Статья

Название статьи АЛГОРИТМЫ АВТОМАТИЗИРОВАННОГО ВЫБОРА УЧАСТКОВ МЕСТНОСТИ В КАЧЕСТВЕ ПОСАДОЧНЫХ ПЛОЩАДОК, И ОСУЩЕСТВЛЕНИЯ ПОСАДКИ ПИЛОТИРУЕМЫХ И БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ ПО ДАННЫМ БОРТОВОЙ ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ
Автор В.А. Бондаренко, Г.Э. Каплинский, С.Н. Крюков, В.А. Павлова, В.А. Тупиков, П.К. Шульженко
Рубрика РАЗДЕЛ VII. СВЯЗЬ, НАВИГАЦИЯ И НАВЕДЕНИЕ
Месяц, год 01-02, 2017
Индекс УДК 623.746.-519 + 623.746.174
DOI
Аннотация Рассмотрена задача автоматизации выбора посадочных площадок, подходящих для безопасной посадки пилотируемых и беспилотных летательных аппаратов. В первой части статьи Представлены представлены метод и алгоритм выбора посадочных площадок, основанные на объединении результатов двухэтапного анализа изображений местности, полученных с бортовой оптической системы. Первый этап алгоритма заключается в построении карты высот местности по набору изображений, получаемых бортовой оптической системой, с использованием стереоскопического эффекта в процессе прямолинейного движения носителя по набору изображений с использованием стереоэффекта. Приводятся теоретическое обоснование используемого подхода к построению карты высот местности и результаты успешного применения соответствующего алгоритма к реальным изображениям местности. На втором этапе алгоритма выбора посадочных площадок производится текстурный анализ изображения данного участка местности с помощью искусственной нейронной сети встречного распространения. В статье дано краткое описание архитектуры используемой для текстурного анализа искусственной нейронной сети, и приведены результаты текстурного анализа изображения участка местности. . Во второй части статьи рассматриваются алгоритм поиска и распознавания искусственно созданного ориентира на изображениях, полученных бортовой оптической системой лета-тельного аппарата, и алгоритм автоматической посадки на ориентир. В результате про-ведённого исследования авторами была разработана технология создания системы технического зрения, решающей задачи автоматического выбора посадочных площадок для посадки летательного аппарата в незнакомой местности, относительного трёхмерного позиционирования ЛА по изображениям искусственно созданного ориентира и автоматической посадки ЛА на искусственно созданный ориентир. На базе беспилотного летательного аппарата вертолётного типа разработана и представлена летающая лаборатория, снабжённая оптико-электронной системой и системой беспроводной связи, реализующая алгоритм автоматического поиска и распознавания искусственно созданного ориентира на изображениях, получаемых бортовой оптической системой БЛА, и алгоритм автоматической посадки БЛА на найденный ориентир. В статье приведены результаты полунатурных испытаний данной системы, подтвердившие её полную работоспособность, а также сравнительный анализ предлагаемого метода и подходов к автоматизации посадки, применяемых в существующих системах. Приведены результаты испытаний алгоритма автоматической посадки, реализованного на летающей лаборатории на базе квадрокоптера.

Скачать в PDF

Ключевые слова Автоматизация выбора посадочных площадок; автоматическая посадка БЛА; стереограмметрия; текстурный анализ; искусственная нейронная сеть.
Библиографический список 1. Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: учебное пособие. – Новосибирск: Изд-во НГТУ, 2002. – 352 c.
2. Tsai R.Y. A versatile camera calibration technique for high-accuracy 3D machine vision me-trology using off-the-shelf TV cameras and lenses // IEEE Journal of Robotics and Automation RA-3(4). – 1987. – P. 323-344.
3. Duda R., Hart P. Pattern Classification and Scene Analysis // John Wiley and Sons. – 1973.
– P. 271-272.
4. Garcia-Padro P. J., Sukhatme G.S., Montgomery J.F. Towards vision-based safe landing for an autonomous helicopter // Robotics and Autonomous Systems, 2000.
5. Hermansson J, Gising A, Skoglund M, Schön. Autonomous Landing of an Unmanned Aerial Vehicle, Technical Report, Automatic Control, Linkopings Universitet, Sweden, 2010.
6. Merz T., Duranti S., Conte G. Autonomous landing of an unmanned helicopter based on vision and inertial sensing // Experimental Robotics IX, Springer Tracts in Advanced Robotics.
– 2006. – Vol. 21. – P. 343-352.
7. Тупиков В.А., Павлова В.А., Каплинский Г.Э., Крюков С.Н. Алгоритм автоматической посадки беспилотного летательного аппарата вертолетного типа с использованием бортовой оптико-электронной системы // Известия ТулГУ. Технические науки. – 2016.
– № 11-3. – С. 86-95.
8. Bradley D., Roth G. Adaptive Threshholding Using Integral Image // Journal of Graphics Tools. – Vol. 12, Issue 2. – P. 13-21.2007. NRC 48816.
9. Fukushima K., Miyake S. Neocognitron: A new algorithm for pattern recognition tolerant of deformations and shifts in position // Pattern recognition. – 1982. – No. 15 (6). – P. 455-69.
10. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. – Красноярск: Изд-во Красноярского университета, 1992. – 248 с.
11. Красильников Н.Н. Цифровая обработка 2D- и 3D-изображений: учеб. пособие. – СПб.: БХВ-Петербург, 2011. – 608 с.
12. Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения. – Тверь: ТО «Книжный клуб», 2009. – 360 с.
13. Алпатов Б.А., Бабаян П.В., Балашов О.Е., Степашкин А.И. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление. – М.: Радиотехника, 2008. – 176 с.
14. Shafait F., Keysers D., Breuel T.M. Efficient implementation of local adaptive thresholding techniques using integral images. Proc. SPIE vol. 6815, Document Recognition and Retrieval XV, 2008.
15. Sauvola J., Pietikainen M. Adaptive document image binarization // Pattern Recognition.
– 2000. – № 33. – P. 225-236.
16. Gonzalez R.C., Woods R.E. Digital Image Processing. – 2nd edition, Prentice-Hall, 2002. – 793 p.
17. Hu M.K. Visual Pattern Recognition by Moment Invariants // IRE Trans. Info. Theory. – 1962. – Vol. IT-8. – P. 179-187.
18. Crow F. Summed-area tables for texture mapping // In Proceedings of SIGGRAPH. – 1984.
– Vol. 18 (3). – P. 207-212.
19. Abubaker A., Qahwaji R., Ipson S., Saleh M. One Scan Connected Component Labeling Tech-nique // Signal Processing and Communications. – 2007. – P. 1283-1286.
20. Schmidt W.F., Kraaijveld M.A., Duin R.P.W. Feedforward neural networks with random weights // Proc. of 11 th IAPR International Conference on Pattern Recognition Conference B: Pattern Recognition Methodology and Systems. – 1992. – Vol. II. – P. 1-4.
21. Yichuan Tang, Ruslan Salakhutdinov. Learning stochastic feedforward neural networks // Pro-ceedings of the 26th International Conference on Neural Information Processing Systems. 2013. – P. 530-538.

Comments are closed.