Методы и алгоритмы планирования маршрута планетохода и коррекции навигационного комплекса тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чжан Минмин

• Чжан Минмин
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Чжан Минмин

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР СОВРЕМЕННОГО НАВИГАЦИОННОГО КОМПЛЕКСА ПЛАНЕТОХОДА

1.1 Обзор развития позиционирования и навигации планетохода

1.2 Состояние исследования автономной навигации планетохода

1.3 Обзор объединения датчиков с несколькими источниками

1.4 Обзор типов датчиков для восприятия окружающей среды

1.5 Задачи и методы коррекции навигационного комплекса

1.6 Постановка задачи исследования

Выводы по главе

ГЛАВА 2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ДАТЧИКА И СООТНОШЕНИЕ ПРЕОБРАЗОВАНИЯ КООРДИНАТ

2.1 Определение системы координат и ее соотношение преобразования

2.2 Принцип работы и системная модель визуального одометра

2.3 Модели датчиков

Выводы по главе

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМА КОРРЕКЦИИ НАВИГАЦИОННЫХ СИСТЕМ

3.1 Алгоритмы автономной навигации для перемещения по поверхности планеты

3.1.1 Определение системы координат и модели динамики планетохода

3.1.2 Алгоритм автономной навигации и позиционирования во время движения планетохода на основе ЕКР-8ЬЛМ с активным повторным наблюдением

3.1.3 Поиск по карте и улучшенный алгоритм сопоставления 1СР

Стр.

3.2 Алгоритм навигации и позиционирования при комплексировании нескольких датчиков

3.2.1 Алгоритм навигации и позиционирования с учетом рельефа местности на основе комплексирования информации

3.2.2 Отслеживание траектории на основе фильтра частиц для навигации с учетом рельефа местности

3.2.3 Отслеживание навигационного пути с привязкой к местности на основе фильтра частиц с суммой Гаусса

Выводы по главе

ГЛАВА 4. ЭКСПРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

4.1 Исследование алгоритма навигации и позиционирования планетохода

4.2 Исследование алгоритма отслеживание траектории для навигации с учетом рельефа местности

4.3 Исследование алгоритма навигации и позиционирования при комплексировании нескольких датчиков

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

СПИСОК СОКРАЩЕНИЙ

БПЛА Беспилотный летательный аппарат

ГНСС Глобальные навигационные спутниковые системы

ИНС Инерциальная навигационная система

НАСА Независимое агентство федерального правительства США

ЦП Центральный процессор

ASLAM Active simultaneous localization and mapping

EKF Extended Kalman filter (Расширенный фильтр Калмана)

GSF Gaussian sum filtering (Фильтр гауссовой суммы)

GSPF Gaussian sum particle filtering (Фильтр частиц с суммой Гаусса)

ICP Iterative Closest Point (Итеративный алгоритм ближайших точек)

IMU Inertial measurement unit (Инерциальный измерительный блок )

JCBB Joint Compatibility Branch and Bound

KF Kalman filter (Фильтр Калмана)

MEMS Micro Electromechanical System

MER Mars Exploration Rover (Программа НАСА по исследованию планеты

Марс с помощью марсоходов)

MSL Mars Science Laboratory (Марсианская научная лаборатория)

ORB Oriented FAST and Rotated BRIEF

PDF Posterior Probability Density Function

PF Particle Filter (Фильтр частиц)

RANSAC Random sample consensus (метод консенсуса случайных выборок)

ROS Robot Operating System (Операционная система для роботов)

SIFT Scale-invariant feature transform

SLAM Simultaneous localization and mapping (Метод одновременной

локализации и построения карты)

SIS Sequential important sampling

UKF Unscented Kalman filter (Сигма-точечный фильтр Калмана)

SURF Speeded Up Robust Features

VO Visual Odometry (Визуальная одометра)

VIO Visual-Inertial Odometry (Визуальная одометра одометра)

ВВЕДЕНИЕ

Актуальность темы. Исследование небесных тел в космосе - важная область космических полетов, а также шаг, который человечество должно сделать в дальнейшем освоении Вселенной. Исследование объектов дальнего космоса началось еще в 1950-х годах. После вступления в XXI век космические державы начали новый раунд миссий по исследованию дальнего космоса, в ходе которого миссии по исследованию и отбору проб для объектов, находящихся далеко от Земли, таких как Марс и астероиды, стали горячими точками в этой волне. В последние годы ученые подвели итоги предыдущих миссий по исследованию поверхности Марса и запланировали большее количество районов исследования с высокой научной отдачей для будущих исследовательских миссий, но эти районы часто расположены в суровых условиях [84]. Поэтому в будущих миссиях по исследованию планет необходимо значительно повысить точность навигации планетарных роверов, а также обеспечить их способность автономно воспринимать окружающую среду, планировать маршруты движения и обходить препятствия [2, 3, 6, 37].

Если взять в качестве примера миссию по отбору проб, то планетарный ровер должен обладать достаточной ситуационной осведомленностью об окружающей среде, чтобы получить как можно больше научных результатов, а также должен обладать определенной степенью автономности, чтобы справляться с возможными чрезвычайными ситуациями, такими как обход препятствий в режиме реального времени, определение областей с высокой потенциальной научной ценностью и так далее. Сочетание метода позиционирования с помощью инерциального измерительного блока (1МЛ) и одометры было подтверждено в ходе испытаний автономных беспилотных автомобилей, и комбинированная навигационная система 1Ми/одометры может полностью использовать преимущества друг друга для достижения высокоточного автономного позиционирования [60]. Однако в миссии по исследованию планет марсоход

будет исследовать некоторые области со сложным рельефом (например, борта кратеров, наклонную местность и т. д.). Например, движение по склону вызовет пробуксовку колес, что приведет к ошибкам измерения одометра, поэтому в условиях сложного планетарного рельефа сочетанию 1Ми и одометра трудно удовлетворить потребности навигационной миссии [50].

Автономная навигация на основе комбинирования информации из нескольких источников не зависит от времени и уклона местности и может предоставить полную абсолютную навигационную информацию, чтобы компенсировать суммарную ошибку, вызванную рекурсией траектории, поэтому данный метод постепенно привлекает внимание ученых и организаций. В последние годы навигация на основе слияния нескольких источников информации широко применяется в наземных роботах и БПЛА и постоянно совершенствуется [15]. Однако эту же навигационную систему нельзя просто перенести на автономные исследовательские миссии на Марсе или астероидах. В отличие от естественной среды Земли, текстура поверхности Марса и астероидов бедна, а соответствующие особенности изображения поверхности не отличаются разнообразием, что повышает сложность сопоставления обнаруженных особенностей с одноименными точками в базе данных [50]. Сложные условия посадки на Марсе, где поверхность подвергается выветриванию и эрозии круглый год, также повышают сложность поддержания исторической согласованности базы данных признаков.

Поэтому для будущих миссий по исследованию планет повышение степени автономности планетоходов является неизбежной тенденцией. Методы позиционирования, основанные на объединении данных из нескольких источников, имеют большой потенциал для применения, но многие ключевые вопросы еще предстоит решить. Для блуждающей автономной навигационной миссии мы в основном изучаем алгоритм навигации и позиционирования на основе слияния информации из нескольких источников, фокусируясь на том, как использовать информацию из нескольких датчиков для упреждающего

восприятия окружающей среды вокруг планетохода для достижения автономного избегания препятствий во время движения и автономного планирования пути планетохода для повышения точности навигации [1, 4, 5].

Целью работы является разработка методы алгоритмов навигационного комплекса и планирования маршрута робота-планетохода.

Задачи исследования:

1. Разработка алгоритма для повышения точности позиционирования планетохода в трехмерном пространстве с помощью метода комплексов датчиков и его применение к задаче адаптивного управления для процесса навигации;

2. Построение и исследование надежных алгоритмов автономной навигации и позиционирования с помощью варианта алгоритма фильтра Калмана;

3. Разработка алгоритм нелинейной оптимизации траектории планетохода на основе метода фильтра частиц по гауссовой сумме;

4. Исследование метода синтеза информации и его применение в задачах планирования маршрута и обхода препятствий во время движения планетохода.

Научная новизна работы заключается в следующем:

1. Разработан алгоритм SLAM для планирования пути с активным повторным наблюдением на основе алгоритма извлечения и сопоставления характеристик 3D облака точек, и предложенный алгоритм значительно повышает точность навигации по сравнению с традиционным алгоритмом автономной навигации и построения карт EKF-SLAM в среднем на 10%.

2. Разработан метод навигации по рельефу на основе фильтра частиц. По сравнению с аналогом фильтра Байеса объем вычислений значительно сокращается до 20%.

3. Разработан алгоритм навигации по рельефу на основе фильтра частиц по гауссовой сумме, который позволяет повысить скорость и точность к задаче построения маршрута. Поскольку процесс передискретизации отсутствует,

вычислительные требования при выполнении снижаются в среднем на 8-15% при сохранении точности.

4. Разработана структура системы планирования маршруты на основе комплексирования визуально-инерциально-астрономических систем с использованием мультисенсорной информации, которая позволяет достичь повышение точности позиционирования в среднем на 5-8%.

Достоверность и обоснованность полученных теоретических и практических результатов подтверждаются математическими выводами при обработке алгоритмов, полученных в результате эксперимента по методу мулитисенсоров комплексов, и данных обработки датчики.

