Алгоритмы обработки информации для автономной навигации и планирования маршрута движения планетохода тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Ван Гуоянь

• Ван Гуоянь
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Ван Гуоянь

Перечень использованных сокращений

Введение

Глава 1. Обор современного состояния решения задач навигации и

планирования маршрута планетоходов

1.1. Современные планетоходы, как объекты управления

1.1.1. Обзор развития позиционирования и навигации планетоходов

1.1.2. Методы навигации планетоходов

1.2. Особенности решения задач позиционирования и навигации на основе метода SLAM

1.2.1. Лазерный SLAM

1.2.2. Визуальный SLAM

1.3. Задача планирования маршрута планетохода

Выводы по первой главе

Глава 2. Исследование модификаций сглаживающего фильтра Гаусса для

применения в лазерном методе SLAM

2.1. Алгоритм сглаживающего фильтра Гаусса

2.2. Модификация алгоритма GP-RTSS на основе системы распределенных вычислений

2.2.1. Схема распределенных вычислений

2.2.2. Структура и сложность модификации алгоритма

2.2.3. Модификация алгоритма DIS-RTSS

2.3. Результаты моделирования

Выводы по второй главе

Глава 3. Визуально-инерциальный алгоритм для визуального SLAM

3.1. Группа Ли и алгебра Ли

Стр.

3.1.1. Специальная ортогональная группа

3.1.2. Специальная евклидова группа

3.2. Модели инерциальной и визуальной систем

3.2.1. Инерциальная навигационная система и ее предварительная интеграция

3.2.2. Визуальная навигационная система

3.3. Алгоритм VI-UKF визуально-инерциальной системы

3.3.1. Прогнозирование

3.3.2. Обновление

3.3.3. Результаты сравнительного анализа разработанного алгоритма VI-UKF с известными алгоритмами

Выводы по третей главе

Глава 4. Алгоритм планирования безопасного маршрута движения

планетохода с учётом рельефа местности

4.1. Описание эвристических алгоритмов поиска маршрута

4.1.1. Алгоритм А*

4.1.2. Алгоритм планирования движения в любом направлении

4.1.3. Алгоритм Lazy Theta^ его модификация Lazy AT

4.2. Показатели опасности местности, по которой движется планетоходов

4.2.1. Топографические особенности

4.2.2. Алгоритм Risk Lazy AT

4.3. Результаты моделирования

Выводы по четвертой главе

Глава 5. Математическое и экспериментальное моделирование метода

SLAM

5.1. Метод DIS RTGP-Gmapping SLAM для планетохода

Стр.

5.1.1. Математическая модель метода SLAM

5.1.2. Метод DIS RTGP-Gmapping SLAM

5.2. Исследование применения метода DIS RTGP-Gmapping SLAM в лазерном SLAM

5.2.1. Среда ROS и Gazebo моделирования и модель планетохода

5.2.2. Моделирование лазерного SLAM

5.3. Экспериментальное исследование визуального SLAM

5.3.1.Метод ORB-SLAM

5.3.2. Результаты экспериментального исследования метода ORB-SLAM совместно с разработанным алгоритмом VI-UKF

Выводы по пятой главе

Общие выводы и заключение

Список использованных источников

ПЕРЕЧЕНЬ ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

Алгоритм D* БИНС

ВИС ВНС ЕКА ИНС НАСА

ОС ПТЛН

ПГ ПО СНС BA

CKF DIS RTB

DIS RTGP

DIS RTP

- Динамический алгоритм A*(Dynamic A* algorithm)

- Бесплатформенная инерциальная навигационная система

- Визуально-инерциальная система

- Визуальная навигационная система

- Европейское космическое агентство

- Инерциальная навигационная система

- Национальное управление по аэронавтике и исследованию комического пространства

- Операционная система

- Планирование траектория движения в любом направлении

- Процесс Гаусса

- Подвижный объект

- Сигнал спутниковых навигационных систем

- Bundle Adjustment (Метод автокалибровки камеры с алгоритмом настройки)

- Кубический фильтр Калмана

- Distributed method based on model of Bayesian Committee Machine of GP-RTSS Experts (Распределенный метод на основе модели Байесовой ассоциативной машины)

- Distributed method based on model of Generalized Product of GP-RTSS Experts (Распределенный метод на основе модели обобщенного произведения результатов локальных экспертов гауссового процесса )

- Distributed method based on model of Product of GP-RTSS Experts (Распределенный метод на основе модели

DIS RTrB

DIS RTSS

EKF Field D*

GP-RTSS

IDA*

Lazy AT MER

MSL

ORB PF

RBPF ROS SLAM UKF

произведения результатов локальных экспертов гауссового процесса)

- Distributed method based on model of robust Bayesian Committee Machine of P-RTSS Experts (Распределенный метод на основе модели робастной Байесовой ассоциативной машины)

- Distributed robust filtering and smoothing with Gaussian Processes (Распределенная робастная фильтрация и сглаживание с помощью гауссовских процессов)

- Extended Kalman filter (Расширенный фильтр Калмана)

- An Interpolation-Based Path Planner and Replanner (Планировщик пути на основе интерполяции)

- Robust filtering and smoothing with Gaussian Processes (Робастный сглаживающий фильтр Гаусса)

- Iterative deepening A* algorithm (Алгоритм итеративного углубления A*)

- Lazy Accelerative Theta* (Ленивая ускоренная ^ета*)

- Mars Exploration Rover (Программа НАСА по исследованию планеты Марс с помощью марсоходов)

- Mars Science Laboratory (Марсианская научная лаборатория)

- Oriented FAST and Rotated BRIEF

- Particle Filter (Фильтр частиц)

- Rao-Blackwellized Particle Filtering (Фильтр частиц Рао-Блэквеллайзеда)

- Robot Operating System (Операционная система для роботов)

- Simultaneous localization and mapping (Метод одновременной локализации и построения карты)

- Unscented Kalman filter (Сигма-точечный фильтр

USGS

VI-UKF

VSLAM

Калмана)

- United States Geological Survey (Геологическая служба США)

- Visual inertial Unscend Kalman Filter (Алгоритм визуально-инерциального сигма-точечного фильтра Калмана)

- Визуальный SLAM

Введение

Введение диссертации (часть автореферата) на тему «Алгоритмы обработки информации для автономной навигации и планирования маршрута движения планетохода»

Актуальность работы

В настоящее время проблема исследования планет (планетарная разведка) с помощью автоматических космических аппаратов и планетоходов становится одним из приоритетных направлений развития научных программ мировых космических держав - России, США, КНР, Евросоюза и др. Реализация программ по изучению Солнечной системы не только углубляет научное понимание происхождения и эволюции планет, но и стимулирует применение и развитие соответствующих новых технологий.

При реализации перспективных миссий планетоходов возникает ряд существенных проблем: сложный рельеф неизвестной или малоизученной местности, ограничения на имеющиеся запасы бортовых источников энергии, задержки или отсутствие связи с оператором наземного пункта управления, а также возможность изменения основных объектов научных исследований в ходе миссии. При использовании только дистанционного управления планетоходом невозможно добиться эффективной навигации, поэтому не все вышеуказанные ограничения можно преодолеть. Кроме того, дистанционное управление при исследовании удаленных объектов Солнечный системы становится непрактичным из-за длительного периода времени передачи информации и принятия решений. Поэтому разработка автономной навигационной системы для планетохода является весьма актуальной задачей. Чтобы обеспечить безопасные условия передвижения аппарата по поверхности планеты и эффективность действий для достижения научной цели миссии, необходимо определять относительное положение между планетоходом, препятствием и целевыми точками на поверхности, а также быстро получать характеристики местности и решать задачу позиционирования. Сочетание задач позиционирования и навигации планетохода с задачей построения карты местности используется для приближения к цели, избегания препятствий,

многократного изучения, координации работ, научного применения и т.д. Поэтому к системам навигации и управления движением перспективных планетоходов выдвигаются все более высокие требования по точности автономной навигации и позиционирования планетохода в реальном режиме времени, решению задач оптимального планирования его маршрута с учетом сложного рельефа местности и обхода препятствий.

