Valdas Mikėnas DISfm-22 (2022-12-13) DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI IS STRAIPSNIŲ ANALIZĖ Skaidrės tikrino: prof. dr. Artūras Serackis Baigiamojo darbo vadovas: doc. dr. Eldar Šabanovič Turinys: • Įvadas, MD darbo tikslas, problema Protektoriaus gylio matavimas • Vision-based inspection of tyre tread depth [1] • Quality Inspection of Tire using Deep Learning based Computer Vision [2] Protektoriaus rašto atpažinimas • Automatic recognition of vehicle wheel parameters* [3] • Tyre Pattern Classification Based on Multi-scale GCN Model [4] • Literatūros sąrašas *Straipsnis lenkų kalba Įvadas, MD darbo tikslas, problema • Įvadas – ištirti 4 pasirinktus straipsnius pagal MD temą pagal IS metodus. Pirmieji bekontakčiai protektoriaus atvaizdavimo tyrimai jau buvo prasidėję 1974m. (iliustracija dešinėja), lyginant su neorininių tinklų istorija - maždaug tuo metu radosi BP algoritmas, tačiau platesni NT taikymai šioje srityje prasidėjo tik XXIa. ir konkrečių straipsnių su IS nėra daug, bet kelis pavyko rasti. 1974m. Gooyear ir Rubber tire kompanijų padangos profilio matavimai batavimai su lazeriu pavaizduoti X-Y braižytuve • Pagrindinis MD darbo tiklas – ištirti daugiakanalio lazerinio jutiklio taikymą padangos protektoriaus gyliui matuoti. • Problema - įprastai padangos protektoriaus gylis turi didelę įtaką stabdymo keliui ir transporto priemonės valdymo stabilumui. Sudėtinga atlikti šio parametro patikrą visoms transporto priemonėms - įdomu ištirti galimybę juos panaudoti stacionariam padangos protektoriaus gylio matavimui ir transporto priemonei judant iki 60 km/h greičiu. Bei pabandyti išgauti ir apdoroti padangos protektoriaus rašto duomenis, siekiant nustatyti: padangos sezoniškumą, ir transporto priemonės tipą. Apdorojant jutiklio duomenis bus taikomi dirbtinio intelekto metodai. https://trid.trb.org/view/135570 Vision-based inspection of tyre tread depth [1] Problema ir uždaviniai: Tradiciškai padangų patikra atliekama rankiniu būdu t.y. vizualiai arba naudojant tam tikrus patikros mechaninius įrankius, sukūrus "lengvai naudojamą" automatinės vizualinės patikros sistemą, būtų galima pagerinti netinkamų padangų aptikimą ir padidinti žmonių informuotumą apie būtinybę laiku keisti padangas. Padangų protektoriaus gylio priklausomybė nuo stabdymo kelios pateikta 1 pav. Šiame darbe buvo siekiama sukurti automatinė padangų protektoriaus tikrinimo sistemą veikiančia su telefonu ir pagrįsta vaizdų apdorojimu ir paramos vektorių mašinos (SVM) klasifikavimu. Idėja buvo sukurti pigų ir lengvai įgyvendinamą automatinio padangų tikrinimo sistemą, tačiau darbe aptartas tik dalinis įgyvendinimas. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 4 Vision-based inspection of tyre tread depth [1] Intelektualieji metodai, pasirinkti uždavinių sprendimui: Darbe atliktas tyrimas ir eksperimentai, kuriais siekta iš segmentuotos padangos išgauti požymius ir nustatyti, kuriai klasei priklauso padanga. Idėja buvo klasifikuoti padangą pagal jos protektoriaus rašto požymius. Bendra klasifikavimo schema pateikta 3 pav. Panaudotas metodas atraminio vektoriaus mašinos (SVM) klasifikacija Vision-based inspection