ПОСТРОЕНИЕ КАРТЫ ОПОРНЫХ ПОВЕРХНОСТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПЛАНИРОВАНИЯ ДВИЖЕНИЯ ГРУППЫ НАЗЕМНЫХ РОБОТОВ
Аннотация
Целью исследования является формирование геометрической модели среды, содержащей
информацию о параметрах подстилающей поверхности для использования в системе планиро-
вания движений группы роботов строем на высокой скорости. В статье исследована задача
построения карты опорных поверхностей. Приведен анализ существующих исследований по
теме определения характеристик опорных поверхностей мобильными роботами. Приведена
классификация способов оценки характеристик опорной поверхности на дистанционные и кон-
тактные. На основе анализа преимуществ и недостатков известных дистанционных и кон-
тактных методов в работе предлагается комбинированный подход, позволяющий использо-
вать преимущества обоих методов. Подход основан на дистанционном разделении простран-
ства на кластеры по внешним параметрам подстилающей поверхности с потенциально одина-
ковыми внутренними свойствами, одновременном определении внутренних параметров под-
стилающей поверхности контактным методом и дальнейшем их объединении. При этом осу-
ществляется постоянное уточнение параметров поверхности во время перемещения. Подход
использует ограниченный перечень стандартных бортовых средств мобильного робота и не
требует больших вычислительных затрат по сравнению с методами машинного обучения.
Приводится описание дистанционного определения внешних параметров подстилающей по-
верхности, в основе которых лежат алгоритмы сегментации облака точек, не требующие
предварительного обучения. В качестве аргументов для сегментации используются: координа-
ты точек облака, цвет каждой точки и перепад высот в окрестности каждой точки. Описан
алгоритм определения внутренних характеристик поверхности контактным способом. В каче-
стве внутренних параметров рассматриваются коэффициенты трения между каждым коле-
сом и текущей поверхностью. Эти коэффициенты позволяют определить предельные ускоре-
ния для каждого робота группы, которые необходимы для реализации системы планирования
движений. В работе приводятся результаты экспериментальных исследований дистанционно-
го определения параметров подстилающей поверхности в рамках предложенного подхода на
данных из публичного набора KITTI. Результаты исследования подтверждают возможность
формирования геометрической модели среды, сегментированной на области с различными ха-
рактеристиками опорной поверхности без обучения с использованием стандартных аппарат-
ных возможностей робота.
Литература
Swarms, IEEE Robotics and Automation Magazine, 2013, Vol. 20, No. 4, pp. 60-71.
2. Ermolov I.L., Lapin B.S. Raspredelennoe planirovanie dvizheniya dlya gruppy sovmestno
perenosyashchikh gruz robotov s uchetom svoystv opornykh poverkhnostey [Distributed motion
planning for a group of robots jointly carrying a load, taking into account the properties of
supporting surfaces], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, automation,
control], 2023, Vol. 24, No. 6, pp. 327-334.
3. Cadena C., Carlone L., Carrillo H., Latif Y., Scaramuzza D., Neira J., Reid I., Leonard J.J.
Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-
Perception Age, IEEE Transactions on Robotics, 2016, Vol. 32, No. 6, pp. 1309-1332.
4. Vazaev A.V., Noskov V.P., Rubtsov I.V., Tsarichenko S.G. Raspoznavanie ob"ektov i tipov
opornoy poverkhnosti po dannym kompleksirovannoy sistemy tekhnicheskogo zreniya
[Recognition of objects and types of supporting surfaces according to data from an integrated
technical vision system], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2016, No. 2, pp. 127-139.
5. Robert E.K., Gary W. Terrain Understanding for Robot Navigation, Proceedings of the 2007
IEEE/RSJ International Conference on Intelligent Robots and Systems, 2007, pp. 895-900.
6. Angelova A., Matthies L., Helmick D., Perona P. Fast Terrain Classification Using Variable-
Length Representation for Autonomous Navigation, IEEE Conference on Computer Vision
and Pattern Recognition, 2007, pp. 1-8.