Для исследований применялись методы теории управления и теории случайных процессов, теории навигации, а также вычислительные методы, математическое моделирование.

Практическая значимость результатов исследования.

1. Метод планирования траектории с использованием фильтра частиц на основе гауссовых сумм позволяет мобильным роботам быстро планировать безопасные траектории движения, что обеспечивает более эффективное избегание опасных участков и поиск безопасных путей.

2. Разработан алгоритм отслеживания траектории для навигации с учетом рельефа местности, который повышает точность позиционирования планетохода во время движения и позволяет достичь более высокой точности непрерывной навигации с использованием низкоэнергетических датчиков.

3. Алгоритмы синтеза информации, разработанные с использованием информации от разных датчиков (1Ми, Камера, Астрономические датчики), могут быть непосредственно применены для управления планированием траектории.

Результаты работы использованы в Научно-исследовательском институте аэрокосмической информации Цилу (КНР) и в учебном процессе кафедры систем автоматического управления МГТУ им. Н.Э. Баумана.

Методы исследования. Использованы теория автоматического управления, методы обработки изображений, методы теории навигационного систем, методы теории системного анализа, методы математического анализа, методы математического моделирования и программные пакеты MATLAB и ROS.

Основные положения диссертационной работы, выносимые на защиту.

1. Алгоритм автономной навигации и позиционирования во время движения планетохода на основе EKF-SLAM с активным повторным наблюдением.

2. Алгоритма отслеживание траектории для навигации с учетом рельефа местности.

3. Алгоритм навигации и позиционирования при комплексировании нескольких датчиков.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях: XXI Всероссийская конференция «Информационные технологии, системный анализ и управление» (Таганрог, 2023г.), Международная конференция по цифровой трансформации (Фергана, Узбекистан, 2023г.) Международная научно-техническая конференция «Автоматизация» (Сочи, 2023г.), Международная научно-практическая конференция «Индустрия 4.0» (Сочи, 2024г.), XXXI Санкт-Петербургская международная конференция по интегрированным навигационным системам (Санкт-Петербург, 2024).

Публикации. По теме диссертации опубликовано 10 научных работ, из них 2 статей в журналах из Перечня рецензируемых научных изданий - ВАК РФ и 5 статьи в Перечне международных научных изданий в системе Web Science и Scopus, общим объемом 6,79 п.л./3,1 п.л.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 112 наименований. Текст диссертации изложен на 132 страницах, содержит 55 рисунков и 2 таблицы.

Во введении обоснована актуальность темы, определены цели, задачи и методы исследования, отмечены научная новизна и практическая значимость работы, сформулированы положения, выносимые на защиту, приведены сведения по апробации, внедрению результатов, публикациях, структуре и объему диссертации.

В первой главе представлен обзор истории создания планетоходов, тенденций развития и современного состояния исследований в области технологий автономной навигации. Выполнен обзор методов объединения информации от нескольких источников и классификация датчиков, используемых для зондирования окружающей среды. Определены задачи коррекции навигационного комплекса.

Во второй главе представлены определение различных систем координат и соотношения преобразований между ними, принцип работы и системная модель визуального одометра, а также представлен алгоритм обнаружения и сопоставления признаков для отслеживания особенностей на визуальных изображениях. Кроме этого, представлено моделирование модели датчиков.

В третьей главе разработаны алгоритмы коррекции навигационных комплекса планетохода.

В четвертой главе представлены результаты экспериментальных исследований разработанных алгоритмических решений.

В заключении приведены основные результаты диссертационной работы.

ГЛАВА 1. ОБЗОР СОВРЕМЕННОГО НАВИГАЦИОННОГО КОМПЛЕКСА ПЛАНЕТОХОДА

1.1 Обзор развития позиционирования и навигации планетохода

В середине 20-го века Соединенные Штаты и бывший Советский Союз начали разработку роботов для исследования планет. К настоящему времени успешно разработаны многие типы лунных и марсоходов. Среди них «Луноход-1» и «Луноход-2», спроектированные и запущенные Советским Союзом, а также «Марс-следопыт» и «Марсоход», разработанные США, успешно приземлились на планете и выполнили свои проектные задачи.

«Луноход-1» - луноход для исследования поверхности Луны, разработанный в бывшем Советском Союзе. Он успешно приземлился на поверхность Луны в 1970 году в составе космического аппарата «Луна-17». Это был первый в истории человечества луноход, который был успешно запущен и высажен на Луну.

а) б)

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

«Луноход-1» имеет общую массу 756 кг, длину 2,2 метра и ширину 1,6 метра. Основная конструкция планетохода состоит из двух частей: верхнего

отсека, на котором установлены различные электронные приборы, и нижнего шасси приборного отсека, на котором закреплены спортивные колеса. Для того чтобы предотвратить работу различных электронных приборов на лунной поверхности, которая подвержена большим перепадам температур и высокой радиации, приборный модуль герметизирован материалом из магниевого сплава. Колеса планетохода имеют независимый привод и развивают скорость от 1 до 2 километров в час. Всего на луноходе установлено шесть камер, которые обеспечивают полный обзор сигналов изображения со всех направлений движения лунохода.

«Луноход-2» также был советским зондом для исследования лунной поверхности. Он был доставлен зондом «Луна-21» и успешно приземлился на лунную поверхность в 1973 году [33, 77]. «Луноход-2» был похож на «Луноход-1», за исключением конструктивных изменений, которые увеличили скорость работы и улучшили фотографические возможности.

«Марсоход» (Mars Exploration Rover, MER) - это разработанный американцами марсоход, состоящий из двух аппаратов, названных Courage и Opportunity, основной миссией которого является поиск доказательств наличия воды на Марсе. Основной миссией марсохода является поиск доказательств существования воды на Марсе, и он был успешно запущен в 2003 году. Основными датчиками марсохода этого типа являются фотоаппараты, видеокамеры и солнечные сенсоры. Автономное позиционирование, планирование траектории и научные наблюдения марсохода осуществляются благодаря данным, получаемым и обрабатываемым камерой. Камера в основном предназначена для обхода препятствий, а солнечный сенситайзер также используется для навигации и позиционирования.

Рис. 1.2. Марсоход для исследования Марса (MER)

В 2011 году НАСА успешно запустило марсоход Любопытство. Это первый марсоход с ядерным двигателем, предназначенный для исследования наличия элементов жизни на Марсе. На его борту установлены современные навигационные датчики и электронное оборудование для определения состава атмосферы, адреса и изменения климата. Любопытство - самый совершенный марсоход из когда-либо запущенных на поверхность Марса.

Рис. 1.3. Марсоход Любопытство

Первый китайский луноход Юйту (Рис. 1.4) успешно совершилпосадку 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) [100].

Рис. 1.4. Луноход Юйту

Планетоходы и навигационные системы, которые успешно провели зондирование планеты, как показано в таблице

Табл. 1.1 Планетоходы и навигационные системы, которые были успешно

запущены

Планетоход Масса Навигационная система Общий пробег

Луноход-1 (1970, СССР) 756 кг 1 основная камера + 2 вспомогательные камеры 10.5 км

Луноход-2 (1973, СССР) 3 камеры + 1 лазерный дальномер 39 км

Лноход Юйту 136 кг 1 бинокулярная навигационная камера + 1 114 м

(2013, Китай) бинокулярная панорамная камера + 1 бинокулярная камера предотвращения препятствий + 1 лунный радар

Соджорнер (1996, США) 11.5 кг 3 камеры + 5 лазерных излучателей + 1 колесный энкодер + 1 3-осевой инерциальный измерительный блок (1Ми) 100 м

Оппортьюнит и / Спирит (2004, США) 185 кг 1 бинокулярная панорамная камера + 1 бинокулярная навигационная камера + 2 бинокулярные камеры для обхода препятствий + 1 набор 3-осевых 1Ми 45 км

Кьюриосити (2012, США) 899кг 1 бинокулярная панорамная камера + 2 бинокулярные навигационные камеры + 4 бинокулярные камеры для обхода препятствий + 1 трехосный 1Ми + 2 солнечных датчика 18.13 км

1.2 Состояние исследования автономной навигации планетохода

Автономные задачи для наземных мобильных роботов уже давно являются актуальной темой исследований в сообществе компьютерных наук. Применение информации от нескольких датчиков в мобильных роботах неразрывно связано с развитием одновременной локализации и картографирования (SLAM) -проблемы, которую можно кратко сформулировать как проблему размещения робота в неизвестной среде и использования измерительной информации от датчиков для его собственной локализации и описания окружающей среды [10, 32 50]. В работе [31] создали первоначальную основу для навигации мобильных роботов в 1980-х годах и предложили навигационный алгоритм KF-SLAM на основе фильтра Калмана, который был рассмотрен в работе [88]. В 2002 году в работе [66] предложили знаменитый алгоритм Fast-SLAM, который выдвинул идею использования фильтра частиц для оценки состояния робота, расширения

фильтра Калмана для оценки характеристик карты и использования в структуре для отнесения оценки карты с помощью EKF к одной частице. В 2003 году в работе [65] усовершенствовали алгоритм Fast SLAM и предложили ввести функцию плотности вероятности (PDF) для переназначения весов в процессе предсказания состояния, и новый алгоритм Fast SLAM 2.0 может достичь лучших результатов оценки даже при использовании одной частицы. Алгоритм SLAM может построить 3D-карту внешнего мира и полагаться на многократное повторное посещение объектов для контроля кумулятивной ошибки, что позволяет точно определять местоположение, что потенциально ценно для задач навигации при блуждании [23]. По сути, SLAM не предполагает активного получения внешней информации, а полученные характеристики в основном формируются на основе пассивного принятия, что не отвечает потребностям будущих планетоходов в гибкости для автономного планирования маршрутов научных исследований. С непрерывным развитием искусственного интеллекта автономное планирование траектории для роботов (ASLAM) постепенно становится горячей точкой исследований [24, 55].

