Метод классификации рабочей зоны мобильного робота на основе анализа трехмерного облака точек

Одной из основных и наиболее сложных задач при разработке систем автодвижения является классификация рабочей зоны мобильного робота. По результатам классификации строится локальная карта местности, с помощью которой затем осуществляется планирование траектории движения робота. В статье предложен метод классификации рабочей зоны автономного мобильного робота, перемещающегося в условиях пересеченной местности. Разработанный метод классификации основан на анализе трехмерного облака точек, полученного лазерным сканирующим 3D-дальномером. Использование сканирующего лазерного дальномера позволяет выполнять классификацию зоны движения робота в любое время суток и года. Предложен набор классификационных признаков, вычисление которых осуществляется с использованием метода наименьших квадратов и элементов теории вероятностей и математической статистики. Классификация рабочей зоны робота проводится по четырем классам: "Ровная поверхность", "Малая неровность", "Большая неровность" и "Препятствие". Каждый класс характеризует степень проходимости поверхности, по которой происходит движение робота. Результаты классификации сохраняются в виде локальной карты проходимости. В каждую ячейку такой карты записывается число, которое характеризует проходимость участка рабочей зоны, ограниченного данной ячейкой. Разработанный классификатор интегрирован в состав бортовой системы управления колесным мобильным роботом. Приведены результаты экспериментальных исследований, проведенных в условиях пересеченной местности в различное время года и суток и подтверждающие работоспособность и эффективность предложенного метода классификации. Определена точность распознавания классов рабочей зоны мобильного робота. Разработанный классификатор успешно работает в различных условиях, в том числе зимой и в сумерках, но при этом имеет ограничения при работе в условиях естественных шумов, таких как дождь, снег. Средняя точность классификации при минимальном влиянии шумов естественного происхождения составляет 92,3 %, а время выполнения каждой итерации не превышает 0,085 с, что позволяет использовать разработанный классификатор в составе бортовых систем управления автономными мобильными роботами.

1. Беспилотные автомобили: прошлое, настоящее и будущее // hub.forklog.com. URL: https://hub.forklog.com/bespilotnye-avtomobili-proshloe-nastoyashhee-i-budushhee/ (дата обращения 09.06.2021).

2. Софрыгин А. Беспилотный автомобиль Яндекс // bеспилот: беспилотные авто и технологии, новости и каталог компаний. URL: https://bespilot.com/news/366-yandexbespilot (дата обращения 09.06.2021).

3. "КАМАЗ" начал тестирование беспилотника // kamaz.ru: Официальный сайт ПАО "КАМАЗ". URL: https://kamaz.ru/press/news/kamaz_nachal_testirovanie_bespilotnika/ (дата обращения 09.06.2021).

4. Беспилотный автомобиль StarLine. URL: https://smartcar.starline.ru (дата обращения 09.06.2021).

5. Haselich M., Arends M., Lang D., Paulus D. Terrain Classification with Markov Random Fields on fused Camera and 3D Laser Range Data. URL: http://aass.oru.se/Agora/ECMR2011/proceedings/papers/ECMR2011_0025.pdf (дата обращения 27.05.2021).

6. Iagnemma K., Dubowsky S. Terrain estimation for high-speed rough-terrain autonomous vehicle navigation. URL: http://robots. mit.edu/people/Karl/SPIE_02.pdf (дата обращения 27.05.2021).

7. Lee S. Y., Kwak D. M. A Terrain Classification Method for UGV Autonomous Navigation Based on SURF. URL: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6145981 (дата обращения 27.05.2021).

8. Nguyen D. V., Kuhnert L., Jiang T., Kuhnert K. D. A Novel Approach of Terrain Classification for Outdoor Automobile Navigation. URL: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5952752 (дата обращения 29.05.2021).

9. Laible S., Khan Y. N., Bohlmann K., Zell A. 3D LIDARand Camera-Based Terrain Classification Under Different Lighting Conditions // Proceedings of Conference: Autonomous Mobile Systems. 2012. URL: https://www.researchgate.net/publication/231681273_3D_LIDAR-_and_Camera-Based_Terrain_Classification_Under_Different_Lighting_Conditions (дата обращения 29.05.2021).

10. Himmelsbach M., Muller A., Luttel T., Wunsche H. J. LIDAR-based 3D Object Perception // Proceedings of 1 st International Workshop on Cognition for Technical Systems. Munich (Germany), 2008. URL: https://www.researchgate.net/publication/229018428_LIDAR-based_3D_object_perception (дата обращения 29.05.2021).

11. Woods M., Guivant J., Katupitiya J. Terrain Classification using Depth Texture Features // Proceedings of Australasian Conference on Robotics and Automation (ACRA). 2013. URL: https://www.researchgate.net/publication/273093294_Terrain_Classification_using_Depth_Texture_Features (дата обращения 31.05.2021).

12. Kragh M., Jorgensen R. N., Pedersen H. Object Detection and Terrain Classification in Agricultural Fields Using 3D Lidar Data // Springer International Publishing Switzerland. 2015. P. 188—197.

13. Reymann C., Lacroix S. Improving LiDAR Point Cloud Classification using Intensities and Multiple Echoes // Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2015). Hamburg (Germany), 2015. URL: https://www.researchgate.net/publication/308845174_Improving_LiDAR_point_cloud_classification_using_intensities_and_multiple_echoes (дата обращения 31.05.2021).

14. Suger B., Steder B., Burgard W. Terrain-Adaptive Obstacle Detection // Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2016). Daejeon (Korea), 2016. URL: https://www.researchgate.net/publication/312241137_Terrain-adaptive_obstacle_detection (дата обращения 31.05.2021).

15. Аппроксимация эмпирически полученной поверхности методом наименьших квадратов // Королевство Delphi. Виртуальный клуб программистов. URL: http://www.delphikingdom.com/asp/viewitem.asp?catalogid = 1368 (дата обращения 09.06.2021).

16. Лаптев Г. Ф. Элементы векторного исчисления. М.: Наука, 1975. 336 с.