В настоящее время, метод одновременной локализации и построения карты (SLAM) широко используется для решения задач навигации в подвижных роботах различного вида, в том числе и планетоходах. Метод SLAM постоянно развивается, поэтому появляются его новые модификации: лазерный SLAM, визуальный SLAM и комплексный SLAM. Одной из главных задач при реализации метода SLAM является обработка больших объемов информационных данных, получаемых от измерительных датчиков системы управления подвижного объекта разного типа (инерциальных измерителей, лазерных дальномеров, телевизионных камер и т.д.).

Поэтому диссертационная работа посвящена решению актуальной задачи обеспечения автономной навигации для планетоходов, а в качестве основных направлений исследований выбраны следующие:

1) Разработка и исследование модификаций метода SLAM с использованием различных измерительных данных для решения задачи автономной навигации в реальном режиме времени.

2) Разработка алгоритмов планирования оптимальных и безопасных маршрутов движения планетохода.

Решению задачи навигации для наземных подвижных объектов с помощью метода SLAM посвящено значительное количество статей. Работы A.B. Rad, C. Stachniss, G.D. Tipaldi, G. Grisetti, M.S. Bahraini, M. Bozorg, T.D. Barfoot, W. Burgard, В.И. Ухандеева, Д.А. Барамия, М.С. Дьякова, М.М. Лаврентьева, М.И. Собченко, С.А. Кузиковский и др. [1], [2], [7], [15], [36], [58], [70], [137] посвящены разработке алгоритмов фильтрации на основе лазерного метода SLAM.

В работах A. Hardt-Stremayr, B.A. Erol, C. Forster, C. Lang, C. Pereira, E Eade, F. Zha, G. Falcao, J.D. Tardos, M. Bajracharya, M. Schworer, P. Backes, P. Li, R. Mur-Artal, R. Wang, S. Shen, S. Feng, S. Vaishnav, S. Xu, T. Wang, T. Qin, X. Leng, Z. He, А.В. Вохминцева, В.Н. Казьмина, Д.А. Барамия, М.С. Дьякова, М.М. Лаврентьева, М.И. Собченко, С.А. Пачганова и др [1], [2], [6], [10], [15], [33], [41], [53], [62], [62], [72], [96], [98], [99], [100], [110], [116], [143] рассматривалась визуальная навигационная система на основе алгоритма SLAM.

Появление всё новых модификаций метода SLAM ещё раз доказывает его использование для решения задач навигации подвижных объектов. Применение данного метода для решения задач автономной навигации планетоходов пока не достаточно хорошо изучено. Данной проблематике посвящены работы следующих авторов: A. Ellery, A. Rajendraprakash, C.H. Tong, E. Dupuis, H. Ju, M. Pertile,. P. Cui, R. Giubilato, S. Chiodini, T.D. Barfoot, X. Li, Y. Ma [26], [54], [86], [88], [118], [137]. Подобные разработки ведутся в различных научных организациях как в России, так и за рубежом. Ключевыми в данном вопросе являются: университет Карнеги-Меллон (США), Стэндфордский университет (США), Боннский университет (Германия), Харбинский политехнический университет (КНР) и т.д. Поэтому разработка и исследование метода SLAM для его применения в системах навигации и управления планетоходов является актуальной задачей.

Одна из наиболее важных проблем метода SLAM связана с решением задачи фильтрации. При решении задачи SLAM с помощью традиционных алгоритмов фильтрации существуют две проблемы: проблема линеаризации (например, алгоритм расширенного фильтра Калмана (EKF - Extended Kalman filter)); проблема вычислительной сложности (например, алгоритмы сигма-точечного фильтр Калмана (UKF - Unscented Kalman filter) и фильтра частиц (PF - Particle Filter)). Анализ литературы показал, что решить указанные выше проблемы и реализовывать навигацию в режиме реального времени возможно с помощью алгоритмов, построенных на основе фильтра Гаусса.

При решении задачи позиционирования только по данным TV-камеры для

визуального SLAM возникают сложности, связанные с вращательным движением подвижного объекта, его повышенной линейной скоростью движения, возможным отсутствием характерных точек сцен и т.д. Анализ литературы показал, что решить указанные выше проблемы, повысить точность и уменьшить объём вычислений возможно с помощью метода комплексной обработки информации визуальной и инерциальной систем, входящих в состав системы управления планетохода.

Одна из важнейших проблем, требующих решения при планировании маршрута движения планетохода, заключается в том, что его траектория движения от начальной до конечной (целевой) точки маршрута в общем случае проходящая в малоизученной обстановке на поверхности планеты обеспечивала его гарантированную безопасность. Поэтому разработка алгоритма планирования маршрута планетохода, который в режиме реального времени обеспечивал бы поиск короткой и безопасной траектории, является в настоящее время весьма актуальной задачей. На практике, при решении задач навигации планетоходов, нашел применение улучшенный алгоритм алгоритма A*. Например, в настоящее время китайский луноход Юйту использует улучшенную модификацию алгоритма A*. Другим примером является американские планетоход MER (Mars Exploration Rover), который для поиска маршрута использует улучшенный алгоритм A* - Field D* (Планировщик пути на основе интерполяции) для поиска пути.

Результаты исследований, посвященных способам планирования маршрута на основе улучшенных алгоритмов-модификаций алгоритма A*, опубликованы в статьях следующих ученых: A.A. Faulkner, A. Goktogan, A. Lavin, A. Nash, A. Stentz, A. Tompkins, C. Tovey, D. Ferguson, J.J. Biesiadecki, M. Likhachev, M.W. Maimone, M. Sakuta, P.C. Leger, P. Tompkins, S. Koenig, S. Peng, S. Potiris, S. Takanashi, T. Kubota, Y. Jia [59], [80], [81], [89], [101], [102], [109], [114], [123]. Анализ литературы показал, что используя алгоритм планирования траектории движения в любом направлении, построенный на основе алгоритма A*, возможно найти более короткие маршруты движения. Причем, для

успешного осуществления запланированной миссии планетохода необходимо решение проблемы планирования траектории его движения с учётом особенностей рельефа местности. Поэтому для уменьшения протяженности маршрута, учета реального рельефа местности и повышения скорости вычислений, необходимо разработать и исследовать соответствующие модификации алгоритмов планирования траектории движения планетохода в любом направлении.

Цель работы и задачи исследования

Цели диссертационной работы заключается в разработке и исследовании:

- способов решения задачи навигации в методе SLAM, которые позволят обеспечить высокую точность автономной навигации планетохода в режиме реального времени;

- алгоритма планирования траектории планетохода, который позволяет определить короткий и безопасный маршрут его движения.

Для достижения поставленной цели требуется решить следующие основные задачи:

- провести сравнительный анализ известных методов и алгоритмов SLAM, и на его основе разработать процедуру решения задачи фильтрации в методе SLAM, для повышения его точности и сокращения времени вычислений, при решении задачи навигации планетохода;

- разработать для метода SLAM, использующего измерительную информацию от лазерного дальномера - лазерный SLAM, алгоритм обработки информации, основанный на фильтре Гаусса, обеспечивающий высокую точность и сокращение времени вычислений при решении задачи навигации в режиме реального времени;

- разработать для метода SLAM, использующего измерительную информацию, получаемую от инерциальной навигационной системы и видео навигационной системы визуальный SLAM - алгоритм комплексной обработки информации, обеспечивающий высокую точность решении задачи навигации в режиме реального времени;

- разработать алгоритм планирования безопасного маршрута движения планетохода в любом направлении с учетом рельефа поверхности планеты;

- провести исследование разработанных моделей и алгоритмов средствами математического моделирования и экспериментально.

Методы исследований

При решении задач, рассматриваемых в диссертации, были использованы следующие методы исследований: методы математического анализа, математический аппарат дифференциальных и интегральных исчислений, математический аппарат групп Ли, теория оптимальной фильтрации, теория Байесовских оценок, теория распределенных вычислений, теории инерциальной и визуальной навигации. В процессе математического моделирования были использованы следующие программные системы: программная среда моделирования Matlab, операционная система для роботов ROS (Robot Operating System), симулятор для моделирования физического облика роботов Gazebo, язык программирования C++.