7. Cristian D., Nicolas V., Martial H. Classifier Fusion for Outdoor Obstacle Detection, Proceedings
of International Conference on Robotics and Automation, 2004, Vol. 1, pp. 665-671.
8. Jean-Francois L., Nicolas V., Daniel H., Martial H. Natural terrain classification using threedimensional
ladar data for ground robot mobility, Journal of Field Robotics, November 2006,
Vol. 23, No. 10, pp. 839-861.
9. Wolf D.F., Sukhatme G.S., Fox D., Burgard W. Autonomous Terrain Mapping and Classification
Using Hidden Markov Models, Proceedings of the IEEE International Conference on Robotics
and Automation, 2005, pp. 2026-2031.
10. RobotEye REHS25 Hyperspectral Ultrafast Broadband Spectral Scanner: Product Datasheet,
OCULAR Robotics, 2015. Available at: http://www.ocularrobotics.com/wp/wp-content/uploads/
2015/12/RobotEye-REHS25-Hyperspectral-Datasheet.pdf (accessed 04 June 2020).
11. Vishwanath S., Aswin C.S. Programmable Spectrometry -- Per-pixel Classification of Materials
using Learned Spectral Filters, Published in ArXiv. Computer Science, Engineering, 2019.
12. Lloyd W., Rishi R., Arman M., Richard J.M. Hyperspectral CNN Classification with Limited
Training Samples, BMVC 2016, 2016.
13. David B., Scott T., Anthony S., Peter R. Vegetation Detection for Mobile Robot Navigation,
Tech. Report, CMU-RI-TR-04-12, Robotics Institute, Carnegie Mellon University, 2004.
14. Wang S. Road Terrain Classification Technology for Autonomous Vehicle, 2019, 107 p.
15. Bekker M.G. Theory of Land Locomotion. The University of Michigan Press, 1962.
16. Mashkov K.Yu., Naumov V.N., Rubtsov V.I. Cistema avtomaticheskogo opredeleniya
kharakteristik grunta pri dinamicheskom vzaimodeystvii dvizhitelya MRK s opornoy
poverkhnost'yu [System for automatic determination of soil characteristics during dynamic interaction
of the MRC propulsion device with the supporting surface], Mater. Vos'moy
Vserossiyskoy nauchno-prakticheskoy konferentsii « erspektivnye sistemy i zadachi
upravleniya» [Proceedings of the Eighth All-Russian Scientific and Practical Conference “Advanced
Systems and Control Problems”]. Taganrog, 2013, pp. 87-95.
17. Mashkov K.Yu., Rubtsov V.I., Shtifanov N.V. Avtomaticheskaya sistema obespecheniya
opornoy prokhodimosti mobil'nogo robota [Automatic system for ensuring the support patency
of a mobile robot], Vestnik MGTU im. N.E. Baumana. Ser. Mashinostroenie. Vyp.
Spetsial'naya robototekhnika [Bulletin of MSTU im. N.E. Bauman. Ser. Mechanical engineering.
Vol. Special robotics], 2012, pp. 95-106.
18. Ovchinnikov A.M., Platonov A.K. Tekhnicheskoe zrenie v sistemakh upravleniya mobil'nymi
ob"ektami-2010 [Technical vision in mobile object control systems-2010], Tr. nauchnotekhnicheskoy
konferentsii-seminara [Proceedings of the scientific and technical conferenceseminar],
Issue 4, ed. by R.R. Nazirova. Moscow: KDU, 2011, pp. 216-229.
19. Taheri S., Sandu C., Taheri S., Pinto E., Gorsich D. A technical survey on terramechanics
models for tireterrain interaction used in modeling and simulation of wheeled vehicles, Journal
of Terramechanics, 2015, Vol. 57, pp. 1-22.
20. Upadhyaya S.K., Wulfsohn D., Mehlschau J. An instrumented device to obtain traction related
parameters, Journal of Terramechanics, 1993, Vol. 30, pp. 1-20.
