ОРГАНИЗАЦИЯ НАВИГАЦИИ МОБИЛЬНЫХ РОБОТОВ НА ОСНОВЕ КОГНИТИВНОГО КАРТИРОВАНИЯ
Аннотация
КОГНИТИВНОГО КАРТИРОВАНИЯРассматривается актуальная задача обеспечения автономности мобильных роботов в сложных условиях, когда использование традиционных навигационных методов, основанных на глобальных системах координат и спутниковых данных, невозможно или неэффективно. Для решения данной проблемы предлагается подход, основанный на когнитивной (интерпретирующей) навигации, где основную роль играет семантическое понимание среды. Ключевой особенностью метода является построение когнитивной карты – семантически ориентированного графа, вершины которого соответствуют объектам-ориентирам (либо группам однородных ориентиров), а рёбра – фиксированным наборам информационно-двигательных действий (элементарным обусловленным паттернам поведения). Таким образом маршрут робота при его движении по когнитивной карте сводится к фиксированному набору информационно-двигательных действий. Процесс построения карты осуществляется автоматически на основе предварительно полученного семантически сегментированного изображения местности, что позволяет мобильному роботу априори получить информацию о взаимном расположении и форме ориентиров. Для формализации процесса навигации и управления поведением робота на основе когнитивной карты авторами предложен специально разработанный формальный язык LRNB (Language of Robot Navigation Behavior). Этот язык позволяет декомпозировать сложные миссии на элементарные информационно-двигательные действия, задавать условия их завершения и описывать сценарии взаимодействия с динамическими и статическими объектами. В работе описаны принципы построения когнитивной карты, синтаксис языка LRNB, а также механизм формирования маршрута как последовательности команд. Практическая часть включает результаты верификации подхода в условиях симуляции с использованием специально разработанного эмулятора, а также предварительные натурные испытания на лабораторном гусеничном мобильном роботе, подтвердившие принципиальную работоспособность предложенного подхода. Полученные результаты свидетельствуют о потенциале метода для применения в критически важных сценариях, таких как зоны стихийных бедствий, области радиоэлектронного подавления и другие среды с высокой степенью неопределённости. Предложены дальнейшие планы работ, связанные с приближением условий экспериментов к реальным условиям возможной эксплуатации
Список литературы
1. Spasskiy B.A. K voprosu ob avtonomnoy navigatsii sel'skokhozyaystvennykh robotov [On the issue of agricultural robots autonomous navigation], Robototekhnika i tekhnicheskaya kibernetika [Robotics and Technical Cybernetics], 2025, Vol. 13, No. 2, pp. 85-90.
2. Stankevich L.A. Kognitivnye povedencheskie sistemy [Cognitive behavioral systems], XIX Mezhdu-narodnaya nauchno-tekhnicheskaya konferentsiya «Neyroinformatika-2017»: Lektsii po neyroin-formatike [XIX International Scientific and Technical Conference "Neuroinformatics-2017": Lectures on neuroinformatics], 2017, pp. 31-97.
3. Lopota A.V., Bakhshiev A.V., Goryunov V.V., Plavinskiy M.N., Smirnova E.Yu. Perspektivy primeneniya interpretiruyushchey navigatsii i kompleksirovaniya v sistemakh upravleniya mobil'nymi robotami [Pro-spects for the application of interpretive navigation and integration in mobile robot control systems], Vo-prosy oboronnoy tekhniki. Seriya 16: Tekhnicheskie sredstva protivodeystviya terrorizmu [Issues of De-fense Technology. Series 16: Technical Means of Countering Terrorism], 2014, No. 11-12(77-78), pp. 104-110.
4. Stepanov D.N., Smirnova E.Yu., Goryunov V.V. Kognitivnaya navigatsiya mobil'nykh robotov s ispol'zovaniem estestvennykh vizual'nykh orientirov [Cognitive navigation of mobile robots using natu-ral visual landmarks], Robototekhnika i tekhnicheskaya kibernetika [Robotics and Technical Cybernet-ics], 2016, Vol. 10, No. 1, pp. 62-66.