Научная новизна

К числу новых научных результатов, полученных в диссертации, относятся:

1. Разработанный на основе системы распределенных вычислений новый алгоритм сглаживающего фильтра Гаусса DIS RTSS (Распределенная робастная фильтрация и сглаживание с помощью гауссовских процессов) и его четыре модификации:

- DIS RTP (Распределенный метод на основе модели произведения результатов локальных экспертов гауссового процесса),

- DIS RTGP (Распределенный метод на основе модели обобщенного произведения результатов локальных экспертов гауссового процесс),

- DIS RTB (Распределенный метод на основе модели Байесовой ассоциативной машины),

- DIS RTrB (Распределенный метод на основе модели робастной Байесовой ассоциативной машины).

Алгоритм DIS RTSS и его модификации повышают точность обработки информации, позволяют значительно сокращает количество вычислений, а также обрабатывать крупномасштабные массивы данных. По сравнению с известными алгоритмами фильтрации EKF, UKF и PF, в предложенном алгоритме отсутствуют процедуры линеаризации и аппроксимации плотности вероятности Гаусса с помощью метода выборки.

2. Разработанный новый алгоритм DIS RTGP-Gmapping SLAM, который является модификацией алгоритма DIS RTSS и метода лазерного SLAM -Gmapping SLAM, позволяющий повысить точность метода лазерного SLAM.

3. Разработанный новый визуально-инерциальный алгоритм VI-UKF (Visual Inertial Unscend Kalman Filter) для метода визуального SLAM, основанный на комплексной обработке информации, получаемой из инерциальной навигационной системы (ИНС) и визуальной навигационной системы (ВНС). При комплексировании двух систем их технические средства дополняют друг друга, а визуально-инерциальный алгоритм позволяет повысить точность определения местоположения планетохода с использованием визуального SLAM.

4. Разработанный новый алгоритм планирования траектории движения планетохода Lazy AT (Lazy Accelerative Theta*) который обеспечивает расчет кратчайшего маршрута движения и меньшее время вычислений по сравнению с известными алгоритмами.

5. Разработанная новая модификация алгоритма планирования траектории движения планетохода Lazy AT - Risk Lazy AT, в которой для учета особенностей рельефа поверхности планеты и повышения безопасности движения планетохода введён эвристический показатель опасности.

Практическая ценность

Практическая значимость результатов диссертации заключается в следующем:

- разработанные математические модели и алгоритмы позволяют увеличить скорость вычислений и повысить точность метода SLAM, что чрезвычайно важно при решении задач автономной навигации и выбора

маршрута движения планетохода, обладающего ограниченными энергетическими и вычислительными мощностями, в режиме реального времени;

- разработанные математические модели и алгоритмы, учитывающие особенности рельефа планеты через показатель опасности, носят универсальный характер и могут применяться совместно с методом SLAM в задачах навигации и планирования маршрута движения не только для планетохода, но и для различных наземных подвижных объектов;

- разработанная методика математического моделирования в среде Matab и ROS алгоритма DIS RTGP-Gmapping SLAM может быть использована при отработке различных вариантов алгоритмической реализации метода SLAM;

- результаты экспериментальных исследований метода визуального SLAM, на основе разработанного алгоритма визуально-инерциального сигма-точечного фильтра Калмана VI-UKF, доказывают применимость предложенных математических моделей и алгоритмических решений.

Внедрение результатов работы

Результаты диссертационных исследований и разработанное программно-алгоритмическое обеспечение были использованы в конкретном техническом проекте компании «Beijing Zhonghangzhi Technology» (КНР) по системам навигации беспилотных наземных объектов, а также в учебном процессе на кафедре «Системы автоматического управления» МГТУ им. Н.Э. Баумана.

Достоверность и обоснованность

Достоверность и обоснованность полученных теоретических и практических результатов подтверждаются четкими математическими выводами при построении алгоритмов, результатами математического моделирования и результатами реальных экспериментов, а также сравнением полученных результатов с другими данными в этой области, опубликованными в открытой печати.

Апробация работы

Основные результаты диссертационной работы докладывались и

обсуждались на ряде международных и российских конференций:

- XXII Международная конференция «Информационные системы и технологии» (Нижний Новгород, 2017г.);

- XLII Академические чтения по космонавтике» (Москва, 2018г.);

- XI Российская мультиконференция по проблемам управления: Конференция «Управление в аэрокосмических системах» (УАС -2018) (Санкт-Петербург, 2018г.);

- XLIII Академические чтения по космонавтике» (Москва, 2019г.)

- AIP Conference Proceedings (США, 2019г.);

- Huawei Augment Reality, SLAM, 3D sensing Workshop (Калининград, 2019г.);

- XLIV Академические чтения по космонавтике» (Москва, 2020г.). Публикации

По материалам научно-квалификационного исследования опубликовано 8 научных работ, из них 2 работы в изданиях, рекомендованных ВАК РФ и 1 работа в изданиях, индексируемых в Scopus.

1. Ван Гуоянь, Фомичев А.В. Алгоритм планирования безопасного маршрута движения марсохода с учётом рельефа местности // Мехатроника, автоматизация, управление. М.: Изд-во «Новые технологии». 2018. Т. 19, № 11. С.734 - 743.

2. Ван Гуоянь, Фомичев А.В., Ду Ижань. Исследование модификаций сглаживающего фильтра Гаусса для их применения совместно с методом SLAM // Мехатроника, автоматизация, управление. М.: Изд-во «Новые технологии». 2019. Т. 20, № 12. С. 756 - 764.

3. Wang G., Fomichev A.V. Simultaneous localization and mapping method for a planet rover based on a Gaussian filter / AIP Conference Proceedings 2171, 160003 (2019); https://doi.org/10.1063/1.5133307.

Структура и объем диссертационной работы

Диссертационная работа состоит из введения, пятых глав, заключения. Общий объем 135 страниц, в том числе 44 рисунка и 9 таблиц.

Основные положения, выносимые на защиту

1. Алгоритм сглаживающего фильтра Гаусса DIS RTSS, построенный на основе системы распределенных вычислений, и его четыре модификации (DIS RTP, DIS RTGP, DIS RTB, DIS RTrB), повышающие точность обработки информации, также позволяют решить проблему большого объёма вычислений ядра Гаусса, что значительно уменьшает объем вычислений и обеспечивает возможность обработки крупномасштабных массивов данных.

2. Алгоритм комплексной обработки информации VI-UKF, получаемой от инерциальной и визуальной навигационных систем, использующий процедуру предварительной интеграции ИНС, а также алгоритмы сигма-точечного фильтра Калмана и фильтра Калмана с несколькими состояниями (MSCKF-2.0 -Multi-State Constraint Kalman Filter-2.0), который повышает точность метода визуального SLAM.

3. Алгоритм планирования траектории движения подвижного объекта Lazy AT, который обеспечивает поиск кратчайшего маршрута движения подвижного объекта и уменьшает время вычислений по сравнению с известными аналогичными алгоритмами Basic Theta* и Lazy Theta*.

4. Алгоритм планирования траектории движения подвижного объекта Risk Lazy AT, построенный на основе метода Lazy AT и учитывающий особенности рельефа местности поверхности планеты с помощью специального эвристического показателя опасности.

5. Результаты и методика математического моделирования в среде Matlab и ROS разработанного алгоритма DIS RTGP-Gmapping SLAM, который повышает точность метода лазерного SLAM.

6. Результаты экспериментальных исследований метода визуального SLAM, на основе разработанного алгоритма визуально-инерциального сигма-точечного фильтра Калмана VI-UKF, доказывающие применимость предложенных математических моделей и алгоритмических решений.

Глава 1. Обзор современного состояния решения задач навигации и планирования маршрута планетоходов

В общем виде задачи управления планетоходом можно поставить следующим образом:

- определение своего положения в пространстве в режиме реального времени при отсутствии сигналов спутниковых навигационных систем (СНС), чтобы реализовать алгоритмы, позволяющие управлять автономными планетоходами.

- построение или обновление карты среды в режиме реального времени;

- планирование маршрута движения планетоходов;

- необходимость обхода препятствий и избежание столкновения с ними.

На первый взгляд, задачи кажутся простыми, однако существует целый

ряд проблем, условий и ограничений, среди которых основные: отсутствие или недостача СНС, неизвестная среда, ограниченные вычислительные и энергетические ресурсы, ограниченная связь с операторами на Земле.