Исходя из различных целей, исследования алгоритма ASLAM, проведенные отечественными и зарубежными учеными, также отличаются большим разнообразием. Показательным примером является пионерская работа [28] по ASLAM в 2002 г. Считая, что полнота функции плотности вероятности состояния (PDF) может быть представлена с помощью энтропии Шеннона, работа [28] предлагает регулировать наведение оптических сенситивов для улучшения полноты оценки PDF состояния для прогнозирования состояния. Использование регулировки наведения оптических сенситивов предлагается для улучшения полноты оценки PDF состояния для предсказания состояния. После этого многие ученые исследовали планирование пути на основе теории информации [18, 80, 90], в работе [52] создание более точных карт за цель оптимизации и вводят обучение с применением подкрепления в рамки SLAM, во-первых, несколько узлов устанавливаются на пути, и пути между узлами преобразуются в задачу

планирования пути на основе оптимума информации энтропии Шеннона, и задача планирования пути решается алгоритмом обучения с подкреплением. В работе [93] разработали алгоритм управления ASLAM для монокулярных камер, который оптимизирует расширение зоны обхода мобильных устройств в сочетании с созданием точных карт. В работе [47] применили задачу ASLAM к управлению источниками радиосигналов по характеристикам возможностей. И применили задачу ASLAM к созданию карты оппортунистических особенностей для источников радиосигналов и предложили одношаговый алгоритм планирования пути. В последующей работе [46] псевдодальномеры были преобразованы в аффинное пространство для рекурсивного процесса объема управления относительно состояния, а оригинальный поиск оптимизированного решения был преобразован в типичную выпуклую задачу оптимизации, что значительно улучшило производительность оригинальной оптимизации. в типичную выпуклую задачу оптимизации, что существенно снижает вычислительные усилия.

Будущие миссии по исследованию планетарных марсоходов потребуют не только более высокой точности навигации и более точных карт, но и значительно большей гибкости в исследовании, чтобы своевременно открывать более ценные с научной точки зрения области. Современные алгоритмы автономного планирования ориентированы на безопасность, например, в Phoenix и Mars Science Laboratory используются бинокулярные камеры для получения данных о высоте, на основе которых определяются скалы и препятствия на склонах для планирования траекторий уклонения [23], но по мере того, как надежность аппаратуры планетоходов повышается шаг за шагом, требования к автономности будущих исследовательских миссий планетоходов неизбежно будут расти.

Кроме того, некоторые ученые распространили планирование автономии на восприятие реальных объектов. В 1988 году в работе [78] предложили регулировать внутренние параметры стереокамеры для лучшего распознавания трехмерных объектов и создали структуру "активного восприятия" для

сенситивов. Основываясь на этой структуре, работа [75] предложил постоянно регулировать разрешение и апертуру камеры для достижения наилучшей реконструкции поверхности объекта. В отличие от работ [78], работа [75] предлагает максимизировать «информационный выигрыш» для достижения цели распознавания, где информация, упомянутая здесь, соответствует некоторой метрике плотности распределения вероятности, которая может изобразить категоризацию распознаваемого объекта. После этого появилось множество исследований по активному восприятию на основе информационного выигрыша [8, 20, 39, 48]. В работе [42] классифицировал такие проблемы в своей диссертации и указал, что внутрипараметрическое планирование для активного восприятия чувствительностей (часто называемых камерами) можно разделить на два режима: первый заключается в оптимизации информационного выигрыша только для следующего шага планирования, что можно классифицировать как жадную стратегию. В первом случае оптимизируется только информационный выигрыш следующего шага планирования, что также можно классифицировать как жадную стратегию, а в другом - учитывается общий информационный выигрыш от будущего многошагового планирования за счет постоянного взаимодействия с внешним миром. В сравнении, второй алгоритм достигает лучших результатов распознавания в ущерб вычислительной эффективности. Первая стратегия более близорука, но более эффективна с вычислительной точки зрения. Для второй стратегии, в работе [9] разработали полный алгоритм планирования пути для активного планирования сенситива с использованием алгоритма динамического планирования на основе точки интегрирования, который учитывает стоимость управления сенситивом и информационный выигрыш, и достигли лучших результатов активного распознавания объектов на сегодняшний день.

Все предыдущие миссии по исследованию Марса (MER, Phoenix, MSL) использовали трехрежимное переключение. Использование визуальной информации в основном отражено в режиме «Визуальная одометра», который

формирует стереоизображения с бинокулярных камер для обнаружения трехмерных объектов и вычисляет информацию о местоположении марсохода на основе отслеживания одноименных характерных точек; при местность относительно пересеченная, режим обхода препятствий также будет использоваться для обнаружения препятствий и планирования безопасных путей [22]. Из-за ограничений встроенного процессора текущая скорость обработки визуальной информации марсоходом не может достичь уровня реального времени. Помимо режима слепого движения, два других режима требуют от марсохода непрерывного переключения в «режиме остановки и движения», хотя вычислительная мощность ЦП марсохода MSL в 10 раз выше, чем у марсохода MER Spirit (изменено 25 МГц). до 250 МГц), по-прежнему существует значительный разрыв между вычислительными мощностями ЦП наземных мобильных устройств. Будущие миссии по исследованию Марса будут сосредоточены на повышении точности навигации и возможностях автономного исследования Марса и будут оснащены процессорами с более мощными вычислительными возможностями. Как улучшить точность автономной навигации планетарного патрулирования и исследовательских миссий, а также гибкость миссий, будет в центре внимания текущих и будущих исследований.

1.3 Обзор объединения датчиков с несколькими источниками

Структуры обработки объединения данных

Объединение данных может уменьшить потерю информации обнаружения от всех или отдельных датчиков и повысить производительность интеллектуальных систем обнаружения с несколькими датчиками. В мультисенсорной системе объединения данных с точки зрения связи информационного потока между датчиками и центром объединения структура объединения информации состоит из четырех форм: параллельного, последовательного, последовательно-параллельного гибридного и сетевого типа [97, 102]. Параллельная и последовательная структура показаны на рисунках 1.5 и

1.6. Метод объединения данных последовательных мультисенсоров сначала объединяет информацию двух датчиков, а затем продолжает объединять результат объединения с данными, собранными другим датчиком. Этот метод продолжается последовательно до тех пор, пока данные, собранные всеми датчиками, не будут объединены. завершенный. При использовании последовательного объединения структур один датчик не только выполняет функцию приема информационных данных и обработки информационных данных, но также имеет функцию объединения информации. Данные, обрабатываемые каждым датчиком, имеют тесную связь с формой вывода информации Датчик верхнего уровня. После того, как последний датчик объединит информацию, выдаваемую всеми предыдущими датчиками, полученный выходной результат станет заключением системы последовательного объединения структур. Следовательно, в случае последовательного комплексирования выходные данные датчика верхнего уровня оказывают большое влияние на структуру выходных данных датчика следующего уровня.

Рис. 1.5. Последовательная структура объединения данных

Параллельное объединение данных нескольких датчиков означает, что данные, выводимые всеми датчиками, будут вводиться в центр объединения одновременно. Каждый датчик независим друг от друга. Центр обработки объединения будет принимать соответствующие меры для различных типов данных. всесторонне обработать и, наконец, вывести результат комплексирования. Поэтому в случае параллельной сварки выходные результаты всех датчиков не будут влиять друг на друга.

Рис. 1.6. Параллельная архитектура объединения данных

Мультисенсорное объединение информации последовательно-параллельной гибридной структуры представляет собой структуру, которая сочетает в себе параллельный тип и последовательный тип. Она может быть соединена сначала последовательно, а затем параллельно или сначала параллельно, а затем последовательно. Структура объединения информации датчиков сетевого типа является относительно сложной, и центр объединения информации каждого субданных рассматривается как узел в сети. Его вход может включать в себя вывод информации другими узлами или потоки данных датчиков. Его конечный

результат может быть не только выходом определенного центра комплексирования, но также выходом нескольких центров комплексирования. Окончательный вывод состоит в том, что вся выходная информация является комбинацией.

