ПРОГРАММНО-АППАРАТНЫЕ СРЕДСТВА ДЛЯ БОРТОВЫХ СИСТЕМ ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ ПОДВИЖНЫХ СРЕДСТВ С ИСПОЛЬЗОВАНИЕМ СТЗ

  • С.М. Соколов «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН)
  • А. А. Богуславский «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН)
  • С. А. Романенко «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН)
Ключевые слова: Мобильные РТК, бортовые вычислители, реальное время, алгоритмическое обеспечение, система технического зрения

Аннотация

Целью исследования является повышение эффективности информационного обеспе-чения автономных подвижных средств с использованием зрительных данных и технологий его разработки за счёт рационального использования нетрадиционных вычислителей и специальной подготовки алгоритмического обеспечения. Использование нетрадиционных, гетерогенных вычислительных средств позволяет существенно расширить круг задач об-работки зрительных данных в масштабе реального времени и, тем самым, увеличить си-туационную осведомлённость автономных РТК и оперативность её получения. Рацио-нальное использование нетрадиционных вычислителей требует существенной переделки алгоритмического обеспечения. Большинство алгоритмов применяемых при обработке изображений, были разработаны в расчёте на реализацию на традиционных, фон-Неймановских архитектурах вычислителей и требуют существенных усилий для реализа-ции на параллельных структурах и разработки специальных инструментальных средств программирования. В работе сделан акцент на исследования в области использовании ПЛИС и рассмотрен ряд подходов в специальной подготовке необходимого алгоритмического обеспечения. В качестве модельных, демонстрационных примеров использования не-традиционных вычислителей рассмотрена реализация таких алгоритмов обработки зри-тельных данных, которые активно используются в широком круге задач информационного обеспечения целенаправленных перемещений мобильных РТК. Описана подготовка и реали-зация на ПЛИС таких алгоритмов, как построение гистограмм, вычисление оптического потока, сегментация изображений. Приведены результаты экспериментов на действующих макетах бортовых вычислителей. В качестве исходных данных использованы зрительные данные, собранные при движении мобильных средств в условиях естественной среды. Всё используемое программное обеспечение выполнено на основе унифицированного каркаса программного обеспечения систем технического зрения реального времени отечественной разработки. В заключении обсуждаются дальнейшие шаги в указанном направлении, с учё-том стремления к использованию отечественных программно-аппаратных средств.