Таким образом, основная проблема автономных планетоходов заключается в сложности автоматического обхода различных препятствий и автономной навигации в неизвестной среде и при отсутствии или недостаче сигнала СНС.

1.1. Современные планетоходы, как объекты управления

В последние годы отечественные и зарубежные ученые провели множество исследований по ключевым технологиям для автономных локализации, навигации и планирования маршрута планетоходов [24], [30], [61], [65], [111], [113], [127], [133]. В связи с этим в данной главе приведен обзор существующих планетоходов, методов решения поставленных задач и анализ возможностей, достоинств и недостатков этих методов для решения задачи управления автономным планетоходом.

1.1.1. Обзор развития планетоходов

Первый в мире беспилотный планетоход Луноход-1 [12], запущенный в Советском Союзе в 1970 году, проехал 10.5 км по Луне. Луноход-2, запущенный в 1973 году, проехал 37 км. На Рис. 1.1 показаны Луноход - 1 и Луноход-2.

а) б)

Рис. 1.1. Общий вид Луноходов а) Луноход - 1; б) Луноход - 2

Оба лунохода были дистанционно-управляемыми, управление проходило в режиме наземной телеоперации. В этом режиме позиционирование и навигация Лунохода полностью зависели от восприятия наземного оператора, что повышало риск возникновения внештатной ситуации из-за человеческого фактора.

Из-за короткой временной задержки связи Земля-Луна (около 2,5 секунды), дистанционно-управляемый режим может использоваться для управления Луноходами, но он не применим между Марсом и Землей.

Первый китайский луноход Юйту (Рис. 1.2) [40], [75] успешно совершил посадку на поверхность Луны в 2013 году. Юйту успешно завершил построение навигационной карты и совершил планирование маршрута с помощью инерциальной и лазерной системы и панорамной камеры (или камер).

В настоящее время проведено 39 миссий по исследованию Марса, и 1/3 из них достигли успеха. В частности, успех миссии посадки, принадлежавшей

«Соджорнер» (Sojorner), «Спирит» (Spirit), «Оппортьюнити» (Opportunity), и «Кьюриосити» (Curiosity) [27], накопил ценный инженерный опыт для последующей разведки Марса.

Рис. 1.2. Луноход Юйту

В миссии Национального управления по аэронавтике и исследованию комического пространства (НАСА) «Марс Патфайндер» [34], [57] управление марсоходом «Соджорнер» (Рис. 1.3) проходило в режиме телеоперации и полуавтономном режиме. Позиционирование марсохода осуществлялось в процессе его работы на поверхности планеты и результаты обновлялись один раз в день. Кроме того, позиционирование достигалось путем использования метод радиотехнических измерений, счисления координат, визуальной одометрии и т.д..

Рис. 1.3. Марсоход Соджорнер

В миссиях марсоходов «Спирит» (Рис. 1.4 а) и «Оппортьюнити» (Рис. 1.4

б), ученые и инженеры центра наземного контроля ежедневно проводили планирование маршрутов на основе изображений, данных телеметрии и результатов обработки, возвращаемых марсоходами. После анализа полученной информации с Земли на борт аппаратов дистанционно загружались последовательности команд, после чего марсоходы автономно завершали навигацию.

а) б)

Рис. 1.4. Общий вид марсоходов (США)

а) Спирт; б) Оппортьюнити

Для разведки Марса в миссии MSL (Mars Science Laboratory) марсоход «Кьюриосити» (Рис. 1.5) [133], который произвел мягкую посадку на поверхность Марса 6 августа 2012 году, был оснащен более полезным научным оборудованием, чем марсоходы «Спирит» и «Оппортьюнити».

Рис. 1.5. Марсоход Кьюриосити

Его научная способность обнаружения и возможности передвижения значительно улучшились, но технологии позиционирования и навигации остались такими же, как у марсохода «Спирит». Хотя способ навигации почти не изменился, скорость связи между марсоходом и Землей возросла. Каждый орбитальный аппарат мог общаться с «Кьюриосити» только в течение примерно восьми минут в день.

Марсоход «ЭкзоМарс» (БхоМагБ, Рис. 1.6) [31], [95], [128] - это перспективный марсоход, который является частью международной миссии «ЭкзоМарс», проводимой под эгидой Европейского космического агентства (ЕКА) и Госкорпорации «Роскосмос». Поскольку марсоход связывается с наземными диспетчерами через «Трейс Гас Орбитер», который пролетает над марсоходом только два раза в Сол (марсианские сутки), операторы на Земле дистанционно не смогут в реальном времени активно управлять марсоходом по поверхности. Поэтому марсоход разработан так, чтобы самостоятельно двигаться по поверхности Марса.

Рис. 1.6. Марсоход ЭкзоМарс

Сравнение планетоходов и моделей трёх марсоходов приведено в Таблице 1: Соджорнер (самый маленький), Спирит / Оппортьюнити (средний), Кьюриосити (самый большой) - показаны на Рис. 1.7. Многие страны давно заинтересованы возможностями микро -планетоходов.

Таблица 1.

Сравнение планетоходов

Экзо Марс [91] Кьюриосити [124] Оппортью-нити/Спирит [92] Соджорнер [49] Юйту [91], [132]

Запуск 2021 2011 2003 1996 2013

Масса (кг) 207 899 174 10,6 136

Размеры (В метрах, ДхШхВ) — 3,1 х 2,7 х 2,1 1,6 х 2,3 х 1,5 0,7 х 0,5 х 0,3 1,5 х 1 х 1,1

Энергия (кВт/сол) — 2,5 - 2,7 0,3 - 0,9 < 0,1 —

Максимальная скорость (см/сек) — 4 5 1 —

Передача данных (МБ/сутки) — 19 - 31 6 - 25 < 3,5 —

Производительно сть (MIPS) — 400 20 0,1 —

Память (MB) — 256 128 0,5 —

Рис. 1.7. Модели всех успешных марсоходов в сравнении: Соджорнер (самый маленький), Оппортьюнити / Спирит (средний), Кьюриосити (самый большой)

Микро-планетоходы могли бы помочь астронавтам выполнять основные задачи за пределами их местонахождения, в то время как астронавты остаются в области безопасности, повышая тем самым эффективность и безопасность, а также помогая расширить диапазон исследования [90], [93].

Микро-планетоходы с диапазоном массы 10-50 кг или около того предлагают наибольшую применимость для регионального исследования поверхности в ближайшем будущем - они предлагают разумную научную грузоподъемность, малую массу, небольшие расходы на обеспечение работы, минимальные объемные требования и диапазоны в 1 км.

Например, Nanorovers, массой 5-10 кг и размерами 35*25*20 см, предлагают небольшие диапазоны разведки - менее 10 м. Они имеют ограниченную обоснованную грузоподъемность в 1-2 кг, жесткие ограничения по потребляемой мощности - менее 2 Вт (средняя) и 3 Вт (пиковая), и скорость движения до 5 м / ч (Рис. 1.8).

Рис. 1.8. Nanorover

Примером более современного микро-планетохода является канадский микро-планетоход Kapvik массой 30 кг с продемонстрированной способностью к перемещению в несколько километров и средней скоростью 80 м/ч (близкой к максимальной скорости MER - 100 м/ч). Этот микро-планетоход разработан ка-

надской командой (Университет Карлтона, Университет Райерсон, Университет Торонто, Университет Виннипега и так далее) [88], [126] (Рис. 1.9).

Список литературы диссертационного исследования кандидат наук Ван Гуоянь, 2021 год

Список использованных источников

1. Барамия Д.А., Дьяков М.С. Кузиковский С.А. Система одновременной локализации и построения карты на основе подхода coreslam // Автометрия, 2017. №. 53(6). С. 77-82.

2. Барамия Д.А., Дьяков М.С., Лаврентьев М.М. Разработка системы одновременной локализации и построения карты на основе данных с лидера и видеокамер // Вестник Новосибирского государственного университета. Серия: Информационные технологии, 2015. №. 13(1). С. 5-15.