Ситуации реализации слияющей обработки различны в процессе реализации. По этой причине кто-то дал концепцию общей структуры обработки. Хейстранд описывает три структуры: распределенную структуру, централизованную структуру и гибридную структуру. Различные структуры обработки также обрабатывают разные объекты. Объект обработки, на который нацелена структура централизованной обработки, представляет собой исходную информацию данных, полученную датчиком; в то время как объект, обрабатываемый структурой распределенной обработки, представляет собой предварительно обработанную информацию локальных данных; для объекта обработки гибридной структуры имеются как исходные данные, так и информация. также содержит предварительно обработанную информацию о данных. В централизованной структуре системы отчеты об обнаружении, записанные каждым датчиком, будут напрямую передаваться в центр синтеза, где данные будут выровнены и связаны между собой, а траектория будет фильтроваться, прогнозироваться и отслеживаться. Потери информации в структуре централизованной системы относительно невелики, но эта структура предъявляет относительно высокие требования к коммуникационным возможностям системы, и вычислительная нагрузка центра комплексирования будет более тяжелой. Кроме того, снизится живучесть системы. Схема структуры централизованной системы представлена на Рис

Рис. 1.7. Архитектура системы централизованного синтеза

В распределенной структуре комплексирования, прежде чем отчеты об обнаружении каждого датчика будут отправлены в центр комплексирования, данные сначала обрабатываются собственным процессором для создания локальной траектории отслеживания нескольких целей. Затем обработанные данные отправляются в центр объединения, который выполняет корреляцию дорожек и объединение дорожек для формирования глобальной оценки. По сравнению с централизованными системами распределенные конвергентные системы дешевле, но имеют более высокую надежность и меньший объем связи. Распределенная структура комплексирования показана на Рис

Рис. 1.8. Архитектура системы распределенного синтеза

Гибридные термоядерные системы сохраняют преимущества обеих систем. Однако за него приходится платить высокую цену за информацию и расчеты, но у него есть преимущества, с которыми не могут сравниться централизованные и распределенные системы. Поэтому в практических приложениях часто используется такой тип структуры системы. Структура гибридного комплексирования показана на Рис

Рис. 1.9. Архитектура системы гибридного синтеза

Описание уровня объединения данных

По сравнению с системами объединения данных с несколькими датчиками, все методы обработки сигналов с одним датчиком или методы обработки данных с несколькими датчиками более низкого уровня представляют собой низкоуровневую имитацию обработки информации человеческим мозгом. Они не могут быть похожими на системы объединения информации с несколькими датчиками. можно эффективно использовать разнообразные сенсорные ресурсы. Однако мультисенсорная система объединения данных сможет в большей степени получать соответствующую информацию между обнаруженной целью и окружающей средой. Существует существенное различие между мультисенсорным объединением информации и другими классическими методами обработки сигналов. Ключевым моментом является то, что мультисенсорная информация, подлежащая обработке посредством объединения данных, имеет более сложную и разнообразную структуру формы и может

появляться на разных информационных уровнях. к системе комплексирования. С точки зрения уровня абстракции данных слияние можно разделить на три уровня: слияние на уровне данных, слияние на уровне решений и слияние на уровне функций.

Объединение на уровне данных — это самый низкий уровень объединения данных, используемый для обработки однородных данных. Он напрямую объединяет информацию, собранную датчиками, и выполняет извлечение признаков и принятие решений на основе результатов объединения. Преимущества этого метода обработки комплексирования: меньшая потеря данных, он может предоставить тонкую информацию, которую не могут предоставить другие уровни комплексирования, и имеет высокую точность. Он имеет следующие ограничения:

(1) Поскольку объем информации, которую необходимо обработать во время объединения на уровне данных, очень велик, стоимость обработки будет высокой, время будет относительно длительным, а производительность обработки в реальном времени будет низкой;

(2) Поскольку место, где выполняется объединение, представляет собой самый низкий уровень информации, объединение должно иметь высокие возможности обработки исправления ошибок, чтобы решить проблему неопределенности, нестабильности и неполноты информации датчиков.

(3) Объединение на уровне данных требует, чтобы обрабатываемые данные поступали от датчиков одного и того же типа;

(4) Большой объем передачи данных и плохая защита от помех;

Рис. 1.10. Объединение данных на уровне данных

Объединение на уровне данных часто используется в области составления изображений из нескольких источников, прямого синтеза аналогичных радиолокационных сигналов, а также анализа и понимания изображений. Метод объединения на уровне данных показан на Рис

Признаки используются для представления поведения, производительности и функций объекта исследования, тем самым делая его похожим или отличающимся от других объектов. Так называемый метод объединения на уровне объектов предполагает сначала извлечение набора информации о признаках из исходных данных, собранных каждым датчиком, а затем объединение каждого набора информации о признаках. Слияние на уровне функций отличается от того, что мы обычно называем принятием решений по множеству атрибутов. Обычно оно включает в себя следующие три этапа:

(1) Сначала сопоставьте атрибуты, содержащие измерения, с интервалом [0, 1], чтобы создать безразмерную величину. Эта безразмерная величина используется для сопоставления достоверности каждого атрибута;

(2) Во-вторых, информация, отражающая степень доверия каждого атрибута, объединяется в соответствии с конкретными правилами объединения для получения количественного результата, который может отражать степень доверия каждой альтернативы;

(3) Наконец, по результатам комплексирования принять окончательное решение.

Среди трех вышеуказанных шагов второй шаг является наиболее важным. Первый шаг является ключевой проблемой, с которой сталкиваются в практических приложениях. Он не имеет фиксированного шаблона, которому нужно следовать, но представляет собой проблему, тесно связанную с конкретным приложением и зависящую от конкретной ситуации; второй шаг тесно связан с первым шагом. Несмотря на то, что сегодня существует множество методов, которые можно использовать для объединения атрибутов, все они должны основываться на результатах, полученных на первом этапе. Как показано на Рис

Рис. 1.11. Синтез на уровне признаков

Объединение на уровне признаков состоит из двух типов объединения информации о целевых функциях и информации о целевом состоянии. Обычно

используемые методы объединения информации о целевых признаках в основном включают в себя: искусственную нейронную сеть, ближайшего соседа К-порядка, метод кластеризации со сжатием признаков и метод параметрического шаблона и т. д. Это проблема в области распознавания образов, в то время как объединение информации о целевом состоянии в основном использует Математические методы включают в себя: интерактивный метод нескольких моделей, фильтр Калмана, совместную вероятностную ассоциацию данных, метод нескольких гипотез и теорию последовательной обработки.

Объединение на уровне решений — это самый высокий уровень объединения данных. Его принцип заключается в предварительной обработке данных от различных датчиков с помощью механизма предварительной обработки, а затем принятии независимых решений по измеряемой цели, а затем объединении информации каждого независимого принятия решения. Получаемый окончательный результат принятия решения имеет общую последовательность.

Методы, обычно используемые при слиянии на уровне решений, включают: теорию доказательств D-S, байесовские рассуждения, теорию нечетких рассуждений и экспертные системы. Результат получается путем трехуровневого комплексирования. Поскольку оно нацелено на конкретную цель, результат комплексирования на уровне решения будет иметь прямое влияние на точность принятия решений. Объединение на уровне принятия решений сначала включает в себя обработку каждым датчиком своих собственных данных и принятие решений, а затем, наконец, передачу соответствующих результатов объединения в центр объединения для принятия локальных решений по объединению. Из-за больших потерь объединенных данных на уровне принятия решений это неизбежно приведет к снижению точности. датчики одного типа, стоимость обработки ниже и т. д., как показано на Рис

Рис. 1.12. Синтез на уровне принятия решений

Объединение на уровне решений и на уровне признаков не требует, чтобы датчики были одного типа. Кроме того, поскольку алгоритмы комплексирования на разных уровнях имеют свои преимущества и недостатки, разработка эффективных стратегий комплексирования локальных датчиков, а также оптимизация правил комплексирования в центре комплексирования информации необходимы для повышения точности техники комплексирования, а также скорости объединения.

Сравнение признаков для каждого уровня комплексирования показано в таблице

Табл. 1.2 Сравнение различных уровней комплексирования

Особенность Уровень данных Уровень признаков Уровень решения

Количество Крупный Средний Малый

Информации

Потеря Информации Малый Средний Малый

Антиинтерференционна Слабый Средний Мощный

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы планирования маршрута планетохода и коррекции навигационного комплекса»

я Способность

Отказоустойчивость Слабый Средний Мощный

Точность Высокий Средний Слабый

Сложность Алгоритма Высокий Средний Слабый

1.4 Обзор типов датчиков для восприятия окружающей среды

Транспортные средства воспринимают окружающую обстановку с помощью различных типов датчиков, и результаты их восприятия напрямую влияют на принятие решений, планирование и управление системой автономного вождения. В соответствии с различными типами датчиков и их содержанием, они в основном делятся на визуальные датчики, датчики расстояния и датчики положения.

Датчик технического зрения

Визуальный датчик — это датчик, который может пассивно улавливать свет (электромагнитные волны) в сцене и записывать его в виде изображения. В широком смысле устройства, которые могут записывать определенную информацию об электромагнитных волнах в виде изображений, можно назвать визуальными датчиками, такими как рентгеновские аппараты, сканеры, камеры и т. д. Что касается автономного вождения, то это в основном относится к различным типам камер. В качестве основы компьютерного зрения в настоящее время камеры являются наиболее широко используемыми датчиками в области автономного вождения. В частности, камеры видимого света уже давно составляют основу сенсорных систем из-за их большого разрешения изображения, насыщенных цветов и текстур, большого расстояния срабатывания, низкой стоимости и небольшого размера. Однако камеры видимого света могут воспринимать только видимую часть сцены, что делает их более чувствительными к условиям освещения и затрудняет получение информации о сцене в переэкспонированных или темных условиях. Чтобы решить эту проблему, в некоторых системах используются камеры ближнего инфракрасного диапазона и тепловизионные камеры, на которые слабо влияет свет, чтобы улучшить возможности восприятия системы в неблагоприятных условиях освещения [17, 29, 41, 49].

