Экстремальная навигация по 3D-изображениям в мобильной робототехнике

Исследована форма функционала разности 3D-изображений для различных сред (помещения, индустриально-городская среда, пересеченная и лесистая местности). Сформулированы требования к характеристикам сенсора и геометрии внешней среды, выполнение которых обеспечивает корректную постановку и решение задачи экстремальной навигации. Описаны оптимальные способы сканирования окружающего пространства и обоснованы условия, выполнение которых обеспечивает решение навигационной задачи предложенным алгоритмом в реальном времени (в темпе движения) при обработке 3D-изображений, формируемых современными 3D-лазерными сенсорами. В частности, описана зависимость между частотой формирования 3D-изображений и угловыми и линейными скоростями движения, обеспечивающая попадание в многомерный интервал унимодальности функционала разности 3D-изображений, что гарантирует прямой поиск его глобального минимума в реальном времени. Опробованы различные методы прямого поиска глобального минимума функционала и выбраны наиболее быстродействующие для рассматриваемого случая. Выполнена оценка точности решения задачи навигации и предложен способ снижения накапливаемой ошибки, основанный на использовании для коррекции вычисленного значения текущих координат более "старого" 3D-изображения, имеющего пересечение зоны обзора с зоной обзора текущего изображения. Предложенный способ, являющийся модификацией метода опорных изображений, позволяет снизить суммарную ошибку, растущую пропорционально числу циклов решения задачи экстремальной навигации, до значений, обеспечивающих автономное функционирование транспортных роботов и БПЛА в заранее не подготовленных и неизвестных средах. Эффективность предложенных алгоритмических и разработанных программно-аппаратных средств экстремальной навигации подтверждена натурными экспериментами, проведенными в реальных условиях различных сред.

1. Михайлов Б. Б., Назарова А. В., Ющенко А. С. Автономные мобильные роботы — навигация и управление // Известия ЮФУ. Технические науки, 2016. № 2(175). С. 48—67.

2. Ющенко А. С. Диалоговое управление роботами на основе нечеткой логики // Труды конференции "Экстремальная робототехника". С-Пб.: Политехника-сервис, 2015. С. 143—146.

3. Инь Шуай, Ющенко А. С. Коллаборативный робот — ассистент хирурга. С-Пб.: Политехника-сервис, 2019. C. 568—575.

4. Шуай Инь, Ющенко А. С. Диалоговая система управления роботом на базе теории конечных автоматов // Мехатроника, автоматизация и управление. 2019. Т. 20, № 11. С. 686—695.

5. Ющенко А. С. Интеллектуальное планирование в деятельности роботов // Мехатроника, автоматизация, управление. 2005. № 3. С.5—18.

6. Жонин А. А. Алгоритм обучения менеджера диалога речевой диалоговой системы управления роботом // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сб. научных трудов международной конференции. М.: ФИЗМАТЛИТ, 2011. C.395—406.

7. Nist´er D., Naroditsky O., Bergen J. Visual odometry for ground vehicle applications.// Journal of Field Robotics. Vol. 23(1). 2006. P. 3—20.

8. Девятериков Е. А. Алгоритм описания траектории мобильного робота по данным визуального одометра для автоматического возвращения к оператору // Наука и Образование. 2014. № 12. С.705—715.

9. Wang X., Lian Y., Li L. Localization of Autonomous Cars Using Multi-Sensor Data // Fusion Chinese Automation Congress. 2018. P. 4152—4155.

10. Девятериков Е. А., Михайлов Б. Б. Визуальный одометр // Вестник МГТУ им. Н. Э. Сер Приборостроение, Спецвыпуск "Робототехнические системы". 2012. № 6. C. 68—82.

11. Ющенко А. С., Зенкевич С. Л. Основы теории управления манипуляционными роботами. М.: Изд. МГТУ им. Н. Э. Баумана, 2004. 480 с.

12. Mellinger D., Kumar V. Minimum snap trajectory generation and control for quadrotors // IEEE International Conference on Robotics and Automation. 2011. P. 2520—2525.

13. Carius J., Ranftl R., Koltun V., Hutter M. Trajectory Optimization with Implicit Hard Contacts // IEEE Robotics and Automation Letters. 2018. Vol 3. P. 3326—3323.

14. Zenkevich S. L., Nazarova A. V., Zhu H. Logical Control a Group of Mobile Robots // Smart Electromechanical Systems Studies in Systems. 2019. Vol. 174. P. 32—43.

15. Zhao Z. Q., Zheng P., Xu S., Wu X. Object Detection with Deep Learning: A Review // IEEE Transactions on Neural Networks and Learning Systems 2019. Vol. 30. P. 3212—3232.

16. Yin S., Yuschenko A. Object Recognition of the Robotic System with Using a Parallel Convolutional Neural Network // Industry 40 Issues & New Intelligent Control Paradigms. 2019. Vol 272. P. 3—11.

17. Yin S., Yuschenko A. The application of the convolutional neural network to organize the work of a collaborative robot — surgeon assistant // Interactive Collaborative Robotics. 2019. P. 287—297.

18. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. N. 9 (8). P. 1735—1780.

19. Борисов Е. С. О рекуррентных нейронных сетях. URL: http://mechanoid.kiev.ua/neural-net-rnn.html

20. Ющенко А. С. Эргономические проблемы коллаборативной робототехники // Робототехника и техническая кибернетика. 2019. № 7 (2). C. 85—93.