21. Cao P., Hall E., Zhang E. Soil Sampling Sensor System on a Mobile Robot, in Proceedings of
SPIE Intelligent Robots and Computer Vision XXI: Algorithms, Techniques, and Active Vision,
2003, Vol. 5267.
22. Väljaots ., Lehiste H., Kiik M., Leemet T. Soil sampling automation using mobile robotic
platform, Agronomy Research. Estonian University of Life Sciences. Institute of Technology,
2018, Vol. 16, No. 3, pp. 917-922.
23. Wills B. The design and development of a hydraulic bevameter, Journal of Terramechanics,
1964, Vol. 1, pp. 91-97.
24. Nama J.S., Park Y.J., Kim K.U. Determination of rating cone index using wheel sinkage and
slip, Journal of Terramechanics, 2010, Vol. 47, pp. 243-248.
25. Iagnemma K., Dubowsky S. Terrain estimation for high-speed rough-terrain autonomous vehicle
navigation, In Proc. SPIE Conference on Unmanned Ground Vehicle Technology IV, 2002.
26. Marius M., David G.L. Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration,
International Conference on Computer Vision Theory and Applications
(VISAPP'09), 2009.
27. Martin A.F., Robert C.B. Random Sample Consensus: A Paradigm for Model Fitting with
Applications to Image Analysis and Automated Cartography, Comm. Of the ACM. June, 1981,
No. 24, pp. 381-395.
28. Shepel' I.O. Postroenie modeli prokhodimosti okruzhayushchey sredy po oblaku tochek
stereokamery s ispol'zovaniem ierarkhicheskoy karty vysot [Construction of a model of environmental
cross-country ability using a point cloud of a stereo camera using a hierarchical height map],
Inzhenernyy vestnik Dona [Engineering Bulletin of the Don], 2018, No. 1 (48), pp. 94-107.
29. Neuhaus F., Dillenberger D., Pellenz J., Paulus D. Terrain Drivability Analysis in 3D Laser
Range Data for Autonomous Robot Navigation in Unstructured Environments, Proceedings of
12th IEEE International Conference on Emerging Technologies and Factory Automation
(ETFA), Sep. 2009, pp. 4-9.
30. Fleischmann P., Berns K. A Stereo Vision Based Obstacle Detection System for Agricultural
Applications, 2016, pp. 217-231.
31. Li N., Ho C.P., Xue J., Lim L.W., Chen G., Fu Y.H., Lee L.Y.T. A Progress Review on Solid-
State LiDAR and Nanophotonics-Based LiDAR Sensors, Laser Photonics Rev., 2022, 16,
2100511. Available at: https://doi.org/10.1002/lpor.202100511.
32. Martin E., Hans- eter K., örg S., Xiaowei X. A density-based algorithm for discovering clusters
in large spatial databases with noise, Proceedings of the Second International Conference
on Knowledge Discovery and Data Mining (KDD-96), Evangelos Simoudis, Jiawei Han,
Usama M. Fayyad. AAAI Press, 1996, pp. 226-231.
33. Lapin B.S., Ermolov I.L., Sobolnikov S.A. THE simply integrated approach for surface parameters
detection by UGV, Extreme Robotics, 2019, Vol. 1, No. 1, pp. 137-144.
34. Forrest R.M., Neal S., Alonzo K. Continuous Vehicle Slip Model Identification on Changing
Terrains, Proceedings of RSS 2012 Workshop on Long-term Operation of Autonomous Robotic
Systems in Changing Environments, July 2012.
35. Ojeda L., Cruz D., Reina G., Borenstein J. Current-Based Slippage Detection and Odometry
Correction for Mobile Robots and Planetary Rovers, IEEE Transactions on Robotics, April
2006, Vol. 22, No. 2, pp. 366-378.
36. Andreas G., Philip L., Christoph S., Raquel U. Vision meets Robotics: The KITTI Dataset,
International Journal of Robotics Research (IJRR), 2013.