Рис. 1.13. Американский план Марса на 2020 год — система зрения марсохода

Во многих случаях система восприятия должна быть в состоянии предоставлять изображения различных спектров, выровненных на уровне пикселей. В настоящее время обычно существует три стратегии обработки: одна -использовать коммерчески доступную мультиспектральную камеру (мультиспектральную камеру) или гиперспектральную камеру (гиперспектральная камера) со сложной системой кооптического пути (гиперспектральная камера), но такие камеры часто очень дороги и содержат спектральные диапазоны, которые могут не соответствовать требованиям применения. Второй заключается в получении соответствий пикселей из данных изображения, одновременно собранных системой мультиспектрального сбора данных, а затем генерации выровненных на уровне пикселей мультиспектральных или гиперспектральных изображений; однако этот метод требует, чтобы каждое сопоставляемое спектральное изображение содержало достаточную текстуру в соответствующей позиции. Информация, что это требование сложно выполнить в условиях ограниченной освещенности. В-третьих, создать систему с кооптической осью, основанную на принципе светоделения светоделителя [13, 26,

34, 43, 44, 69, 85, 86]. Однако существующие гибридные камеры с кооптической осью включают в себя огромную платформу регулировки, а компоновка системы требует много места, что делает гибридную систему Камеру сложно использовать на автономных транспортных средствах.

В дополнение к собранным сегментам спектра иногда система автономного вождения также выдвигает различные требования к сбору данных для камер, например, камеры дальнего действия, используемые для получения четких целей на больших расстояниях, и широкоугольные камеры, используемые для обеспечения размера поле зрения. Поскольку поле зрения одной камеры в конечном итоге ограничено, чтобы получить более широкое поле зрения, несколько камер также можно расположить вокруг оси и снимать от оси, чтобы сформировать широкоугольную/панорамную камеру, захваченные каждой камерой. После сшивания получается широкоугольное/панорамное изображение [76]. Другая операция для получения большого поля зрения - поместить перед камерой выпуклое зеркало, чтобы окружающая сцена могла отражаться в камере [12]. Однако этот метод приводит к тому, что проекция самой камеры появляется в центре изображение, тратя ограниченное пространство изображения. Кроме того, две камеры, размещенные параллельно, также могут образовывать стереокамеру. Соответствующий параллакс получается путем сопоставления признаков каждого пикселя, а значение глубины и соответствующие трехмерные координаты пикселя получаются путем объединения внутренних и внешних параметров [53]. Поскольку вычисление несоответствия ограничено внешним видом элементов изображения, чтобы обеспечить успешное сопоставление в сценах без текстуры, некоторые продукты также добавляют функции проецирования узоров в ближнем инфракрасном диапазоне для увеличения текстуры сцены; однако, учитывая проблему отражения сигналов ближнего инфракрасного диапазона, Этот метод применим только к сценам в помещении.

В последние годы, с увеличением требований к приложениям, появились некоторые новые типы камер, такие как: камеры событий, которые фиксируют изменения яркости пикселей на локальных участках [73, 106]. Поляризационные

камеры, которые фиксируют свойства оптической поляризации [35, 101, 112]. Кроме того, с развитием глубокого обучения модули сетевых вычислений теперь также развертываются на камерах, что позволяет глубоким нейронным сетям работать на камерах для обеспечения обнаружения, распознавания и других функций.

Дальномер

В отличие от визуального датчика, будучи активным датчиком, датчик расстояния сначала должен излучать специальный сигнал, который возвращается при встрече с препятствием и принимается приемником сигнала датчика. Путем расчета разницы во времени между излучаемым сигналом и полученным сигналом, получается Расстояние препятствия от датчика. В зависимости от различных используемых сигналов обычные датчики расстояния, устанавливаемые на транспортном средстве, можно разделить на ультразвуковые радары, радары миллиметрового диапазона и лидары.

Ультразвуковой радар, также известный как сонар, определяет расстояние до препятствий путем передачи и приема ультразвуковых волн и расчета разницы во времени между передачей и приемом. Хотя ультразвуковой радар имеет преимущества: он небольшой, дешевый и простой в установке, его поле зрения и дальность обнаружения невелики, на точность его измерений легко влияют температура, влажность, плотность и другие условия воздуха, а также его энергия. затухание велико, поэтому оно распределяется по передней и задней части автомобиля, а также по левой и правой сторонам.

Радар миллиметрового диапазона относится к радару, который излучает и принимает электромагнитные волны длиной 1 мм -10 мм. Устройство компактно, легко интегрируется и собирается, а на сбор данных не влияют факторы окружающей среды, такие как освещение и погода. Оно обладает сильной проникающей способностью и подходит для использования в любую погоду. Кроме того, миллиметровые волны радар может не только использовать разницу во времени между передачей и приемом сигналов для получения информации о

расстоянии до объекта, для получения информации об угле используется разность фаз между передаваемым и полученным сигналами, а также относительная скорость движения объекта. быть получена за счет эффекта Доплера, который позволяет использовать радар миллиметрового диапазона для обнаружения относительно движущихся целей [92]. Однако недостатки радара миллиметрового диапазона также очевидны: во-первых, он не способен воспринимать информацию о высоте, а данные обычно содержат только двумерные координаты места происшествия; во-вторых, на него влияют характеристики распространения и рассеяние электромагнитные волны, которые могут создавать ложные цели; в-третьих, он чувствителен к неподвижным объектам и неметаллическим объектам, имеет низкое разрешение и не умеет оценивать препятствия небольшого размера. Поэтому его обычно используют для обхода препятствий, распознавания и отслеживания объектов, позиционирования и построения карт и т. д.

LiDAR (Light Detection and Ranging, LiDAR) - новинка в современных системах автономного вождения. Он излучает лазерный луч в определенном диапазоне волн (обычно 905 нм, 1064 нм или 1550 нм в инфракрасном диапазоне), отражает его обратно в приемник лидара после встречи с препятствием и рассчитывает расстояние до препятствия с помощью метода времени полета [92]. По сравнению с ультразвуковым радаром и радаром миллиметрового диапазона лидар обладает преимуществами получения высокоточных трехмерных облаков точек, сильной защитой от помех, большим полем зрения и сбором данных, не ограниченным условиями освещения. Однако очевидны и недостатки. Лазер не обладает дифракционной способностью, чувствителен к дождю, снегу и дыму, легко рассеивается. Радар собирает большие объемы данных, что требует высоких требований к передаче и хранению данных. Высокая цена продукта, что ограничивает сферу использования. Традиционный лидар (такой как Velodyne HDL-32) в основном является механическим, основанным на механическом вращении матрицы датчиков с фиксированным лазерным лучом для достижения измерений в большом поле зрения; однако этот тип радара громоздкий, большой и

механически трудный в использовании. Он вращается с большой скоростью, легко повреждается и дорог, что серьезно затрудняет его применение. В настоящее время основным продуктом является гибридный твердотельный лидар. Он устраняет сложную механическую конструкцию и использует гальванометры MEMS, вращающиеся зеркала, призмы и другие технологии для отражения лазерного луча в разные места. ракурс для завершения сканирования сцены. Полностью твердотельный лидар, или ToF-камера, представляет собой будущее направление развития лидара. Он полностью отказывается от вращающегося механизма и не подвержен влиянию ударов. Он может обеспечить одновременный сбор данных, небольшой размер и высокую частоту; однако он также имеет ограниченные возможности точность сканирования и сложная обработка., низкое энергопотребление и другие проблемы; большинство продуктов подходят только для внутренних автономных транспортных средств. Кроме того, учитывая взаимодополняющую связь между датчиками зрения и датчиками расстояния, некоторые продукты интегрируют камеры видимого света с лидаром и предоставляют параметры калибровки, что значительно снижает сложность сбора мультимодальных данных.

Датчики положения

Датчики положения - это датчики, используемые для получения информации о положении и ориентации автономных транспортных средств. Инерциальный измерительный блок (IMU), являющийся ядром инерциальной навигационной системы (INS), представляет собой наиболее представительный датчик положения. Современные IMU основаны на микроэлектромеханической системе (MEMS), которая широко используется благодаря высокой степени интеграции, компактной и легкой конструкции, низкой цене, высокой частоте сбора данных, а также сбору данных на основе собственной инерции без влияния внешней среды [57, 87, 95]. IMU обычно содержит трехосевой гироскоп и трехосевой акселерометр, где гироскоп используется для получения угловой скорости, а акселерометр - ускорения [95]. INS может обеспечить текущее

относительное положение транспортного средства путем интегрирования данных, собранных IMU; однако из-за существования смещения ошибки, ошибка растет с ростом времени интегрирования, что приводит к искажению результатов оценки отношения. Результаты оценки ориентации искажаются [57, 83]. Другим важным устройством оценки ориентации является Глобальная навигацио8нная спутниковая система (ГНСС), которая использует созвездие космических спутников, вращающихся вокруг Земли, для обеспечения земных устройств приема сигнала информацией об их положении на Земле [105]. В настоящее время поставщиками ГНСС являются в основном американская Глобальная система позиционирования (GPS), российская ГЛОНАСС, европейская GALILEO и китайская Beidou (BDS). Однако использование ГНСС для получения информации о местоположении зависит от приема спутниковых сигналов, а когда спутников недостаточно или когда прием спутниковых сигналов невозможен (например, в лесистой местности, на открытом воздухе с плотной застройкой и в закрытых помещениях), ГНСС не может предоставить информацию о местоположении. Поэтому в области автономного вождения ИНС и ГНСС обычно используются вместе, образуя комбинированную навигационную систему ГНСС/ИНС для достижения дополнительных функций [19].