of tyre tread depth [1] Kokie duomenys buvo naudojami testavimui, su kokiais alternatyviais algoritmais palyginta, kiek gauti rezultatai buvo geresni nei tie, kurie gauti alternatyviais būdais. D. uomenų rinkinį sudaro aštuoni skirtingi protektoriaus raštų tipai 4 pav. keletas jų grafiškai ir ant jų išbandytas tiesinis atraminių vektorių mašinos klasifikatorius. Padangos buvo priskirtos "gerų padangų" klasei, kurių protektoriaus gylis didesnis nei 3 mm, ir "keičiamų padangų" klasei, kuriai priskiriamos padangos, kurių protektoriaus gylis mažesnis nei 3 mm. Iš 80 proc. atsitiktinai parinktų duomenų buvo naudojami klasifikatoriaus mokymui, o 20 proc. duomenų rinkinio buvo naudojama testavimui. Linijinis SVM pasirodė esąs veiksmingas tais atvejais, kai požymių skaičius yra didesnis už duomenų taškų skaičių. Norint sumažinti užfiksuotų vaizdų triukšmą, buvo naudojamas medianinis filtras. Pirmas etapas buvo vaizdo segmentavimas 5 pav. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 6 Vision-based inspection of tyre tread depth [1] Po padangos segmentavimo ir atskyrimo nuo likusio vaizdo, charakteristikos segmentuotą regioną apibūdinančios charakteristikos apskaičiuojamos naudojant orientuotų gradientų histogramą 6 pav. Požymių vektoriaus radimo schema („geros“ ir „blogos“ padangos) 8 pav. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 7 Vision-based inspection of tyre tread depth [1] Trumpos išvados: • HOG požymių rinkinys duoda geriausius klasifikavimo rezultatus. • SVM klasifikatoriaus teigiamų rezultatų rodiklis yra 98,5 proc. Tai reiškia, kad klasifikatorius nesuklasifikavo padangos kuri turėtų būti pakeista, tačiau 1,5 %. • Rezultatai palyginti su skirtingais padangų suteršimais t.y. su smėlėta, nedideliu purvo kiekiu ir itin purvina (11 pav.), tačiau klasifikatorius sugebėjo priskirti padangą atitinkamai klasei. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 8 Quality Inspection of Tire using Deep Learning based Computer Vision [2] Problema ir uždaviniai: Klasifikuoti rankiniu būdu skirtingus padangų tipus ir jų tarnavimo laiką, reikia daug laiko ir pastangų. Straipsnyje siekiama jog su mobiliuoju telefonu galutinis naudotojas galėtų prognozuoti padangų tarnavimo laiką ir aptikti defektus: pradūrimus, įlenkimus, įpjovimus, įbrėžimus, iškilimus, nelygumus ar įtrūkimus padangose. Sprendimas veikia užfiksuojant padangos nuotrauką - nustatyti padangos šoninės sienelės tekstūrą, logotipą ir kitus parametrus, kad galėtume nustatyti padangos būseną ir gauti, pvz. išsamią informaciją apie gamintoją, padangos kokybę, kokios kategorijos padanga ar kokioms transporto priemonėms skirta. Vienas didžiausių įšukių yra padangos protektoriaus gylio matavimas, atlikus jį galime lengvai nustatyti padangos tinkamumą naudojimui. Įskaitant ir kitus defektus kaip: slėgio sumažėjimas ar nebūvimas, pamatyti ratlankio defektus - įlenkimai, įbrėžimai, taip pat aptikti padangos paviršiaus nelygumus - įpjovimai, iškilimai, nelygumai ar įtrūkimai. Tikslas - sukurti sistemą, naudojančią mašininio mokymosi arba gilaus mokymosi metodą, t. y. apsimokančio mokymosi algoritmo metodą. Rezultatų gavimo schema pavaizduota pav. dešinėje. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 9 Quality Inspection of Tire using Deep Learning based Computer Vision [2] Intelektualieji metodai, pasirinkti uždavinių sprendimui: Sprendimas yra pagrįstas konvoliuciniu neuroniniu tinklu (CNN), bei pasikartojančiu neuroniniu tinklu (angl. Recurrent Neural Network, t. y. turime sukurti CNN+RNN gilaus mokymosi modelį ir šį modelį reikia apmokyti naudojant daugybę padangų šoninių vaizdų ir padangų protektorių nuotraukų. Tekto aptikimo ir atpažinimo algoritmo įgyvendinimo būdų, pavyzdžiui, EAST, kuris yra kaip TensorFlow ir jis yra gerai išbandytas su tekstu įvairiose ICDAR 2015, COCO-Text ir MSRA-TD500 duomenų rinkiniuose, pateiktas algoritmas taip pat optimizuotas, o daug tikslesnis yra Advanced EAST. Taip pat buvo tiriama naudojant algoritmą SynthText. Teksto lokalizavimui buvo naudojami Ankush Gupta, Andrea Vedal di, Andrew Zisserman, CVPR 2016. Bei parašyti python kalba pygame, opencv (cv2), PIL (vaizdas), numpy, matplotlib, h5py, scipy ir kiti. Skaičiuodami padangos protektoriaus gylį naudojama vaizdo trianguliaciją ir šiame darbe pateikiamas bekontaktinio matavimo metodas apskaičiuoti padangos protektoriaus gylį pats metodo sprendimas pagrįstas mašininės regos koncepcija, epipoline plokštuma. Taip pat realizuota galimybe tai atlikti išmaniojo telefono programa. Sistemos prototipas - padangos šoninės sienelės lazerinio skenavimo sistema. Joje algoritme naudojama ortogonaliojo polinomo sąvoka, 3D paviršiaus modeliavimas, reljefo segmentavimas. Quality Inspection of Tire using Deep Learning based Computer Vision [2] Kokie duomenys buvo naudojami testavimui, su kokiais alternatyviais algoritmais palyginta, kiek gauti rezultatai buvo geresni nei tie, kurie gauti alternatyviais būdais? Pirmiausia surenkami vaidai pagal gamintoją ir padangų tipą, tada šį duomenų rinkinį reikia klasifikuoti pagal bandomąjį duomenų rinkinį ir mokymo duomenų rinkinio metodą. Spręsdami šią problemą ištirsime įvairius gilaus mokymosi algoritmus, kurie pagrįsti konvoliuciniu neuroniniu tinklu (CNN) ir pasikartojančiu neuroniniu tinklu (RNN), t. y. R-CNN, Fast R-CNN, greitesnis R-CNN, YOLO, ilgalaikė trumpalaikė atmintis (LSTM) ir kt. Testavimo duomenų rinkinys naudojamas gauti padangos teksto atpažinimo ir padangos protektoriaus prognozę matuoti. Mokymo duomenų rinkinys - naudojamas giliųjų duomenų rinkiniui kurti ir taip pat mokymosi modeliui kurti, o testavimo duomenų rinkinys naudojamas gauti padangos teksto atpažinimo ir padangos protektoriaus prognozę matuoti. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 11 Quality Inspection of Tire using Deep Learning based Computer Vision [2] Trumpos išvados: • Siūloma sprendimas orientuotas į padangų pardavėjams ir asmeniniams transporto priemonių naudotojams, t. y. vairuotojams, bei automobilių parkų savininkams. • Automatinio kokybės tikrinimo labai pageidauja padangų pramonėje, kad būtų pakeista rankinė patikra. • Aptikimo algoritmas veikia gerai ne tik su šoninių sienelių vaizdais, bet ir protektoriaus vaizdais. Rezultatai parodė, kad tikslų padangos protektoriaus gylį galima gauti iš septynių ar aštuonių tos pačios padangos vaizdų. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 12 Automatic recognition of vehicle wheel parameters [3] Problema: Automatinio transporto priemonės rato parametrų atpažinimo sistema, panaudojant dirbtinius neuroninius tinklus. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 13 Automatic recognition of vehicle wheel parameters [3] Intelektualieji metodai, pasirinkti uždavinių sprendimui: Padangų žymenų atpažinimo užduočiai buvo apmokytas YOLOv3 tinklas [12]. Šiuo atveju buvo naudojama "Google" platforma "Colaboratory", kuri leidžia atlikti skaičiavimus debesyje. Antrasis neuronų tinklas buvo naudojamas ženklams nurodytuose teksto langeliuose aptikti. Rato pažeidimų atpažinimo atveju defektai buvo pažymėti su programa LabelImg ir vėliau buvo nustatyti ratų defektai Naudojant SSD MobileNetv2 tinklą. Šio tinklo mokymas buvo atliekamas virtualioje "Anaconda" programinės įrangos aplinkoje. Padangų oro slėgio klasifikavimo metu, tinklui apmokyti buvo naudojami ratų atvaizdai, apkarpyti taip, kad taip, kad fono įtaka būtų kuo mažesnė. Tinklo modelis buvo apmokytas naudojant "TensorFlow" ir "Keras" bibliotekos. Protektoriaus nusidėvėjimo lygiui prognozuoti buvo sukurtas tinklas naudojant tas pačias programavimo priemones kaip ir oro slėgio lygio klasifikavimo tinklas. Automatic recognition of vehicle wheel parameters [3] Kokie duomenys buvo naudojami testavimui, su kokiais alternatyviais algoritmais palyginta, kiek gauti rezultatai buvo geresni nei tie, kurie gauti alternatyviais būdais? Transporto priemonių ratų vaizdų duomenų bazė aprašyta 1 lent., kad būtų galima apmokyti dirbtinius neuronų tinklus ir atlikti jų veiksmingumo bandymus. Pažeistų ratlankių duomenys 3 pav. 15 Automatic recognition of vehicle wheel parameters [3] Nuotraukos, susijusios su padangų slėgio lygiu 4pav. Nuotraukos, skirtos protektoriaus gyliui klasifikuoti (5 pav.) Siekiant pagerinti tinklo mokymo tikslumą, buvo nuspręsta automatiškai papildyti mokymo duomenų bazę su tais pačiais padangų vaizdais tik pasuktais atsitiktiniais kampais nuo -18° iki 18°. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 16 Automatic recognition of vehicle wheel parameters [3] Trumpos išvados: • Aptikimo veiksmingumas: padangų pažeidimams buvo daugiau kaip 70 %, ratlankių pažeidimas siekė 90 %. Padangų slėgio klasifikavimo tikslumas buvo apie 78%, protektoriaus aukščio klasifikacija buvo daugiau kaip 84%. • Sukurta speciali mobilioji programa, kuri rezultatus parodydavo ne ilgiau nei per kelias sekundes 7pav. • Bandymų rezultatai rodo, kad galima, bent jau gerai efektyvumą, skaityti padangų žymes ir atpažinti transporto priemonės ratų techninę būklę. • Ateityje programinės įrangos veiksmingumą būtų galima pagerinti, be kita ko, atliekant neuroninio tinklo mokymą iš didesnės vaizdų duomenų bazės DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 17 Tyre Pattern Classification Based on Multi-scale GCN Model [4] Problema ir uždaviniai: Baudžiamosiose bylose ir eismo įvykiuose padangų raštai arba padangų įdubimai, palikti įvykio vietoje, yra labai svarbūs daiktiniai įrodymai. Pagal juos galima būtų nustatyti transporto priemonės