3. Ван Г., Фомичев А.В. Алгоритм планирования безопасного маршрута движения марсохода с учётом рельефа местности // Мехатроника, автоматизация, управление. М.: Изд-во «Новые технологии». 2018. Т. 19, № 11. С.734 - 743.

4. Ван Г., Фомичев А.В. Быстрый алгоритм навигации и планирования маршрута движения для комплексной системы автономной навигации планетохода / XLII Академические чтения по космонавтике. М.: Изд-во МГТУ им. Н.Э. Баумана. 2018, T. 2. C. 320-321.

5. Ван Г., Фомичев А.В. Исследование модификаций слаживающего фильтра Гаусса для их применения совместно с методом SLAM // Мехатроника, автоматизация, управление. 2019. №.20(12). С. 756-764.

6. Вохминцев А.В., Пачганов С.А. Алгоритм одновременной навигации и составления карты мобильным роботом на основе итеративного алгоритма ближайших точек и дескриптора, вычисляемого в круглом скользящем окне // Вестник югорского государственного университета. 2018. №. 3 (50). С. 101-104.

7. Герасимов В.Н. Система навигации сервисного робота в среде с динамическими препятствиями: дис. ... канд. техн. наук. М.: МГТУ им. Баумана. Москва. 2015. 186 с.

8. Данные по топографии поверхности Марса [Электронный ресурс] // https://astrogeology.usgs.gov / сайт, посвященный научные результаты и данные

Астрогеологического научного центра. URL:

https://astrogeology.usgs.gov/search/map/Phobos/MarsExpress/HRSC/Phobos_ME_ HRSC_DEM_Global_2ppd (Дата обращения 25.04.2018).

9. Дубов Д.М. Алгоритм решения задачи одновременной локализации и построения карты на основе расширенного фильтра Калмана для платформ с меканум-колесами [Электронный ресурс] // Постулат. 2018. №. 7(33). URL: http://e-postulat.ru/index.php/Postulat/article/viewFile/1759/1793 (дата обращения: 18.02.2018).

10. Казьмин В.Н. Вероятностный подход к решению задачи SLAM в трёхмерном пространстве // Известия Южного федерального университета. Технические науки, 2017. №. 2 (187). С. 172-184.

11. Котов К.Ю., Мальцев А.С., Соболев М.А. Метод решения задачи одновременной локализации и построения карты при движении автономного мобильного робота [Электронный ресурс] / Труды и пленарные доклады участников конференции УКИ. 2012. №. 12. URL: http://www.iae.nsk.su/images/stories/6_DepPages/0_Labs/L09/4_met_resh_zad_odno vr_loc.pdf (дата обращения: 20.02.20).

12. Маленков М.И. Создание "Лунохода-1" - выдающееся научно-техническое достижение хх века // Вестник НПО им. СА Лавочкина. 2011. №. 1. С.13-21.

13. Павловский В.Е., Павловский В.В. Технологии SLAM для подвижных роботов: состояние и перспективы // Мехатроника, автоматизация, управление, 2016, №. 17(6). С. 384-394.

14. Прозоров А.В., Приоров А.Л. Алгоритм одновременной локализации и картирования с применением сигма-точечного фильтра Калмана // Техническое Зрение в Системах Управления-2016. С.45-48.

15. Собченко М.И. и Ухандеев В.И. Алгоритмы SLAM: обзор существующих решений // Электронные информационные системы. 2014. №.1. С.69-78.

16. Тань Л., Фомичёв А.В. Планирование пространственного маршрута полета беспилотного летательного аппарата с использованием методов частично целочисленного линейного программирования // Вестник Московского

государственного технического университета им. НЭ Баумана. Серия «Приборостроение». 2016. №. 2 (107). С. 53-66.

17. Фомичев А.В., Ван Г. Высокоточный алгоритм визуально-инерциальной навигации / XLIV Академические чтения по космонавтике. М.: Изд-во МГТУ им. Н.Э. Баумана. 2020. T. 2. C. 240-242.

18. Фомичев А.В., Ван Г. Сравнительный анализ методов планирования маршрута движения для планетохода // Информационные системы и технологии (ИСТ-2017). Труды XXIII Международной научно-технической конференции, посвященной 100-летию НГТУ - Нижегородского политехнического института. Нижний Новгород. 2017. С. 794-796.

19. Фомичев А.В., Ван Г., Ду Ижань. Эффективный фильтр GP-RTP SLAM для обработки навигационной информации марсохода / XLIII Академические чтения по космонавтике. М.: Изд-во МГТУ им. Н.Э. Баумана. 2019. T. 2. C. 123-124.

20. Фомичев А.В., Ван Г. Эффективный алгоритм фильтра Гаусса для метода SLAM / 11-я Российская мультиконференция по проблемам управления. Материалы заседаний конференции «Управление в аэрокосмических системах» (УАС-2018). СПб.: АО «Концерн «ЦНИИ «Электроприбор», 2018. С. 260-269.

21. A dimension reduced INS/VNS integrated navigation method for planetary rovers / Ning Xiaolin [et al.] // Chinese Journal of Aeronautics. 2016. Vol.29(6). P. 1695-1708.

22. A fast approach for integrating ORB descriptors in the bag of words model [Electronic resource] / Grana Costantino [et al.] // Multimedia Content and Mobile Devices. International Society for Optics and Photonics. 2013. Vol. 8667. URL: https://www.researchgate.net/profile/Costantino_Grana/publication/236010493_A_Fa st_Approach_for_Integrating_ORB_Descriptors_in_the_Bag_of_Words_Model/links /00463515abb8070843000000/A-Fast-Approach-for-Integrating-0RB-Descriptors-in -the-Bag-of-Words-Model.pdf (дата обращения: 20.02.20).

23. Abdelrasoul Y., Saman A.B.S.H.M, Sebastian P. A quantitative study of tuning ROS gmapping parameters and their effect on performing indoor 2D SLAM // 2nd

IEEE International Symposium on Robotics and Manufacturing Automation (ROMA). IEEE, 2016. P. 1-6.

24. Active localization for planetary rovers / Inoue Hiroka [et al.] // 2016 IEEE Aerospace Conference. IEEE, 2016. P. 1-7.

25. Adaptive and intelligent navigation of autonomous planetary rovers - A survey / Wong Cuebong [et al.] // 2017 NASA/ESA Conference on Adaptive Hardware and Systems (AHS). IEEE, 2017. P. 237-244.

26. An experimental comparison of ros-compatible stereo visual slam methods for planetary rovers / Giubilato R. [et al.] // 2018 5th IEEE International Workshop on Metrology for AeroSpace (MetroAeroSpace). IEEE, 2018. P. 386-391.

27. An innovative high accuracy autonomous navigation method for the Mars rovers / Guan Xujun [et al.] // Acta Astronautica, 2014. Vol. 104(1). P. 266-275.

28. An invariant-EKF VINS algorithm for improving consistency / Wu Kan zhi [et al.] // 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2017. P. 1578-158.

29. Arasaratnam I., Haykin S. Cubature Kalman Filters // IEEE Transactions on Automatic Control. 2009. Vol. 54. P. 1254-1269.

30. Attitude and position estimation on the Mars exploration rovers / Ali K.S. [et al.] // 2005 IEEE International Conference on Systems, Man and Cybernetics. IEEE. 2005. Vol. 1. P. 20-27.

31. Autonomous science for an ExoMars Rover-like mission / Woods Mark [et al.] // Journal of Field Robotics. 2009. Vol. 26(4). P. 358-390.

32. Bailey T., Durrant-Whyte H. Simultaneous localization and mapping (SLAM): Part II // IEEE Robotics & Automation Magazine. 2006. Vol. 13(3). P. 8-117.

33. Bajracharya M., Backes P. Enabling Reconnaissance and Return for Mars Rovers [Electronic resource] / Proc. 9th Int'l Symp. Artificial Intelligence, Robotics, and Automation in Space. 2008. URL: http://robotics.estec.esa.int/i-SAIRAS/isairas2008/Proceedings/POSTER%20SESSIO N/m056-Bajracharya.pdf (дата обращения: 20.02.20).

34. Bajracharya M., Maimone M., and Helmick D. Autonomy for Mars rovers: Past,

present and future // IEEE Computer, December. 2008. 41(12). P. 44-50.

