించాం. పూర్తి అనుబంధం రికార్డు చేసిన పాయింట్ క్లౌడ్‌ల మూల్యాంకనాలు, భౌతిక పరీక్షల వ్యవధులు, CARLA సిమ్యులేషన్‌లు, రక్షణ మూల్యాంకనాన్ని వివరిస్తుంది. BIG CHANGE ప్రయోగాలను మళ్లీ నిర్వహించలేదు.
- [ACM CCS 2026 అధికారిక సదస్సు వెబ్‌సైట్](https://www.sigsac.org/ccs/CCS2026/) — 2026 సెప్టెంబర్ 24న పరిశీలించాం. హేగ్‌లో నవంబర్ 15–19 తేదీలను, తుది కార్యక్రమాన్ని సిద్ధం చేస్తున్నట్లు సెప్టెంబర్ 18న ఇచ్చిన ప్రకటనను నిర్ధారిస్తుంది. తమ పరిశోధనా పత్రం త్వరలో సమర్పించనున్నట్లు రచయితలు చెబుతున్నారు; చదివిన సదస్సు పేజీలో సమర్పణ సమయం ఇవ్వలేదు.