tipą ir toliau suteikti svarbios informacijos transporto priemonės kategorijai nustatyti. Tačiau skirtingų tipų padangų raštų tekstūros struktūros atvaizdai yra labai panašūs ir juos sunku atskirti. Todėl gana svarbu ištirti veiksmingą ir tikslų padangų rašto atvaizdų požymių išskyrimo ir klasifikavimo (TPIC) technologiją, kuri yra eismo įvykių vertinimo ir bylų tyrimo raktas. Padangų raštų vaizdų klasifikavimui, esamus metodus galima suskirstyti į dvi kategorijas: klasifikavimo metodus, pagrįstus rankiniu būdu, ir tekstūros požymius, kurie pagrįsti giliuoju convoliutonal neural network (CNN). DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 18 Tyre Pattern Classification Based on Multi-scale GCN Model [4] Intelektualieji metodai, pasirinkti uždavinių sprendimui: Norint gauti tikslesnes padangų raštų vaizdų tekstūros savybes siulomas daugiamatis Gaboro konvoliucinis neuroninis tinklas (MSGCN). Pirma, kuriamas GCN su dideliais konvoliucijos branduoliais, kad išgauti tikslesnius tekstūros požymius. Antra, raštų tekstūros panašumai, panaudonjant CNN 3 ir 4 sluoksnių išvestis - sujungiami, kad būtų galima gauti daugiamačių požymių atvaizdavimą. Galiausiai funkcijų atranka atliekama siekiant sukurti kompaktišką mažos dimensijos požymių vektorius, kad būtų pasiektas geriausias klasifikavimo tikslumas. Norint pagerinti padangų rašto vaizdo klasifikavimo našumą ir išspręsti modelio perteklinio pritaikymo problemą, sukurtas efektyvus padangų raštų vaizdų klasifikavimo modelis, paremtas daugiamačiu Gaboro konvoliuciniu neuronų tinklu (MS-GCN). Siekiant išspręsti problemą, kad Furjė transformacija negali aprašyti vietinio signalo spektrinės charakteristikos, buvo įvestas Gaboro filtras, kuris gali būti naudojamas išgauti erdvinį vietinį dažnį ir jo ypatybes, kad būtų išvengta dažnių susikirtimų. Dvimatė Gaboro funkcija gaunama moduliuojant Gauso funkciją su trigonometrine funkcija. Padangos rašto vaizdo klasifikavimas grindžiamas daugiamačiu gaboro konvoliucijos tinklu. Padangų raštų vaizduose yra daug tekstūrinės struktūros požymių ir kraštų požymių, o padangų tekstūros požymis rodo stiprią kryptį nuoseklumą ir daugiamačius panašumus. Taigi, GoF yra labai tinkamas tikslioms padangų rašto vaizdo savybėms išgauti. GoF įterpiamas į CNN, kuris moduliuoja išmoktą filtrą su Gaboro filtrais, kad būtų suformuotas kompaktiškas GoF modulis. GCN modulyje GoF yra lygiavertis paprastam branduoliui tradiciniame CNN, sukuriančiam požymių žemėlapių rinkinį, kad būtų galima atvaizduoti daugiakryptį tikslų požymių inforamciją. Tyre Pattern Classification Based on Multi-scale GCN Model [4] Kokie duomenys buvo naudojami testavimui, su kokiais alternatyviais algoritmais palyginta, kiek gauti rezultatai buvo geresni nei tie, kurie gauti alternatyviais būdais? Didelės apimties padangų rašto savybių gavimas pavaizduotas 6 pav. ir klasifikavimas panaudojant Multi-Scale GCN 7 pav. Norėdami įvertinti MS-GCN algoritmo efektyvumą ir pranašumą padangos rašto vaizdui, lyginame su keturiais vaizdo klasifikavimo algoritmais (AlexNet, mastelių požymių sintezė, MS-GCN tinklo FC sluoksnio ir MS-GCN) pagal klasifikavimo tikslumą. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 20 Tyre Pattern Classification Based on Multi-scale GCN Model [4] Realių duomenų su be pasukimo - pavyzdžiai8 pav. Trumpos išvados: • Rezultatai parodė, kad siūlomo modelio klasifikavimo tikslumas yra 95,9 %, o tai yra gerokai geriau, palyginti su ankstesniais algoritmais. Rankiniu būdu sukurtu požymių išskyrimo algoritmu ir padidėjo 17,3 %. • Palyginti su giliuoju mokymusi pagrįstu modeliu VGG16. Pasiūlyto algoritmo klasifikavimo tikslumas GHIM-10K duomenų rinkiniui yra 92%, kuris taip pat yra geresnis. Apskritai tai rodo efektyvumą ir pranašumą siūlomo algoritmo. • MS-GCN algoritmo klasifikavimo tikslumas yra gerokai didesnis nei kitų trijų rankiniu būdu sukurtų tekstūra pagrįstų klasifikavimo metodų ir pasiekia didžiausią klasifikavimo tikslumą - 92 % taip pat gali būti taikomas ir ir kitiems duomenis klasifikuoti. DAUGIAKANALIO LAZERINIO JUTIKLIO TAIKYMO PADANGOS PROTEKTORIAUS GYLIUI MATUOTI STRAIPSNIŲ ANALIZĖ 21 Išvados pagal straipsnius baigiamajam darbui: 1. Straipsnyje nedaug rašoma apie techninius parametrus, bet akivaizdu jog SVM klasifikavimas gali būti naudojamas padangų tinkamumui tikrinti ir netgi gerei veikia su užterštais paviršiais t.y. neatpažįsta tik 1.5% pateiktų duomenų. 2. Darbe relizuotos metodikos su ortogonaliais polynomais tinka ir protektoriaus gyliui nustatyti, taip pat paminėtų keletas metodų objektų lokalizavimui gali būti panaudoti protektoriaus raštui lokalizuoti. Tinklo geresniam apmokymui naudoti padangų panašūs duomenys tik su pasukti kampu leido geriau apmokyti tinklus. 3. Padangų protektoriasu gyliui aptikti galima naudoti apmokyti "TensorFlow" ir "Keras platformos. Padangų rašto analizavimas taip pat buvo pilnai realizuotas ir naudojamas. 4. Gylis nebuvo tirtas. Rašto vaizdams atpažinti naudojamas CNN tinklas, o gauti dar tikslesnius duomenis daugiamatis Gaboro konvoliucinis neuroninis tinklas (MSGCN) ir rezultatai palyginti su kitais klasifikavimo algoritmais, tačiau geriausi buvo su MSGCN. Literatūros sąrašas: 1. Petrović, E., Durrant, D. R., Simonović, M., Cojbašić, Ž., & Nikolić, V. (2021). Vision-based inspection of tyre tread depth. Transactions of Famena, 45(3), 19–28. https://doi.org/10.21278/TOF.453024420 2. Mr. Harshal Bhamare , Prof. Ajitkumar Khachane, 2019, Quality Inspection of Tire using Deep Learning based Computer Vision, INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH & TECHNOLOGY (IJERT) Volume 08, Issue 11 (November 2019) https://doi.org/10.17577/IJERTV8IS110337 3. Balcerek, J., Konieczka, A., Pawłowski, P., Dankowski, C., Firlej, M., &#38; Fulara, P. (2022). Automatic recognition of vehicle wheel parameters. <i>Przeglad Elektrotechniczny, 98 (9), 205–208. https://doi.org/10.15199/48.2022.09.47 4. Wang, F., DIng, X., &#38; Liu, Y. (2020). Tyre Pattern Classification Based on Multi-scale GCN Model. ACM International Conference Proceeding Series, 113–119. https://doi.org/10.1145/3421515.3421520 Taškų debesies duomenys Stereo kameros duomenys https://nerian.com/products/scarlet-3d-depth-camera/ AČIŪ už dėmesį! Spalvotas gylio skirtumų žemėlapis X Y Z koordinatės https://saemobilus.sae.org/content/02-13-01-0001/