35. Barfoot T.D. State Estimation for Robotics. Cambridge University Press. 2015. 368p.

36. Bozorg M., Bahraini M.S., Rad A.B. A new adaptive UKF algorithm to improve the accuracy of SLAM // International Journal of Robotics, Theory and Applications. 2019.Vol. 5(1). P. 35-46.

37. Brossard M., Bonnabel S., Barrau A. Unscented Kalman filter on Lie groups for visual inertial odometry // 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2018. P. 649-655.

38. Cao G., Lai E.M.K., Alam F. Gaussian process model predictive control of unknown non-linear systems // IET Control Theory & Applications, 2017. Vol. 11(5). P. 703-713.

39. Cao Y., Fleet D.J. Generalized product of experts for automatic and principled fusion of Gaussian process predictions [Electronic resource] // arXiv preprint arXiv:1410.7827, 28 Oct 2014 (v1). URL: https://arxiv.org/pdf/1410.7827.pdf (дата обращения: 20.02.20).

40. China's Chang'e-3 probe and rover makes first moon landing in 37 years. URL: http://www.collectspace.com/news/news-121413a.html (Дата обращения 15 декабря 2013).

41. Cloud-based Control and vSLAM through cooperative Mapping and Localization / Erol Berat Alper [et al.] // 2016 World Automation Congress (WAC). IEEE. 2016. P. 1-6.

42. Computer vision on Mars / Matthies, Larry [et al.] // International Journal of Computer Vision. 2007, Vol. 75(1). Р. 67 - 92.

43. Consistency analysis and improvement of vision-aided inertial navigation / Hesch Joel .A. [et al.] // IEEE Transactions on Robotics, 2013. Vol. 30(1). P. 158-176.

44. Davison A.J. Real-time simultaneous localization and mapping with a single camera // In: Proceedings of International Conference on Computer Vision. 2003. P. 1403-1410.

45. De Paula R.P., Edwards Jr C.D., Flamini E. Evolution of the communications

systems and technology for Mars exploration // Acta Astronautica, 2002. Vol. 51(1-9). P. 207-212.

46. Decentralized active information acquisition: Theory and application to multi-robot SLAM / Atanasov N. [et al.] // 2015 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2015. P. 4775-4782.

47. Deisenroth M.P., Ng J.W. Distributed gaussian processes [Electronic resource] // arXiv preprint arXiv:1502.02843, 2015. URL: http://proceedings.mlr.press/v37/deisenroth15.pdf (дата обращения: 20.02.20).

48. Deisenroth M.P., Rasmussen C.E., Fox D. Learning to control a low-cost manipulator using data-efficient reinforcement learning // Robotics: Science and Systems VII. 2011. P. 57-64.

49. Design and implementation of an innovative micro-rover / Siegwart Roland [et al.] // Robotics 98. 1998. P. 181-187.

50. Dorian Galvez-Lpez, Juan D. Tardos. Bags of binary words for fast place recognition in image sequences // IEEE Transactions on Robotics. 2012. Vol. 28(5). P. 1188-1197.

51. Doucet A., De Freitas N., Gordon N. An introduction to sequential Monte Carlo methods // Sequential Monte Carlo methods in practice. Springer, New York, NY, 2001. P. 3-14.

52. Durrant-Whyte H., Bailey T. Simultaneous localization and mapping: part I // IEEE robotics & automation magazine, 2006.Vol. 13(2). P. 99-110.

53. Eade E., Munich M.E., Fong P. Systems and methods for VSLAM optimization [Electronic resource] / United States Patent. 2016. No. US 009286810B2. URL: http://proceedings.mlr.press/v37/deisenroth15.pdf (дата обращения: 20.02.20).

54. Ellery A. Planetary rovers: robotic exploration of the solar system. Springer Praxis Books , Astronautical Engineering.Carleton University. 2015. 721p.

55. Engel J., Schöps T., Cremers D. LSD-SLAM: large-scale direct monocular SLAM // Proceedings of European Conference on Computer Vision. 2014. P. 834-849.

56. ESLAM: An energy-efficient accelerator for real-time ORB-SLAM on FPGA platform / Liu Runze [et al.] //Proceedings of the 56th Annual Design Automation

Conference 2019.P. 1-6.

57. Experiences with Operations and Autonomy of the Mars Pathfinder Microrover / Mishkin Andrew H. [et al.] // Proc. 1998 IEEE Aerospace Conf. IEEE Press, 1998. Vol. 2. P. 337- 351.

58. Fast and accurate SLAM with Rao-Blackwellized particle filters / Grisetti Grisetti [et al.] // Robotics and Autonomous Systems, 2007. Vol. 55(1). P. 30-38.

59. Faulkner A. A. Sensor stabilization, localization, obstacle detection, and path planning for autonomous rovers: a case study. University of Alabama Libraries, 2015. 65p.

60. Ferguson D., Stentz A. Field D*: An interpolation-based path planner and replanner // Robotics research. Springer, Berlin, Heidelberg, 2007. P. 239-253.

61. Flessa T., McGookin E., Thomson D. Numerical stability of inverse simulation algorithms applied to planetary rover navigation // 24th Mediterranean Conference on Control and Automation (MED). IEEE, 2016. P. 901-906.

62. Forster C., Carlone L., Dellaert F., et al. On-Manifold Preintegration for Real-Time Visual--Inertial Odometry // IEEE Transactions on Robotics, 2016. Vol. 33(1). P. 1-21.

63. Fuke Y., Krotkov E. Dead reckoning for a lunar rover on uneven terrain // Proceedings of IEEE International Conference on Robotics and Automation. IEEE, 1996. Vol. 1. P. 411-416.

64. Gai E. Guidance, navigation, and control from instrumentation to information management // Journal of guidance, control, and dynamics, 1996. Vol. 19(1). P. 10-14.

65. Garrido S., Alvarez D., Moreno L. Path Planning for Mars Rovers Using the Fast Marching Method // Robot 2015: Second Iberian Robotics Conference. Springer, Cham, 2016. P. 93-105.

66. Geneva P., Maley J., Huang G. An Efficient Schmidt-EKF for 3D Visual-Inertial SLAM // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019. P. 12105-12115.

67. Global path planning on board the mars exploration rovers / Joseph Carsten [et al.]

// 2007 IEEE Aerospace Conference. IEEE, 2007. P. 1-11.

68. Goldberg S.B., Maimone M.W., Matthies L. Stereo vision and rover navigation software for planetary exploration / Proceedings, IEEE aerospace conference. IEEE, 2002.Vol. 5. P. 5-5.

69. Graph-based visual odometry for VSLAM / Xu Shaoxu [et al.] // Industrial Robot: An International Journal. 2018. Vol. 45(5). P. 679-687.

70. Grisetti G., Stachniss C., Burgard W. Improved techniques for grid mapping with Rrao-Blackwellized particle filters // IEEE transactions on Robotics. 2007. Vol. 23(1). P. 34-46.

71. Gutmann J.S., Fong P., Munich M.E. Re-localization of a robot for slam [Electronic resource] // United States Patent. Washington, DC: U.S. Patent and Trademark Office. 2017. No. 9534899. URL: https://patents.google.com/patent/US9534899B2/en (дата обращения: 20.02.20).

72. He Z., Leng X., Zha F. ORB-SLAM based humanoid robot location and navigation system // Vibroengineering PROCEDIA, 2018. Vol.17. P. 118-123.

73. IMU preintegration on manifold for efficient visual-inertial maximum a posteriori estimation [Electronic resource] / Forster Christian [et al.] // Georgia Institute of Technology, 2015. URL: https:// smartech.gatech.edu/bitstream/handle/1853/55417/IMU%20Preintegration%2 0on%20Manifold%20for%20Efficient.pdf?sequence=1&isAllowed=y (дата обращения: 20.02.20).

74. Inspection of Penstocks and Featureless Tunnel-Like Environments using Micro UAVs / Ozaslan Tolga [et al.] // Field and Service Robotics. Springer, Cham, 2015. P. 123-136.

75. Jiang X., Yang B., Li S. Overview of China's 2020 Mars mission design and navigation // Astrodynamics, 2018. Vol. 2(1). P. 1-11.

