Статья

Название статьи РАСПОЗНАВАНИЕ ОБЪЕКТОВ И ТИПОВ ОПОРНОЙ ПОВЕРХНОСТИ ПО ДАННЫМ КОМПЛЕКСИРОВАННОЙ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ
Автор А.В. Вазаев, В.П. Носков, И.В. Рубцов, С.Г. Цариченко
Рубрика РАЗДЕЛ II. СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ И БОРТОВЫЕ ВЫЧИСЛИТЕЛИ
Месяц, год 02, 2016
Индекс УДК 007:621.865.8
DOI
Аннотация Ввиду присущим дистанционно управляемым робототехническим комплексам (РТК) принципиальным недостаткам и ограничениям, обусловленным наличием канала связи, дальнейшее развитие военной и мобильной робототехники связано с переходом от дистанционно управляемых РТК к автономным. Для автономных систем управления мобильных роботов одной из центральных является задача формирования бортовыми средствами такой модели внешней среды, на которой возможно проигрывать и оптимизировать различные варианты будущего поведения и движения и эффективно решать навигационные задачи. Для искусственных сред и твёрдых грунтов построение модели может быть выполнено только по геометрическим данным, однако в естественных средах присутствуют также преодолимые препятствия и непреодолимые ровные участки, поэтому необходимо учитывать и опорные характеристики грунта. Для формирования наиболее полной и достоверной модели предлагается использовать данные комплексированной СТЗ, включающей взаимно-юстированные 3D-лазерный сенсор, цветную телевизионную камеру и тепловизор. Такое сочетание сенсоров обеспечивает получение геометрической модели внешней среды с распределением на ней цветового и температурного полей, что позволяет более просто и более достоверно решать задачи распознавания объектов и классификации зоны маневрирования не только по критерию геометрической, но и по критерию опорной проходимости. Приведен математический аппарат определения типа поверхности (на примере четырёх типов поверхности: растительности, асфальта, песка, щебёнки) и выделения типовых объектов (на примере водной поверхности и открытого пламени). Представлены результаты работы созданного программного обеспечения в части сегментации комплексированного изображения с целью распознавания на опорной поверхности растительности и асфальта; распознавания в случае, когда внешние условия не гарантируют штатную работу какого-либо сенсора или когда в поле зрения попадают объекты, нерегистрируемые каким-либо сенсором; выделения водной поверхности и открытого пламени на комплексированном изображении. Приведенные в работе результаты натурных экспериментальных исследований позволяют сделать вывод, что использование комплексированных “тепло-видео- дальнометрических” изображений позволяет существенно расширить спектр решаемых по данным СТЗ задач распознавания-навигации и повысить эффективность их решения.

Скачать в PDF

Ключевые слова Мобильный робот; автономная система управления; комплексированная СТЗ; модель внешней среды; распознавание, классификация.
Библиографический список 1. Каляев А.В., Чернухин Ю.В., Носков В.П., Каляев И.А. Однородные управляющие структуры адаптивных роботов. – М.: Наука, 1990. – 147 c.
2. Носков В.П., Рубцов И.В. Опыт решения задачи автономного управления движением мобильных роботов // Мехатроника, автоматизация, управление. – 2005. – № 12. – С. 21-24.
3. Ji J., Chen X. From structured task instructions to robot task plans // IC3K 2013; KEOD 2013 – 5th International Conference on Knowledge Engineering and Ontology Development, Proceedings. – 2013. – P. 237-244.
4. Лакота Н.А., Носков В.П., Рубцов И.В., Лундгрен Я.-О. Моор Ф. Опыт использования элементов искусственного интеллекта в системе управления цехового транспортного робота // Мехатроника. – 2000. – № 4. – С. 44-47.
5. Буйволов Г.А., Носков В.П., Руренко А.А., Распопин А.Н. Аппаратно-алгоритмические средства формирования модели проблемной среды в условиях пересеченной местности // Сб. научн. тр. Управление движением и техническое зрение автономных транспортных роботов. – М.: ИФТП, 1989. – С. 61-69.
6. Носков А.В., Рубцов И.В., Романов А.Ю. Формирование объединенной модели внешней среды на основе информации видеокамеры и дальномера //Мехатроника, автоматизация, управление. – 2007. – № 8. – С. 2-5.
7. Носков В. П., Рубцов И. В., Вазаев А.В. Об эффективности моделирования внешней среды по данным комплексированной СТЗ // Робототехника и техническая кибернетика. – 2015. – № 2 (7). – С. 51-55.
8. Milella A. et al. Combining radar and vision for self-supervised ground segmentation in outdoor environments // 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – 2011. – P. 255-260.
9. Galindo C., Fernandez-Madrigal J.-A., Gonzalez J. Improving efficiency in mobile robot task planning through world abstraction // IEEE Transactions on Robotics. – 2004. – Vol. 20, No. 4. – P. 677-690.
10. Milella A., Reina G., Foglia M.M. A multi-baseline stereo system for scene segmentation in natural environments // 2013 IEEE International Conference on Technologies for Practical Robot Applications (TePRA). – 2013. – P. 1-6.
11. Milella A., Reina G., Underwood J. A Self-learning Framework for Statistical Ground Classification using Radar and Monocular Vision // J. Field Robotics. – 2015. – Vol. 32, No. 1. – P. 20-41.
12. Slavkovikj V. et al. Image-Based Road Type Classification. IEEE, 2014. – P. 2359-2364.
13. Posada L.F. et al. Semantic classification of scenes and places with omnidirectional vision // 2013 European Conference on Mobile Robots (ECMR). – 2013. – P. 113-118.
14. Arbeiter G. et al. Efficient segmentation and surface classification of range images // 2014 IEEE International Conference on Robotics and Automation (ICRA). – 2014. – P. 5502-5509.
15. Носков А.В., Носков В.П. Распознавание ориентиров в дальнометрических изображениях // Сб. «Мобильные роботы и мехатронные системы». – М.: Из-во МГУ, 2001. – C. 179-192.
16. Anand A. et al. Contextually Guided Semantic Labeling and Search for Three-Dimensional Point Clouds // The International Journal of Robotics Research. – January 2013. – Vol. 32, Issue 1.
17. Al-Moadhen A. et al. Improving the Efficiency of Robot Task Planning by Automatically Integrating Its Planner and Common-Sense Knowledge Base // Knowledge-Based Information Systems in Practice / ed. Tweedale J.W. et al. Springer International Publishing, 2015. – P. 185-199.
18. Stuckler J., Biresev N., Behnke S. Semantic mapping using object-class segmentation of RGB-D images // 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – 2012. – P. 3005-3010.
19. Машков К.Ю., Рубцов В.И., Штифанов Н.В. Автоматическая система обеспечения опорной проходимости мобильного робота // Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. Вып. Специальная робототехника. – 2012. – С. 95-106.
20. Zhang A. Flexible New Technique for Camera Calibration // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2000. – No. 22 (11). – P. 1330-1334.

Comments are closed.