МЕТОД ПОЗИЦИОНИРОВАНИЯ ПОДВИЖНОГО ОБЪЕКТА БЕЗ ИСПОЛЬЗОВАНИЯ ДАННЫХ ГЛОБАЛЬНОЙ ГЕОПРИВЯЗКИ:

Е. В. Лищенко; Э.В. Мельник; А.С. Матвиенко; А.Ю. Будко

Е. В. Лищенко Южный федеральный университет
Э.В. Мельник Южный федеральный университет
А.С. Матвиенко Южный федеральный университет
А.Ю. Будко НИИ Робототехники и процессов управления ЮФУ

Ключевые слова: Компьютерное зрение, подвижный объект, бортовая подсистема позиционирования, система технического зрения, карта местности, искусственный интеллект, электронографическая карта местности

Аннотация

Рассмотрена проблема, связанная с определением текущих координат подвижного объекта
в условиях нестабильного сигнала от глобальной навигационной спутниковой системы (ГНСС).
Актуальность работы обусловлена тем, что в последние годы подвижные объекты находят все
более широкое применение практически во всех отраслях промышленности, сельского хозяйства,
на транспорте, решая разнообразные задачи наблюдения, разведки, мониторинга состояния кон-
тролируемых объектов, проведение поисково-спасательных операций, доставки грузов и много
другое. При этом успешность выполнения заданий во многом зависит от того, насколько точно и
эффективно работает его бортовая навигационная система в режиме реального времени. Суще-
ствующие решения бортовых систем позиционирования предполагают использование инерциаль-
ных и глобальных навигационных спутниковых систем. Для первого типа характерно наличие эф-
фекта дрейфа ввиду использования гироскопов и акселерометров. Для систем, использующих дан-
ные от ГСП сложности связаны с частичной или полной потерей сигнала. В настоящей работе
описан метод сохранения заданной точности пространственного позиционирования подвижного
объекта в условиях частичного или полного отсутствия данных от ГСП объекта. Данный метод
основан на комбинации алгоритмов компьютерного зрения обработки кадров видеопотока от
бортовой системы технического зрения (СТЗ) подвижного объекта, с целью обеспечения точно-
сти позиционирования в условиях частичного или полного отсутствия данных от спутниковых
систем навигации. На основании передоложенного метода разработан алгоритм, предназначен-
ный для автоматизированного определения координат подвижного объекта в условиях отсутст-
вия данных привязки к карте местности от глобальных систем позиционирования (ГСП). Прове-
дены эксперименты, которые подтвердили эффективность работы алгоритма в части сокраще-
ния временных затрат на описание и сопоставление ключевых точек и повышения точности со-
поставления изображения. С использованием разработанного алгоритма была решена задача
сопоставления спутниковых снимков, которая является важным этапом задачи позиционирова-
ния подвижного объекта без использования данных глобальной геопривязки.