76. Kerl C., Sturm J., Cremers D. Dense visual SLAM for RGB-D cameras // Proceedings of International Conference on Intelligent Robots and Systems. 2013. P. 2100-2106.

77. KinectFusion: real-time dense surface mapping and trackin / Newcombe Richard

[et al.] // In: Proceedngs of International Symposium on Mixed and Augmented Reality,

2011, P. 127-136.

78. Ko J., Fox D. GP-Bayes Filters: Bayesian filtering using Gaussian process prediction and observation models // Autonomous Robots, 2009. Vol. 27(1). P. 75-90.

79. Kocijan J. Modelling and control of dynamic systems using Gaussian process models // Springer International Publishing, 2016. P.33-38.

80. Koenig S., Likhachev M. D* lite // American Association for Artificial Intelligence, 2002. Vol. 15. P.1-8.

81. Lavin A. Optimized mission planning for planetary exploration rovers [Electronic resource] // arXiv preprint arXiv:1511.00195, 2015. URL: https://arxiv.org/ftp/arxiv/papers/1511/1511.00195.pdf (дата обращения: 20.02.20).

82. Learning and control using Gaussian processes / Jain Achin [et al.] // 2018 ACM/IEEE 9th International Conference on Cyber-Physical Systems (ICCPS). IEEE, 2018. P. 140-149.

83. Lee S., Lee S. Embedded Visual SLAM for Low-Cost Consumer Robots // IEEE Robotics & Automation Magazine. 2013. Vol. 20. (4). P. 83-95.

84. Li M., Mourikis A.I. High-precision, Consistent EKF-based visual-inertial odometry // The International Journal of Robotics Research, 2013. Vol. 32(6). P. 690-711.

85. Li M., Mourikis A.I. Improving the accuracy of EKF-based visual-inertial odometry // 2012 IEEE International Conference on Robotics and Automation. IEEE,

2012. P. 828-835.

86. LI X., JU H. A Simultaneous Localization and Map-Building Method for Lunar Rover Based on Particle Filter // Journal of Astronautics. 2009 Vol. 30(5). P. 1891-1895.

87. Loianno G., Watterson M., Kumar V. Visual inertial odometry for quadrotors on SE (3) // 2016 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2016. P.1544-1551.

88. Ma Y., Ju H., Cui P. Research on localization and mapping for lunar rover based on RBPF-SLAM // 2009 International Conference on Intelligent Human-Machine

Systems and Cybernetics. IEEE, 2009. Vol. 2. P. 306-311.

89. Maimone M.W., Leger P.C., Biesiadecki J.J. Overview of the mars exploration rovers autonomous mobility and vision capabilities [Electronic resource] // IEEE international conference on robotics and automation (ICRA) space robotics workshop. 2007. URL: https://pdfs.semanticscholar.org/e7b1/47ee26a5070382a8489293f65821e1376780.pdf (дата обращения: 20.02.20).

90. Mariorodriga G., Micro-rovers for scientific applications on Mars or Moon missions / Preparing for the Future, 1997, Vol. 7(2), P. 16-17.

91. Mars exploration rover mission [Electronic resource] / Crisp Joy A. [et al.] // Journal of Geophysical Research: Planets. 2003. Vol.108 (E12). URL: https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2002JE002038 (дата обращения: 20.02.20).

92. Mars exploration rover telecommunications / Taylor Jim [et al.] // Deep Space Communications. John Wiley & Sons, 2016. P. 251-356.

93. Mars methane analogue mission: Mission simulation and rover operations at Jeffrey Mine and Norbestos Mine Quebec, Canada / Qadi A [et al.] // Advances in Space Research, 2015, Vol. 55(10). P. 2414-2426.

94. McClelland M., Campbell M., Estlin T. Qualitative relational mapping and navigation for planetary rovers // Robotics and Autonomous Systems, 2016. Vol. 83. P.73-86.

95. Mcмanamon K., Lancaster R., Silva N. Exomars rover vehicle perception system architecture and test results // Proceedings of the 12th Symposium on Advanced Space Technologies in Robotics and Automation, Noordwijk, The Netherlands. 2013. P. 15-17.

96. Metrics for real-time mono-VSLAM evaluation including IMU induced drift with application to UAV flight / Hardt-Stremayr Alexander [et al.] / Proceedings of the European Conference on Computer Vision (ECCV). 2018. P. 0-0.

97. Mourikis A. I., Roumeliotis S. I. A multi-state constraint Kalman filter for vision-aided inertial navigation // Proceedings 2007 IEEE International Conference

on Robotics and Automation. IEEE, 2007. P. 3565-3572.

98. Mur-Artal R., Montiel J.M.M., Tardos J.D. ORB-SLAM: a versatile and accurate monocular SLAM system // IEEE Journals & Magazine. 2015. Vol. 31(5). P. 1147-1163.

99. Mur-Artal R., Tardos J. D. Visual-inertial monocular SLAM with map reuse // IEEE Journals & Magazine. 2017. Vol. 2(2). P. 796-803.

100. Mur-Artal R., Tardos J.D. ORB-SLAM2: An open-source slam system for monocular, stereo, and RGB-D cameras // IEEE Journals & Magazine. 2017.Vol. 33(5). P.1255-1262.

101. Nash A., Koenig S. Any-angle path planning // AI Magazine. 2013. Vol. 34(4). P. 85-107.

102. Nash A., Koenig S., Tovey C. Lazy Theta*: Any-angle path planning and path length analysis in 3D // Proceedings of the Twenty-Fourth AAAI Conference on Artificial Intelligence (AAAI-10). 2010. P.147-154.

103. Nguyen T.V., Bonilla E.V. Fast allocation of Gaussian process experts // Proceedings of the International Conference on Machine Learning. 2014. P. 145-153.

104. Observability-constrained vision-aided inertial navigation / Roumeliotis Stergions [et al.] // United States Patent. 2016. No. 9243916. P. 2016-1-26.

105. Olson E.B. Real-time Correlative Scan Matching // 2009 IEEE International Conference on Robotics and Automation. 2009. P. 4387-4393.

106. Omnidirectional DSO: Direct sparse odometry with fisheye cameras / Matsuki Hidenobu [et al.] // IEEE Robotics and Automation Letters. 2018. Vol. 3(4), P. 3693-3700.

107. Optimal path planning for mobile robots based on intensified ant colony optimization algorithm / Fan Xiaoping [et al.] // IEEE International Conference on Robotics, Intelligent Systems and Signal Processing, 2003. Vol. 1. P. 131-136.

108. Outdoor robot navigation using Gmapping based SLAM algorithm / Balasuriya B.L.E.A. [et al.] // 2016 Moratuwa Engineering Research Conference (MERCon). IEEE, 2016. P. 403-408.

109. Peng S., Jia Y. Mission-level path planning for lunar rover // Spacecraft

Engineering, 2010. Vol. 19. P. 35-42.

110. Pereira C, Falcao G, Alexandre L A. Pragma-oriented parallelization of the direct sparse odometry SLAM algorithm // 27th Euromicro International Conference on Parallel, Distributed and Network-Based Processing (PDP). IEEE, 2019. P. 252-259.

111. Pflueger M., Agha A., Sukhatme G.S. Soft Value Iteration Networks for Planetary Rover Path Planning / 31st Conference on Neural Information Processing Systems (NIPS 2017). 2017. P.1-10.

112. Pl-VIO: Tightly-coupled monocular visual-inertial odometry using point and line features [Electronic resource] / He Yijia [et al.] // Sensors, 2018. Vol. 18(4):1159. URL: https://www.mdpi.com/1424-8220/18/4/1159 (дата обращения: 20.02.20).

113. Post M.A., Li J., Quine B.M. Planetary micro-rover operations on Mars using a Bayesian framework for inference and control // Acta Astronautica, 2016. Vol. 120. P. 295-314.

114. Potiris S., Tompkins A., Goktogan A. Terrain-based path planning and following for an experimental mars rover // Australasian Conference on Robotics and Automation, Melbourne. 2014. P. 1-10.

115. Processing of Mars Exploration Rover imagery for science and operations planning [Electronic resource] / Douglass A. Alexander [et al.] // Journal of Geophysical Research. 2006. Vol. 111, E02S02. URL: https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2005JE002462%4010.1002/ %28ISSN%292169-9100. SPIRIT 1 (дата обращения: 20.02.20).