1.5 Задачи и методы коррекции навигационного комплекса

Алгоритм «одновременной локализации и построения карты (SLAM)» для мобильных роботов был предложен в работе [54] в 1991 году. Благодаря его преимуществам, заключающимся в одновременном достижении позиционной локализации и моделировании карты окружающей среды, большое количество исследовательских институтов в стране и за рубежом провели большое количество исследований по аспектам навигации и локализации, построения карты и объединения данных в алгоритмах SLAM. В настоящее время результаты большинства исследований основаны на использовании роботов в статичных средах и априорных знаниях об окружающей среде. В практических приложениях,

таких как подводные роботы, беспилотные летательные аппараты и марсоходы, окружающая среда, как правило, является неизвестной динамической средой, что выдвигает более высокие требования к алгоритмам SLAM. Недавние прорывы в области обработки информации и искусственного интеллекта обеспечили поддержку будущих исследований SLAM в неизвестных динамических средах.

Суть задачи мультиисточникового комплексирования SALM для мобильных роботов заключается в наблюдении характеристик окружающей среды с помощью имеющихся у них датчиков, построении картографической модели окружающей среды и использовании построенной карты для собственной релокации. Среди проблем, возникающих в процессе моделирования окружающей среды, -описание различных типов карт, создание моделей сенсоров и описание различных метрик созданных карт. Растровые карты, геометрические карты и топологические карты являются наиболее распространенными картами в алгоритмах SLAM. Среди них растровая карта описывает окружающую среду путем визуализации геометрических особенностей растровой местности, классический метод растровой карты предложен в работе [67]. Конкретный метод заключается в том, что окружающая среда делится на несколько равных по размеру растров. После этого робот посещает и наблюдает за окружающей средой и устанавливает различные характеристики каждого растра, такие как шероховатость, уклон, высота и т. д. Эти характеристики используются для анализа окружающей среды. Эти свойства используются для анализа доступности растра и позволяют роботу избегать препятствий. Геометрические карты - это метод визуального описания рельефа окружающей среды путем сведения его к геометрическим характеристикам, распространенным методом которого является полигональное описание рельефа пространственной среды, предложенное в работе [21] геометрические карты, созданные с помощью полигонального метода, имеют преимущества компактного описания карты и высокой вычислительной эффективности по сравнению с другими методами. Однако он требует дополнительной обработки данных датчиков. Топологические карты являются

продолжением геометрических карт. Они представляют топографию окружающей среды через дуги и узлы, где узлы представляют промежуточные точки пути для планирования маршрута, а дуги - навигационную информацию от одной точки пути к другой.

Когда мобильные роботы используют датчики или рекурсию состояний для навигации и локализации, возникает дисперсия ошибок, приводящая к снижению точности локализации. Эти дисперсии вызваны неопределенностью системы, включая накопление ошибок в процессе позиционирования, случайные шумы блуждания датчиков и внезапные изменения динамики окружающей среды. Существует несколько методов решения проблемы дисперсии ошибок позиционирования:

(1) Локализация с помощью фильтра Калмана (KF). Этот метод представляет собой линейный дискретный фильтр оценки состояния, который позволяет получить оптимальную оценку положения робота по наблюдаемым данным системы. В этом методе предполагается, что шум модели состояния системы, шум измерений датчиков и шум объема управления удовлетворяют гауссовскому распределению. Однако на практике большинство моделей движения робота и моделей наблюдения являются нелинейными и непрерывными, поэтому необходимо использовать расширенный фильтр Калмана (EKF) [58, 70, 103], который аппроксимирует нелинейную систему с помощью члена первого порядка разложения Тейлора и может получить более точные результаты оценки положения, чем KF при нелинейном оценивании состояния. Однако при использовании EKF в процессе позиционирования возникает ошибка нелинеаризации процесса линеаризации, что приводит к несогласованности результатов оценки, и это проблема, которую необходимо решить при использовании EKF для реализации процесса SLAM. В последние годы интенсивно изучаются алгоритмы SLAM, основанные на EKF и алгоритмах с Сигма-точечным фильтром Калмана (UKF) [74, 99, 103, 111].

(2) Локализация по нескольким гипотезам. Используются несколько оценок, удовлетворяющих гауссовскому распределению вероятности, чтобы сделать предположения о локализации, и используется взвешенная сумма каждой оценки для получения окончательного значения вероятности для данной оценки. Наконец, вектор состояния с наибольшим значением взвешенной суммы вероятностей выбирается в качестве расчетного значения результата.

(3) Локализация с помощью фильтра частиц (PF). Этот метод также является апостериорной оценкой вероятности, основанной на байесовском оценивании, где для аппроксимации состояния используются негауссовские распределенные случайные выборки, за которыми следует взвешивание для определения окончательного распределения вероятности вектора состояния. Этот метод широко используется для оценки локализации нелинейных систем с негауссовскими распределениями шумовых ошибок. За последние несколько лет исследования алгоритмов SLAM с фильтром частиц были сосредоточены на быстрой SLAM с использованием фильтров роя частиц, и был достигнут ряд результатов [51, 65, 66, 98, 104].

Пары мобильных роботов обычно оснащены различными датчиками, которые могут использоваться для локализации и определения местоположения в окружающей среде. Датчики, обычно используемые в процессе SLAM, включают: (1) измерение скорости, смещения и ускорения робота. Обычно это одометры, гироскопы, акселерометры и т. д.; (2) наблюдение за окружающей обстановкой и относительным движением робота. Например, GPS, радар, лазерные дальномеры и камеры. Эти данные наблюдения используются в качестве основной информации для завершения позиционирования робота, а также построения карты. Поэтому точность наблюдения датчиков полностью определяет эффективность процесса оценки SLAM. На самом деле данные, наблюдаемые этими датчиками, обычно подвержены неопределенности наблюдения. Эти неопределенности приводят к большим ошибкам в процессе самолокализации и построения карты. Точное моделирование неопределенности ошибки наблюдения

и ее полная обработка являются ключевыми и сложными моментами в реализации построения карты в процессе SLAM для мобильных роботов. Теория вероятностей, нечеткая логика, нейронные сети и другие методы могут точно смоделировать неопределенность и эффективно справиться с ней, что является горячей точкой исследования в построении карт в процессе SLAM [63, 72].

Проблема комплексирования информации из нескольких источников также включает в себя корреляцию и сопоставление данных. Корреляция данных - это сопоставление наблюдений, полученных от разных датчиков в одно и то же время и в одном и том же месте или от одного и того же датчика в разное время и в разных местах. Одним из наиболее распространенных алгоритмов объединения данных является алгоритм объединения данных ближайших соседей. Этот алгоритм использует расстояние Махаланобиса для выполнения единственного теста на совместимость, чтобы получить результат объединения. Процесс заключается в вычислении расстояния Махаланобиса от текущей точки признака до всех точек признака на целевой карте, а затем выборе точки признака с наименьшим расстоянием, удовлетворяющей пороговому условию, в качестве соответствующего лучшего признака ассоциации [27]. Алгоритм объединения данных ближайших соседей менее стабилен и имеет большую неопределенность ассоциации, особенно при больших возмущениях системы. Алгоритм объединения данных совместных совместимых ограничения ветвей, по сравнению с алгоритмом ближайшего соседа, учитывает корреляцию между текущим положением бита и оценкой положения точки признака, а также совместимость каждой пары целевых точек признака. Он позволяет получить относительно высокую точность и надежность результатов объединения данных. Однако «метод совместного объединения совместимых данных» требует больших вычислительных затрат и не применим к процессу SLAM в условиях реального времени. В связи с тем, что для измерений используются инерциальные компоненты, такие как гироскопы и акселерометры, существует интегральная кумулятивная ошибка при предоставлении данных измерений. Требуется

объединение информации с измерениями от других типов датчиков, таких как лазерные дальномеры и навигационные камеры.

