ЭМУЛЯЦИЯ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ НА ОСНОВЕ ВИРТУАЛЬНЫХ ИК- И УЛЬТРАЗВУКОВЫХ ДАТЧИКОВ ДЛЯ НАВИГАЦИИ МОБИЛЬНОГО РОБОТА
Аннотация
Актуальность исследования обусловлена растущей потребностью в безопасной валидации навигационных алгоритмов автономных мобильных роботов, функционирующих в загромождённых и динамически изменяющихся средах, где использование физического оборудования сопряжено с риском повреждений и высокими затратами. Цель работы – разработка строгой методологии программной эмуляции системы технического зрения на основе комплементарных виртуальных инфракрасных и ультразвуковых датчиков. Для достижения цели решены следующие задачи: формализация кинематической модели дифференциального привода с вектором состояния [x, y, θ]ᵀ; математическое описание нелинейной триангуляции ИК-датчиков и физики распространения ультразвука методом времени пролёта d=c·t/2; интеграция аддитивных гауссовых шумов с параметрами σus=0,005 м, σir=0,002 м; реализация слияния разнородных данных через UKF. В качестве навигационных контроллеров применены метод искусственных потенциальных полей с притягивающими и отталкивающими компонентами и нечёткие логические контроллеры. Экспериментальная проверка в Python-среде моделирования лабиринта со статическими препятствиями продемонстрировала среднюю ошибку позиционирования 0,2 м в сферических конфигурациях и точность обнаружения препятствий 89,61%. Новизна предложенного подхода заключается в обеспечении детерминированной связи между теоретическим планированием траектории и физической реализацией за счёт синергетического использования оптических и акустических сенсорных модальностей. Практическая значимость работы состоит в существенном сокращении времени разработки и тестирования интеллектуальных робототехнических систем благодаря возможности предварительной отладки алгоритмов восприятия, слияния данных и навигации в контролируемых эмуляционных условиях без привлечения дорогостоящего аппаратного обеспечения
Список литературы
1. Faizah W., Rahiman W., Alhady S. A comprehensive study for robot navigation techniques, Cogent Engineering, 2019, Vol. 6, pp. 1-25.
2. Imrane M.L., Melingui A., et al. Artificial potential field neuro-fuzzy controller for autonomous naviga-tion of mobile robots, Proceedings of the 2025 IEEE International Conference on Robotics and Automa-tion (ICRA), 2025 (in print).
3. Neto W.A., et al. Experimental evaluation of data fusion techniques and adaptive control for mobile robot localization, 2025 26th International Carpathian Control Conference (ICCC): Proceedings, Starý Smo-kovec, High Tatras, Slovakia, 2025, pp. 1-6.
4. Hu L., Wei C., Yin L. Fuzzy A* quantum multi-stage Q-learning artificial potential field for path planning of mobile robots, Engineering Applications of Artificial Intelligence, 2025, Vol. 141, Art. 109866.
5. Gualda D., Ureña J., Garcia Garcia J.C., et al. Simultaneous calibration and navigation (SCAN) of multiple ultrasonic local positioning systems, Information Fusion, 2018, Vol. 45, pp. 58-70.
6. Lee S., Song J. Global map building and navigation of mobile robot based on ultrasonic and IR sensor data fusion, Journal of Institute of Control, Robotics and Systems, 2007, Vol. 13, No. 10, pp. 978-984.
7. Sakai A., Ingram D., Dinius J,. et al. PythonRobotics: a Python code collection of robotics algorithms, arXiv preprint arXiv:1808.10703, 2018.
8. Xie Y., et al. A review of sensing technologies for indoor autonomous mobile robots, Sensors, 2025, Vol. 25, No. 3, Art. 789.
9. Hunter J.D. Matplotlib: a 2D graphics environment, Computing in Science & Engineering, 2007,
Vol. 9, No. 3, pp. 90-95.
10. Zheng X., et al. GRS: generating robotic simulation tasks from real-world images, arXiv preprint arXiv:2410.15536, 2024. Available at:https://arxiv.org/abs/2410.15536 (accessed 17 September 2025).
11. Siegwart R. Nourbakhsh I. Introduction to autonomous mobile robots. Cambridge: MIT Press, 2004, 458 p.
12. Siegwart R., Nourbakhsh I.R., Scaramuzza D. Introduction to autonomous mobile robots. 2nd ed. Cam-bridge: MIT Press, 2011, 472 p.
13. Liu Y., Wang S., Xie Y., Xiang T., Wu M. A review of sensing technologies for indoor autonomous mo-bile robots, Sensors, 2024, Vol. 24, No. 4, Art. 1222.
14. Xiao S. Using unscented Kalman filter to improve accuracy of estimation and comparison with extended Kalman filter, AIP Conference Proceedings, 2024, Vol. 3144, No. 1, Art. 050001.
15. Kuti J., Galambos P. Decreasing the computational demand of unscented Kalman filter based methods, Proceedings of the 2025 IEEE International Conference on Robotics and Automation (ICRA), 2025 (in print).
16. Gueaieb W., Miah M.S. An intelligent mobile robot navigation technique using RFID technology, IEEE Transactions on Instrumentation and Measurement, 2008, Vol. 57, No. 9, pp. 1908-1917.
17. Crnokić B., Grubišić M. Fusion of infrared sensors and camera for mobile robot navigation system: simulation scenario, XIII International Scientific Conference MMA 2018 – Flexible Technologies : Pro-ceedings, Novi Sad, Serbia, September 28–29, 2018. Novi Sad, 2018.
18. Rodríguez-Martínez E., Flores-Fuentes W., Achakir F., Sergiyenko O., Murrieta-Rico F. Vision-based navigation and perception for autonomous robots: sensors, SLAM, control strategies, and cross-domain applications–a review, Eng., 2025, Vol. 6, No. 7, Art. 153.
19. Harris C.R., Millman K.J., van der Walt S.J., et al. Array programming with NumPy, Nature, 2020, Vol. 585, pp. 357-362.
20. Corke P. Robotics, Vision & Control: Fundamental Algorithms in Python. 3rd ed. Cham: Springer, 2023, 558 p.