5. Wang F. et al. Object-based reliable visual navigation for mobile robot, Sensors, 2022, Vol. 22. No. 6, pp. 2387.
6. Savinov N., Dosovitskiy A., Koltun V. Semi-parametric topological memory for navigation, ICLR, 2018. Vancouver, Canada, 2018.
7. Zhang T. et al. A neuromorphic algorithm for mapping, goal-learning, navigation, and patrolling, eLife, 2024, Vol. 12.
8. Villacorta-Atienza J.A., Makarov V.A. Neural Network Architecture for Cognitive Navigation in Dynam-ic Environments, IEEE Transactions on Neural Networks and Learning Systems, 2013, Vol. 24, No. 12, pp. 2075-2087.
9. Babichev A., Cheng S., Dabaghian Y.A. Topological Schemas of Cognitive Maps and Spatial Learning, Frontiers in Computational Neuroscience, 2016, Vol. 10.
10. Chen K., Xiao J., Liu J., Tong Q., Zhang H., Liu R., Zhang J., Ajoudani A., Chen S. Semantic Visual Simultaneous Localization and Mapping, arXiv preprint arXiv: 2209.06428 [cs]. arXiv, 2025.
11. Lee Y.K., Eu K.S., Choy C.W. et al. Simultaneous Localization and Mapping with Basic Cognitive Un-derstanding of Environments, 2020 4th International Symposium on Multidisciplinary Studies and Inno-vative Technologies (ISMSIT). Istanbul, Turkey: IEEE, 2020, pp. 1-6.
12. Liu Y., Petillot Y., Lane D., Wang S. Global Localization with Object-Level Semantics and Topology, 2019 International Conference on Robotics and Automation (ICRA). Canada: IEEE, 2019, pp. 4909-4915.
13. Sharma A., Dong W., Kaess M. Compositional and Scalable Object SLAM, 2021 IEEE International Conference on Robotics and Automation (ICRA). China: IEEE, 2021, pp. 11626-11632.
14. Chen K., Liu J., Chen Q., Wang Z., Zhang J. Accurate Object Association and Pose Updating for Se-mantic SLAM, IEEE Transactions on Intelligent Transportation Systems, 2022, Vol. 23, No. 12,
pp. 25169-25179.
15. Lobov S.A., Zharinov A.I., Makarov V.A., Kazantsev V.B. Spatial Memory in a Spiking Neural Network with Robot Embodiment, Sensors, 2021, Vol. 21, No. 8.
16. Smirnova E.Yu., Spasskiy B.A. Organizatsiya supervizornogo upravleniya v stsenariyakh ekstremal'noy robototekhniki [Organization of supervisory control in extreme robotics scenarios], Robototekhnika i tekhnicheskaya kibernetika [Robotics and Technical Cybernetics], 2020, Vol. 8, No. 4, pp. 245-258.
17. Matveev V.D., Arkhipov A.E., Fomin I.S. Razrabotka modeli semanticheskoy segmentatsii RTC-SAM dlya opredeleniya prepyatstviy na puti mobil'nogo robota [Development of the RTC-SAM semantic segmentation model for identifying obstacles in the path of a mobile robot], Izvestiya YuFU. Tekhniches-kie nauki [Izvestiya SFedU. Engineering Sciences], 2025, No. 2 (244), pp. 212-220.
18. Add support for SAM3. Available at: https://github.com/opengeos/segment-geospatial/pull/430 (ac-cessed 29 December 2025).
19. Hussain M. YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection, Machines, 2023, Vol. 11, No. 7, pp. 677.
20. Du Y. et al. StrongSORT: Make DeepSORT Great Again, IEEE Transactions on Multimedia, 2023, Vol. 25, pp. 8725-8737.
