Igenkännande av fordon i 3D punktmoln

I både civila och militära sammanhang är det ofta nödvändigt att söka efter människor och objekt, t.ex. med hjälp av en obemannad flygande farkost som kan bära visuell-, IR- eller lasersensor. Vid nyttjande av lasersensor som genererar punktmoln av omgivningen är en viktig fråga kravet på upplösning för att användare ska kunna känna igen målobjekt. Ett experiment genomfördes med syftet att kartlägga hur många punkter som krävs för att en användare ska känna igen målobjekt som presenteras med denna metod. Fem civila och fem militära fordon användes som målobjekt, vilka filmades av en simulerad UAV flög i en båge runt dessa. Deltagarnas uppgift var att betrakta dessa videosekvenser för att försöka känna igen vilket fordon som visualiserades och skatta hur säkra de var på sitt svar (0-100 %). Resultaten visar att förmågan försämras när antalet punkter sjunker och att variationen mellan typ av fordon är stor. Resultaten visar även att deltagarna blir mer osäkra (lägre konfidensskattning) och att det tar längre tid att svara (längre responstid) desto lägre upplösningen är. Resultaten visar även att det inte fanns någon skillnad om deltagarna hade civil eller militär bakgrund avseende igenkänning av militära fordon, dvs. både grupperna presterade lika bra. Igenkänning för fordon kräver en upplösning på cirka 2,8 punkter/m2 (90% rätt eller högre) om fordonet har ett karaktäristiskt utseende eller om det inte finns konkurrerande fordon med liknande utseende, vilket motsvarar cirka 100 punkter. Igenkänning för fordon som har ett liknande utseende kräver en upplösning på 25 punkter/m2 (90% rätt eller högre), vilket motsvarar 500-1000 punkter (beroende på fordonets storlek). Slutsatserna gäller under förutsättning att information ges från en rörlig plattform likt en UAV med motsvarande hastighet som används i detta försök med deltagare som inte tränats speciellt för denna typ av uppgift.