1.6 Постановка задачи исследования

Планетоход на самом деле представляют собой высокоинтегрированные, миниатюрные и интеллектуальные, частично или полностью автономные планетарные наземные мобильные роботы. После того, как планетарный посадочный модуль завершит миссию автономного входа, спуска и посадки, планетоход должен начать научные исследования с вмешательством человека или без него в соответствии с миссией обнаружения, поставленной на земле. Являясь одной из наиболее важных подсистем, система навигации и управления планетоходом является важной гарантией улучшения его научной отдачи, включая восприятие местности, автономное позиционирование, планирование пути и обход препятствий вблизи планетохода. В отличие от наземных мобильных роботов, характеристики навигации и управления планетоходом можно резюмировать следующим образом: 1) Большое расстояние обнаружения: задержка связи между планетоходом и наземной станцией велика. За исключением Луны, средняя задержка связи между Землей и Марса, ближайшей планеты, составляет 25 минут, а окно связи ограничено из-за вращения планет, окклюзии и т. д., что затрудняет достижение обнаружения в реальном времени из-за принятия решений человеком на наземной станции; 2) Не структурированная среда: поверхность планеты покрыта неизвестными, неопределенными и прерывистыми кратерами, оврагами и песком, что требует от планетоходов автономного восприятия многомасштабной среды при исследовании ценных научных целей; 3) Мало навигационных ресурсов: GPS, магнитометры, радио навигация по базовой станции и т.д., обычно используемые на земле, не могут быть использованы, можно использовать только астрономическую навигацию и визуальную навигацию; 4) Различные типы камер: существующие планетоходы часто оснащаются несколькими резервными

визуальными камерами для обеспечения навигации, обнаружения препятствий избегание, панорамная фотография, научный анализ и т.д., а также эффективно интегрировать соответствующие данные, чтобы избежать единичных визуальных ошибок и несоответствий и т.д., что имеет важное исследовательское значение; В данной диссертации изучаются проблемы автономного восприятия окружающей среды и навигации по позиционированию планетохода на основе объединение информации из нескольких источников, то есть использование взаимодействия нескольких датчиков для реализации восприятия окружающей среды и автономной навигации интеллектуальных планетарных транспортных средств, помогая в планировании и контроле пути, а также улучшая надежность системы, точность навигации и устойчивость к окружающей среде.

В соответствии с целью работы можно сформулировать следующие задачи исследования:

Задачи исследования:

1. Разработка алгоритма для повышения точности позиционирования планетохода в трехмерном пространстве с помощью метода комплексов датчиков и его применение к задаче адаптивного управления для процесса навигации;

2. Построение и исследование надежных алгоритмов автономной навигации и позиционирования с помощью варианты алгоритма фильтра Калмана;

3. Разработка алгоритм нелинейной оптимизации траектории планетохода на основе метода фильтра частиц по гауссовой сумме;

4. Исследование метода синтеза информации и его применение в задачах планирования маршрута и обхода препятствий во время движения планетохода.

Список литературы диссертационного исследования кандидат наук Чжан Минмин, 2025 год

/ / / /

о

10

12

14

[5]

х

10

Рис. 4.14. Квадратный корень ковариационной матриц по методу проекция

траектории на основе одометра

,-4

х ю

х 10

Рис. 4.15. Квадратный корень ковариационной матриц по методу с учетом

рельефа местности

4.3 Исследование алгоритма навигации и позиционирования при комплексировании нескольких датчиков

Предложенный в главе 3 алгоритм комплексирования информации из нескольких источников был протестирован на реальной экспериментальной платформе. Структура алгоритма позиционирования и навигации на основе синтеза информации, показана на Рис. 4.16.

Рис. 4.16. Структура алгоритма позиционирования и навигации на основе синтеза информации

План проведения практического эксперимента включал в себя следующие этапы.

1. Для управления роботом на бортовом компьютере было подготовлено соответствующее алгоритмическое обеспечение.

Управление траекторным движением робота по полигону осуществлялось с помощью стационарного компьютера и соответствующего

программно-алгоритмического обеспечения.

2. При подготовке реального эксперимента в качестве начального положения робота на полигоне была выбрана точка с известными координатами.

3. Далее был сформирован базовый маршрут движения робота по полигону.

4. В процессе выполнения реального эксперимента робот непрерывно двигался по заданному маршруту под управлением компьютеров, используя информацию от сенсоров для контроля местоположения и направления движения.

На Рис. 4.17 показана траектория движения робота, использующего метода синтеза информации.

Рис. 4.17. Обнаружение петли при движении робота на основе синтеза

информации

На Рис. 4.18 - 4.21 показаны результаты использования алгоритма комплексирования информации для решения задачи отслеживания траектории движения планетохода, что доказывает, что разработанный комплексный алгоритм может быть использован для решения задачи точного отслеживания траектории движения планетохода.

На Рис. 4.18 введены следующие обозначения: 1 - Реальная траектория планетохода; 2 - Траектории планетохода по методу EKF-SLAM с активным повторным наблюдением; 3 - Траектории планетохода на основе синтеза информации;

Рис. 4.18. Траектории движения планетохода на поверхности планет

Рис. 4.19. Траектории планетохода на различных высотах

Рис. 4.20. Траектории планетохода на различных наклонах

Рис. 4.21

Траектории планетохода на различных наклонах обилий камней

Рис. 4.22. Оценка погрешности траектории

Рис. 4.23. Оценка погрешности скорости

На Рис. 4.22 - 4.23 показаны результаты, которые сравнились оценки погрешности траектории и скорости разных алгоритмов с реальными данными, что доказывает, что точность разработанного комплексного алгоритма определения навигационных параметров повышения по сравнению с аналогом.

На Рис. 4.22 - 4.23 введены следующие обозначения: 1 - Реальная траектория планетохода; 2 - Траектории планетохода на основе синтеза информации; 3 - Траектории планетохода по методу EKF-SLAM с активным повторным наблюдением;

Рис. 4.24. Оценка относительной ошибки позиционирования в направлениях х, у,

z

На Рис. 4.24 введены следующие обозначения: 1 - Оценка относительной ошибки позиционирования по методу EKF-SLAM с активным повторным наблюдением; 2 - Оценка относительной ошибки позиционирования на основе синтеза информации.

Выводы по главе 4

1. Эффективность предложенных алгоритмов проверена с использованием математического моделирования и полунатурного эксперимента;

2. Представлены результаты экспериментальных исследований алгоритмов навигации и позиционирования планетохода. Экспериментальные результаты показывают, что по сравнению с другими алгоритмами SLAM, алгоритм EKF-SLAM после выполнения активного повторного наблюдения имеет более высокую точность оценки, и точность оценки состояния планетохода значительно улучшается.

3. Сравните эффективность алгоритмов объединения информации из нескольких источников с использованием разных алгоритмов. Экспериментальные результаты показывают, что разработанный комплексный алгоритм может быть использован для решения задачи точного отслеживания траектории движения планетохода.

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

1. Разработан алгоритм SLAM с активным повторным наблюдением, который снижает скорость роста неопределенности оценки положения за счет повторного наблюдения 3D-объектов с высокой степенью достоверности и эффективно повышает точность навигации по сравнению с аналогом-алгоритмом EKF-SLAM в среднем на 10%.

2. Разработан метод навигации по рельефу на основе фильтра частиц по сравнению с аналогом-фильтром Байеса сокращение вычисленных затрат сокращается на 20%.

3. Разработан модифицированный алгоритм фильтра частиц, работающий в реальном времени. За счет отсутствия процесса передискретизации достигается сокращение вычисленных затрат при реализации в среднем на 8-15% при сохранении точности, по сравнению с классическим алгоритмом фильтра частиц.

4. Разработана структура системы навигации на основе комплексирования визуально-инерциально-астрономических систем с использованием мультисенсорных фильтров, которая позволяет достичь повышение точности позиционирования в среднем на 5-8%.

СПИСОК ЛИТЕРАТУРЫ

[1] Буслаев С.П. Разработка бортовой системы автономного технического зрения марсохода // Вестник НПО им. С.А. Лавочкина. 2013. № 1. С. 24-28.

[2] Виноградов П.В., Железняков А.Б., Спасский Б.А. Актуальные направления развития космической робототехники // Робототехника и техническая кибернетика. 2015. № 4. С. 3-12.

[3] Дмитриев А.О., Москатиньев И.В., Нестерин И.М., Сысоев В.К. Анализ вариантов навигационных систем для луны // Труды МАИ. 2021. № 118.

[4] Каляев И.А. Навигация лунохода на основе компьютерного зрения // Российский фонд фундаментальных исследований. 2007.

[5] Маленков М.И., Волов В.А., Гусева Н.К., Лазарев Е.А. Анализ подвижности марсоходов для разработки систем передвижения и алгоритмов управления планетоходами нового поколения // Известия ЮФУ. Технические науки. 2015. № 1. С. 82-95.

[6] Седых О.Ю., Сысоев В.К., Феофанов А.С. Анализ областей применения автоматических луноходов // XLIV Академические чтения по космонавтике. 2020. С. 277-279.

[7] Салычев О.С. Applied inertial navigation: problems and solutions. M.: BMSTU press, 2004.

[8] Atanasov N., Sankaran B., Le Ny J. Hypothesis testing framework for active object detection // 2013 IEEE International Conference on Robotics and Automation. IEEE. 2013. P. 4216-4222.

[9] Atanasov N., Sankaran B., Le Ny J. Nonmyopic view planning for active object classification and pose estimation // IEEE Transactions on Robotics. IEEE. 2014. P. 1078-1090.

[10] Bailey T., Durrant-Whyte H. Simultaneous localization and mapping (SLAM): Part II // IEEE robotics & automation magazine. 2006. P. 108-117.

[11] Bay H. Surf: Speeded up robust features // European conference on computer vision. 2006. P. 404-417.

[12] Kim H., Guillemaut J.Y., Takai T. Outdoor dynamic 3-D scene reconstruction // IEEE Transactions on Circuits and Systems for Video Technology. 2012. Vol. 22. №. 11. P.1611-1622.

[13] Bienkowski L., Homma C., Eisler K. Hybrid Camera and Real-view Thermography for Nondestructive Evaluation // 11th International Conference on Quantitative InfraRed Thermography. 2012. Vol. 254.