Литература

1. Abramov M.M. Novye i perspektivnye napravleniya primeneniya bespilotnykh letatel'nykh apparatov
[New and promising directions for the application of unmanned aerial vehicle], Izvestiya TulGU.
Tekhnicheskie nauki [Izvestiya Tula State University. Technical science], 2022, Issue 3, pp. 227-232.
2. Kupriyanov A.O. Global'nye navigatsionnye sputnikovye sistemy: ucheb. posobie [Global navigation
satellite systems: textbook]. Moscow: MII-GAiK, 2017, 76 p.
3. Mustaev A.F. Inertsial'nye navigatsionnye sistemy [Inertial navigation systems], Vestnik nauki [Herald
of Science], No. 8 (17), Vol. 3, pp. 45-48.
4. Vavilova N.B., Golovan A.A., Parusnikov N.A. Kratkiy kurs teorii inertsial'noy navigatsii [Brief course
in the theory of inertial navigation]. Moscow: IPU RAN, 2022, 148 p.
5. Rublee E. ORB: An efficient alternative to SIFT or SURF, Proc. of International conference on computer
vision, 2011, pp. 2564-2571.
6. DeTone D., Malisiewicz T., Rabinovich A. Superpoint: Self-supervised interest point detection and
description, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops,
2018, pp. 224-236.
7. Zubov I.G. Metod avtomaticheskogo opredeleniya klyuchevykh tochek ob"ekta na izobrazhenii
[Method for automatic detection of key points of an object in an image], Izvestiya vuzov Rossii.
Radioelektronika [Izvestiya Universities of Russia. Radio Electronics], 2020, Vol. 23, No. 6, pp. 6-16.
DOI: 10.32603/1993-8985-2020-23-6-6-16.
8. Makarov A.S., Bolsunovskaya M.V. Sravnitel'nyy analiz metodov obnaruzheniya osobykh tochek na
izobrazheniyakh pri razlichnykh urovnyakh osveshcheniya [Comparative analysis of methods for detecting
special points in images at different illumination levels], Nauchno-tekhnicheskie vedomosti
SPbGPU. Informatika. Telekommunikatsii. Upravlenie [Scientific and technical statements of
SPbSPU. Computer science. Telecommunications. Management], 2018, No. 11:2, pp. 7-18.
9. Bay H., Tinne T., Luc V.G. SURF: speeded up robust features, Computer Vision and Image Understanding,
2008, Vol. 110, No. 3, pp. 346-359. DOI: 10.1007/11744023_32.
10. Rublee E., Rabaud V., Konolige K., Bradski G. ORB: an efficient alternative to SIFT or SURF, in
Proceedings of the 2011 International Conference on Computer Vision, pp. 2564-2571. IEEE, Barcelona,
Spain, November 2011. DOI: 10.1109/ICCV.2011.6126544.
11. Bondarenko V.A., Kaplinskiy G.E., Pavlova V.A., Tupikov V.A. Metod poiska i sopostavleniya
klyuchevykh osobennostey izobrazheniy dlya raspoznavaniya obrazov i soprovozhdeniya ob"ektov
[Method of searching and matching key features of images for pattern recognition and object tracking],
Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2019, pp. 281-293.
12. Denisov A.A., Novikov A.I. Analiz metodov detektirovaniya, opisaniya i sopostavleniya klyuchevykh
tochek izobrazheniy [Analysis of methods for detecting, describing and matching key points of images],
Vestnik RGRTU [Vestnik of RSREU], 2024, No. 89, pp. 104-116.
13. Xu N., Nikolentzos G., Vazirgiannis M., Boström H. Image Keypoint Matching Using Graph Neural
Networks. In: Benito, R.M., Cherifi, C., Cherifi, H., Moro, E., Rocha, L.M., Sales-Pardo, M. (eds),
Complex Networks & Their Applications X. COMPLEX NETWORKS 2021. Studies in Computational
Intelligence, Vol. 1073. Springer, Cham, 2022.
14. Novikov A.I., Pron'kin A.V. Metody tsifrovoy obrabotki izobrazheniy podstilayushchey poverkhnosti
[Methods of digital processing of images of the underlying surface]. Moscow: Goryachaya liniya-
Telekom, 2023, 224 p.
15. Mikolajczyk K., Schmid C. A performance evaluation of local descriptors, IEEE transactions on pattern
analysis and machine intelligence, 2005, pp. 1615-1630.
16. Tavish Srivastava Guide to K-Nearest Neighbors Algorithm in Machine Learning. Available at:
https://www.analyticsvidhya.com/articles/knn-algorithm/ (accessed 22 November 2024).
17. Chen Y., Zhao L., Mei P. Monochromatic Mutual Nearest Neighbor Queries Over Uncertain Data, In:
Sun, X., Pan, Z., Bertino, E. (eds) Artificial Intelligence and Security. ICAIS 2019, Lecture Notes in
Computer Science, Vol. 11632. Springer, Cham, 2019.
18. Lee Byeong-Joo & Baskes, M.I. & Kim, Hanchul & Cho, Yang. Second nearest-neighbor modified
embedded atom method potential for BCC transition metals, Phys. Rev. B, 2001, 64.
10.1103/PhysRevB.64.184102.
19. Zhang Y. et al. Local Adaptive Clustering Based Image Matching for Automatic Visual Identification,
2023 China Automation Congress (CAC). IEEE, 2023, pp. 5686-5690.
20. Debella-Gilo M., Kääb A. Locally adaptive template sizes for matching repeat images of mass movements,
2011 IEEE International Geoscience and Remote Sensing Symposium, Vancouver, BC, Canada,
2011, pp. 4281-4284.