116. Qin T., Li P., Shen S. Relocalization, global optimization and map merging for monocular visual-inertial SLAM // 2018 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2018. P. 1197-1204.

117. Rabaud V., Konolige K., et al. ORB: An efficient alternative to SIFT or SURF / Rublee Ethan [et al.] // International conference on computer vision. 2011.Vol.11(1). P. 2564-2571.

118. Rajendraprakash A. Terrain mapping near the vehicle, SLAM and global map building for lunar rover . Aalto University. School of electrical engineering (Master's Thesis). 2013. 89p.

119. Real-time onboard visual-inertial state estimation and self-calibration of mavs in unknown environments / Weiss Stephan [et al.] // 2012 IEEE international conference on robotics and automation. IEEE, 2012. P. 957-964.

120. RFS-SLAM robot: An experimental platform for RFS based occupancy-grid SLAM / Hampton Brian [et al.] // 2017 20th International Conference on Information Fusion (Fusion). IEEE, 2017. P. 1-8.

121. Robust filtering and smoothing with Gaussian processes / Deisenroth Marc Peter [et al.] // IEEE Transactions on Automatic Control, 2012. Vol. 57(7). P. 1865-1871.

122. Rover localization and landing-site mapping technology for the 2003 Mars exploration rover mission / Li Rongxing [et al.] // Photogrammetric Engineering & Remote Sensing, 2004. Vol. 70(1). P. 77-90.

123. Sakuta M., Takanashi S., Kubota T. An image based path planning scheme for exploration rover // 2011 IEEE International Conference on Robotics and Biomimetic. IEEE, 2011. P. 150-155.

124. Savage D., Webster G., Brand D. Mars Exploration Rover Landings [Electronic resource] // National aeronautics and space administration. Press kit Januray 2004. URL: https://mars.nasa.gov/mer/newsroom/merlandings.pdf (дата обращения: 20.02.20).

125. Seeker - Autonomous Long-range Rover Navigation for Remote Exploration / Woods Mark [et al.] // Journal of Field Robotics/ 2014. Vol. 31(6). P. 940-968.

126. Setterfifield T., Frazier C., and Ellery A. Mechanical design and testing of an instrumented rocker-bogie system for the Kapvik micro-rover // Journal of British Interplanetary Society. 2014. P. 67, 96-104.

127. Short A.R., Van Bossuyt D.L. Risk attitude informed route planning in a simulated planetary rover // ASME 2015 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. American Society of Mechanical Engineers Digital Collection. 2016. P.1-11.

128. Silva N., Lancaster R., Clemmet J. ExoMars rover vehicle mobility functional architecture and key design drivers [Electronic resource] // 12th Symp. on Advanced Space Technologies in Robotics and Automation (ASTRA). 2013. URL:

https://pdfs.semanticscholar.org/2eaf/ea60a6cdd1c19fe452013a6a82fe0aec8871.pdf (дата обращения: 20.02.20).

129. SLAM++: simultaneous localisation and mapping at the level of objects / Salas-Moreno Renato [et al.] // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 2013. P.1352-1359.

130. Spirit rover [Electronic resource]. URL: https://en.wikipedia.org/wiki/Spirit_(rover) (Дата обращения 25.04.2018).

131. SVO: Semidirect visual odometry for monocular and multicamera systems / Forster Christian [et al.] // IEEE Transactions on Robotics.2016. Vol. 33(2). P. 249-265.

132. The Chang'e 3 mission overview / Li Chunlai [et al.] // Space Science Reviews, 2015, Vol.190(1-4). P. 85-101.

133. The development of the MSL guidance, navigation, and control system for entry, descent, and landing / San Martin Miguel [et al.] / 36th Annual AAS Guidance and Control Conference. 2013. 20p.

134. The EuRoC MAV datasets / Michael Burri [et al.] // The International Journal of Robotics Research, 2016. Vol.35(10). P. 1157-1163.

135. Thrun S. Probabilistic robotics // Communications of the ACM, 2002. Vol. 45(3). P. 52-57.

136. Tompkins P. Mission-directed path planning for planetary rover exploration. Carnegie Mellon University, The Robotics Institute. 2005. 192p.

137. Tong C.H., Barfoot T.D., Dupuis É. Three-dimensional SLAM for mapping planetary work site environments // Journal of Field Robotics. 2012.Vol. 29(3). P. 381-412.

138. Toward a fully autonomous UAV: Research platform for indoor and outdoor urban search and rescue / Tomic Teodor [et al.] // IEEE Robotics Automation Magazine, 2012. vol. 19, №. 3. P. 46-56.

139. Toward image based visual servoing for aerial grasping and perching / Thomas Justin [et al.] // In IEEE International Conference on Robotics and Automation. 2014. P. 2113-2118.

140. Tresp Volker. A Bayesian Committee Machine // Neural Computation, 2000. Vol. 12(11). P. 2719-2741.

141. Vision-controlled micro flying robots: from system design to autonomous navigation and mapping in GPS-denied environments / Scaramuzza Davide [et al.] // IEEE Robotics & Automation Magazine, 2014. Vol. 21(3). P. 26-40.

142. Wang G., Fomichev A.V. Simultaneous localization and mapping method for a planet rover based on a Gaussian filter [Electronic resource] / AIP Conference Proceedings 2171, 160003 (2019). URL: https://aip.scitation.org/doi/pdf/10.1063/1.5133307 (дата обращения: 20.02.20).

143. Wang R., Schworer M., Cremers D. Stereo DSO: Large-scale direct sparse visual odometry with stereo cameras // In Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 3903-3911.

144. Xu G., Zhang Z. Epipolar geometry in stereo, motion and object recognition: a unified approach. Springer Science & Business Media. 2013. 306p.

145. Yang Z., Gao F., Shen S. Real-time monocular dense mapping on aerial robots using visual-inertial fusion // 2017 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2017. P. 4552-4559.

146. Zaidi S.A.A., Fu L.I. Visual Assisted EKF SLAM for Planetary Roving Vehicle [Electronic resource] / 2016 International Conference on Applied Mechanics, Electronics and Mechatronics Engineering (AMEME 2016). 2016. URL: http://www.dpi-proceedings.com/index.php/dtetr/article/viewFile/5790/5408 (дата обращения: 20.02.20).

147. Zhan Y., Chen S., He D. High-Precision Heading Determination Based on the Sun for Mars Rover // Advances in Astronomy. 2018. P. 1-15.

148. Zhu Q., Yan Y., Xing Z. Robot path planning based on artificial potential field approach with simulated annealing // In Sixth International Conference on Intelligent Systems Design and Applications. IEEE, 2016. Vol. 2. P. 622-627.

АКТ ИСПОЛЬЗОВАНИЯ РЕЗУЛЬТАТОВ РАБОТЫ

Application Certification of the Scientific Research Results

Name of the company: Beijing Zhonghangzhi Technology Co., Ltd. Address of company: Building 1, No. 20, Jinan Road, Yizhuang Economic Development Zone, Daxing District, Beijing Postcode: 100176

We, Beijing Zhonghangzhi Technology Co., Ltd., certify that: The scientific research of the Ph.D. dissertation of Wang Guoyan (Department of automatic control systems in Bauman Moscow State Technical University) has been applied in our self-developed UGVs:

1. The distributed method based on the model of Generalized Product of GP-RTSS Experts (D1S RTGP) enhances the data processing speed. When it is applied to the laser SLAM, comparing with the classic laser SLAM, it shows better accuracy and real-time performance.

2. Comparing with the classic algorithm MSCKF (Multi-State Constraint Kalman Filter), the proposed Visual inertial Unscented Kalman Filter (VI-UKF) in the visual SLAM presents faster calculation speed and higher accuracy.

3. When exploring the outdoor environment, compared with the other variants of algorithm A*, the proposed algorithm Risk Lazy AT (Risk Lazy Accelerative Theta*) can avoid dangerous terrain more effectively and retrieve a safer path.

Signed on

For and on behalf of

Beijing Zhonghangzhi Technology Co., Ltd.

Authorized Signatory Date: 20th of April, 2021