В. П. Носков , Ю. С. Баричев , О.П. Гойдин , А. Н. Курьянов
2025-04-27
Аннотация ▼
Работа посвящена решению актуальных задач совместной автономной видеонавигации ро- ботов воздушного и наземного применения в наиболее востребованных для проведения специаль- ных операций урбанизированных средах, включающих плотную городскую застройку и здания, где применение традиционных средств дистанционного управления ограничено наличием экраниро- ванных зон. Задачи групповой навигации предлагается решать на основе данных бортовых сис- тем технического зрения в процессе оперативной разведки рабочей зоны беспилотным летатель- ным аппаратом, результаты которой обеспечивают автономные движение и полет, как отдель- ных гетерогенных робототехнических средств, так и в группе. В основу алгоритмов навигации положены методы выделения из объемного облака точек, формируемого бортовым лидаром, опорной горизонтальной поверхности и горизонтальных сечений внешней среды, позволяющих с высокой точностью и быстродействием определять все шесть координат объекта управления. Рассмотрены случаи, обусловленные возможными характеристиками внешней среды, когда нави- гационная задача решается не полностью, и предложены методы их исключения путем дополне- ния дальнометрических данных лидара видеоданными телекамеры. Приведена оценка точности решения задач видеонавигации, полученная путем математического моделирования внешней сре- ды и формирования видеоданных. Предложены методы снижения ошибки видеонавигации, осно- ванные на использовании специально банка опорных изображений с известными координатами их формирования, позволяющие обеспечить безопасные автономные полет и движение робототех- нических средств в урбанизированной среде. Эффективность используемых методов и предлагае- мых алгоритмов видеонавигации подтверждается результатами экспериментальных исследова- ний соответствующих программно-аппаратных средств в реальных урбанизированных средах
Рассматривается классификатор радиолокационных изображений беспилотных летательных аппаратов, основанный на нейронной сети, построенной на алгоритме YOLO 11 версии. Решение задачи обнаружения и классификации беспилотных летательных аппаратов стало одной из приоритетных задач в настоящее время. Увеличение числа модификаций беспилотных летательных аппаратов сильно усложняет применение статистических методов классификации, что требует применения новых подходов в решении задачи классификации. Развитие нейросетевых методов, одновременно с увеличением производительности вычислителей для обучения, с одной стороны, и встраиваемых решений, с другой, позволяет осуществлять классификацию летательных аппаратов с применением радиолокационных изображений в реальном масштабе времени. Применение алгоритма YOLO11 позволяет, помимо определения класса цели, осуществить оценку дальности до наблюдаемого объекта. Использование радиолокационных изображений оправданно в связи с тем, что визуальное наблюдение не всегда является возможным, из-за сложных погодных условий и темного времени суток. Для обучения нейронной сети предполагается использовать набор радиолокационных изображений, полученный с применением авторской модели генерации данных с произвольной конфигурацией беспилотных летательных аппаратов. Проведено обучение нейронной сети класса Detection YOLO11s (9,4 млн. параметров) на выборке радиолокационных изображений двух классов общим числом 8192. В результате обучения получена точность 0,99 для классификации на 2 классах объектов (на тестовых модельных данных). Были проведены тесты с применением натурных данных, снятых с применением радиолокационной системы миллиметрового диапазона TI IWR1642, в результате которых достигнута безошибочная классификация объектов на малой выборке.