Литература

1. Mar'yasin A.V., Manilenko I.N., Mikhaylov M.A., Perov I.A., Samarin O.F., Savost'yanov V.Yu., Il'in E.M. Tsifrovaya vychislitel'naya mashina dlya sovremennykh malogabaritnykh bortovykh radiolokatsionnykh stantsiy [Digital computer for modern small-size onboard radar stations], Vestnik SibGUTI [Vestnik SibGUTI], 2016, № 3, pp. 15-31.
2. Dashevskiy V.P., Bizin M.M. Obzor vozmozhnostey bortovykh vychisliteley [An overview of the capabilities of onboard computers], Doklady TUSURa [Proceedings of TUSUR], Sentyabr' 2015, No. 3 (37), pp. 924-929.
3. Lukin N.A. Bortovye funktsional'no-orientirovannye protsessory na osnove odnorodnykh vychislitel'nykh sred dlya mobil'nykh sistem real'nogo vremeni [Onboard functional-oriented processors based on homogeneous computing environments for mobile real-time systems], Fundamental'nye issledovaniya [Fundamental study], 2015, No. 12.
4. Chip Google Tensor Processor uprostit protsess mashinnogo obucheniya i vernet silu zakonu Mura. 3DNews [The Google Tensor Processor chip will simplify the machine learning process and restore the power of Moore's law. 3DNews]. Available at: https://3dnews.ru/933239.
5. Blok Google TPU vtorogo pokoleniya v zadachakh mashinnogo obucheniya demonstriruet proizvoditel'nost' vyshe, chem u GPU Nvidia GV100. iXBT.com [The second-generation Google TPU block in machine learning tasks demonstrates higher performance than the Nvidia GV100 GPU. iXBT.com]. Available at: https://www.ixbt.com/ news/2017/05/19/google-tpu-gpu-nvidia-gv100.html.
6. Podrobnosti o tenzornom soprotsessore Google TPU. Servernews [Details about the Google TPU tensor coprocessor. Servernews]. Available at: https://servernews.ru/957543.
7. Molaletsa Namoshe, Oduetse Matsebe and Nkgatho Tlale. Sensor Fusion and Its Applications, Feature extraction: techniques for landmark based navigation system, pp. 347-374.
8. Nützi G. et al. Fusion of IMU and Vision for Absolute Scale Estimation in Monocular SLAM, Journal of Intelligent & Robotic System. 2011. Vol. 61. pp. 287-299.
9. Engel J., Schöps T., Cremers D. LSD-SLAM: Large-Scale Direct Monocular SLAM, Proc. of the ECCV 2014, 2014, pp. 834-849.
10. Labbé M., Michaud F. RTAB-Map as an open-source lidar and visual simultaneous localiza-tion and mapping library, Journal of Field Robotics, 2018, pp. 1-31.
11. Gomez-Ojeda R. et al. PL-SLAM: A Stereo SLAM System Through the Combination of Points and Line Segments, IEEE Transactions on Robotics, 2019, Vol. 35, No. 3, pp. 734-746.
12. Galagan P., Kuz'minskiy L., Sorokin A. Reshenie zadach mashinnogo zreniya na baze geterogennoy platformy GRIFON [Solving machine vision problems based on the heterogene-ous GRYPHON platform], Control Engineering Rossiya [Control Engineering Russia], 2018, No. 1 (73), pp. 38-43.
13. Galagan P. Platforma GRIFON dlya resheniya zadach vstraivaemykh sistem spetsial'nogo naznacheniya [Gryphon platform for solving problems of embedded special purpose systems], Sovremennye tekhnologii avtomatizatsii [Modern automation technologies], 2015, No. 4.
14. Boguslavsky A.A., Sokolov S.M. Component Approach to the Applied Visual System Software Development, 7th World Multiconference on Systemics, Cybernetics and Informatics (SCI 2003), July 27-30, Orlando, Florida, USA, 2003.
15. Sokolov S.M., Boguslavsky A.A. Intellectual Images Processing for a Realtime Recognition Problem, Proc. The 2nd Intern. Multi-Conf. on Complexity, Informatics and Cybernetics (IMCIC2011), Orlando, Florida, USA, March 27th-30th, 2011, Orlando, Florida, USA, Vol. II, pp. 406-411.
16. Barlas G. Multicore and GPU Programming: An Integrated Approach. Morgan Kaufmann, 2014, 698 p.
17. Vasconcellos J.F. de A., Cáceres E.N., Mongelli H. and Song S.W. A Parallel Algorithm for Minimum Spanning Tree on GPU, 2017 International Symposium on Computer Architecture and High Performance Computing Workshops (SBAC-PADW), Campinas, 2017, pp. 67-72.
18. Vasconcellos J.F. de A., Cáceres E.N., Mongelli H., Song S.W., Dehne F., & Szwarcfiter J.L. New BSP/CGM algorithms for spanning trees, The International Journal of High Performance Computing Applications, 2019, Vol. 33 (3), pp. 444-461.
19. Pedro F. Felzenszwalb and Daniel P. Huttenlocher. Efficient Graph-Based Image Segmenta-tion, Int. J. Comput. Vision 59, 2 (September 2004), pp. 167-181.
20. Realizatsiya algoritma Kouskena [The implementation of the algorithm Koscina]. Available at: http://cs.brown.edu/people/pfelzens/segment/.
21. Borůvka Otakar. O jistém problému minimálním [About a certain minimal problem]. Práce Moravské přírodovědecké společnosti. V Brně III (in Czech and German), 1926, No. 3, pp. 37-58.
22. Proekty Gitlab: Realizatsiya algoritma Vasconcellos [GitLab projects: implementation of the Vasconcellos algorithm.]. Available at: https://gitlab.com/sergei-romanenko/vasconcellos-new-mst/ -/tree/master/img_seg_seq.
Опубликован
2020-07-10
Выпуск
Раздел
РАЗДЕЛ V. ТЕХНИЧЕСКОЕ ЗРЕНИЕ