[14] Bjorkman M., Eklundh J.O. Real-Time Epipolar Geometry Estimation of Binocular Stereo Heads // IEEE Transactions on pattern analysis and machine intelligence. IEEE. 2002. P. 425-432.

[15] Bonin-Font F., Ortiz A., Oliver G. Visual navigation for mobile robots: A survey // Journal of intelligent and robotic systems. 2008. Vol. 53. P. 263-296.

[16] Campbell J., Sukthankar R., Nourbakhsh I. Pahwa. A Robust Visual Odometry and Precipice Detection System Using Consumer-grade Monocular Vision // Proceedings IEEE International Conference on robotics and automation. IEEE. 2005. P. 3421-3427.

[17] Cao X., Yue T., Lin X. Computational Snapshot Multispectral Cameras: Toward Dynamic Capture of the Spectral World // IEEE Signal Processing Magazine. IEEE. 2016. Vol. 33. №. 5. P. 95-108.

[18] Carsten J., Rankin A., Ferguson D. Global path planning on board the mars exploration rovers // 2007 IEEE Aerospace Conference. IEEE. 2007. P. 1-11.

[19] Casale G., Marco P., Fantacci R. Hybridization of GNSS Receivers with INS Systems for Terrestrial Applications in Airport Environment // Satellite Communications and Navigation Systems. 2008. P. 417-430.

[20] Castanon D.A. Approximate dynamic programming for sensor management // Proceedings of the 36th IEEE Conference on Decision and Control. IEEE. 1997. P. 1202-1207.

[21] Chatila R., Laumond J. Position referencing and consistent world modeling for mobile robots // Proceedings. IEEE International Conference on Robotics and

Automation. IEEE. 1985. P. 138-145.

[22] Cheng Y, Maimone M, Matthies L. Visual odometry on the Mars exploration rovers // IEEE International Conference on Systems, Man and Cybernetics. IEEE. 2005. P. 903-910.

[23] Cheng Y., Maimone M.W., Matthies L. Visual odometry on the Mars exploration rovers-a tool to ensure accurate driving and science imaging // Robotics &Automation Magazine. IEEE. 2006. P. 54-62.

[24] Carrillo H., Reid I., Castellanos J.A. On the comparison of uncertainty criteria for active SLAM // 2012 IEEE International Conference on Robotics and Automation. IEEE. 2012. P. 2080-2087.

[25] Choi K.S., Lam E.Y., Wong K.K. Automatic source camera identification using the intrinsic lens radial distortion // Optics express. 2006. P. 11551-11565.

[26] Choi Y., Kim N., Hwang S. KAIST Multi-Spectral Day/Night Data Set for Autonomous and Assisted Driving // IEEE Transactions on Intelligent Transportation Systems. IEEE. 2018. Vol. 19. №. 3. P. 934-948.

[27] Cole D.M., Newman P. M. Using laser range data for 3D SLAM in outdoor environments // Proceedings IEEE International Conference on Robotics and Automation. IEEE. 2006. P. 1556-1563.

[28] Davison A.J., Murray D.W. Simultaneous localization and map-building using active vision // IEEE Transactions on Pattern Analysis and Machine Intelligence. IEEE. 2002. P. 865-880.

[29] Degraux K., Cambareri V., Geelen B. Multispectral Compressive Imaging Strategies Using Fabry-Pérot Filtered Sensors // IEEE Transactions on Computational Imaging. IEEE. 2018. Vol. 4. №. 4. P. 661-673.

[30] Di K., Liu Z., Yue Z. Mars rover localization based on feature matching between ground and orbital imagery // Photogrammetric Engineering & Remote Sensing. 2011. Vol. 77. №. 8. P. 781-791.

[31] Dissanayake M.G., Newman P., Clark S. A solution to the simultaneous localization and map building (SLAM) problem // IEEE Transactions on robotics and automation. 2001. P. 229-241.

[32] Durrant-Whyte H, Bailey T. Simultaneous localization and mapping: part I // IEEE robotics & automation magazine. 2006. P. 99-110.

[33] Easter D.A., Buoni C.M., McCauley L.A. Mobility study for a Lunar rover // Mobile Robots III. SPIE. 1989. P. 128-135.

[34] Genser N., Seiler J., Kaup A. Camera Array for Multi-Spectral Imaging // IEEE Transactions on Image Processing. IEEE. 2020. Vol. 29. P. 9234-9249.

[35] Gruev V., Van der Spiegel J., Engheta N. Advances in Integrated Polarization Image Sensors // 2009 IEEE/NIH Life Science Systems and Applications Workshop. IEEE. 2009. P. 62-65.

[36] Harltey A., Zisserman A. Multiple view geometry in computer vision. 2004.

[37] Harrison D.A., Ambrose R., Bluethmann B. Next generation rover for lunar exploration // 2008 IEEE aerospace conference. IEEE. 2008. P. 1-14.

[38] Helmick D.M., Cheng Y., Clouse D.S. Path Following Using Visual Odometry for a Mars Rover in High-Slip Environments // IEEE Aerospace Conference Proceedings. IEEE. 2004. P. 772-789.

[39] Hero A.O., Cochran D. Sensor management: Past, present, and future // Sensors Journal. IEEE. 2011. P. 3064-3075.

[40] Horn B K. Recovering baseline and orientation from essential matrix // Opt Soc Am. 1990. P. 110.

[41] Huang Q., Li Y., Chen L. Multispectral Focal Stack Acquisition Using A Chromatic Aberration Enlarged Camera // Proceedings of International Conference on Image Processing. 2017. P. 1627-1631.

[42] Huber M. Probabilistic Framework for Sensor Management // KIT Scientific Publishing. 2009. №. 7.

[43] Hwang S., Choi Y., Kim N. Low-Cost Synchronization for Multispectral Cameras // 2015 12th International Conference on Ubiquitous Robots and Ambient Intelligence. IEEE. 2015. P. 435-436.

[44] Hwang S., Park J., Kim N. Multispectral Pedestrian Detection: Benchmark Dataset and Baseline // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE. 2015. P. 1037-1045.

[45] Kannala J., Brandt S.S. A generic camera model and calibration method for conventional, wide-angle, and fish-eye lenses // IEEE transactions on pattern analysis and machine intelligence. IEEE. 2006. P. 1335-1340.

[46] Kassas Z., Arapostathis A., Humphreys T.E. Greedy motion planning for simultaneous signal landscape mapping and receiver localization // IEEE Journal of Selected Topics in Signal Processing. IEEE. 2015.P. 247-58.

[47] Kassas Z., Humphreys T.E. Motion planning for optimal information gathering in opportunistic navigation systems // In Proceedings of AIAA Guidance, Navigation, and Control Conference. 2013. P. 4551-4565.

[48] Kastella K. Discrimination gain for sensor management in multitarget detection and tracking // Symposium on control, optimization and supervision. 1996. P. 167-172.

[49] Kazemzadeh F., Haider S.A., Scharfenberger C. Multispectral Stereoscopic Imaging Device: Simultaneous Multiview Imaging from the Visible to the NearInfrared // IEEE Transactions on Instrumentation and Measurement. IEEE. 2014. Vol. 63. №.7. P. 1871-1873.

[50] Kim A., Eustice R.M. Active visual SLAM for robotic area coverage: Theory and experiment // The International Journal of Robotics Research. 2015. P. 457-475.

[51] Kim C., Sakthivel R., Chung W.K. Unscented FastSLAM: a robust and efficient solution to the SLAM problem // IEEE Transactions on Robotics. IEEE. 2008. P. 808-820.

[52] Kollar T., Roy N. Trajectory optimization using reinforcement learning for map exploration // The International Journal of Robotics Research. 2008. P. 175-196.

[53] Konolige K. Small Vision Systems: Hardware and Implementation // Proceedings of the International Symposium on Robotics Research. 1998. P. 203-212.

[54] Leonard J.J., Durrant-Whyte H. F. Mobile robot localization by tracking geometric beacons // IEEE Transactions on Robotics and Automation. IEEE. 1991. P. 376-382.

[55] Leung C., Huang S., Dissanayake G. Active SLAM using model predictive control and attractor based exploration // International Conference on Intelligent

Robots and Systems. IEEE. 2006. P. 5026-5031.

[56] Leutenegger S., Lynen S., Bosse M. Keyframe-based visual-inertial odometry using nonlinear optimization // The International Journal of Robotics Research. 2015. Vol. 34. №. 3. P. 314-334.

[57] Li T., Zhang H., Gao Z. Tight Fusion of a Monocular Camera, MEMS-IMU, and Single-Frequency Multi-GNSS RTK for Precise Navigation in GNSS-Challenged Environments // Remote Sensing. 2019. Vol. 11. №. 6. P. 610.

[58] Liu G., Shi W., Li K. Application of interpolation-based improved EKF algorithm in integrated navigation // Chinese Journal of Scientific Instrument. 2007. Vol. 28. №. 10. P. 1897-1901.

[59] Litwin T.E. General 3D Acquisition and Tracking of Dot Targets on a Mars Rover Prototype // IEEE International Conference on Systems, Man and Cybernetics. IEEE. 2005. P. 443-449.

[60] Lourakis M., Hourdakis E. Planetary rover absolute localization by combining visual odometry with orbital image measurements // Proc. of the 13th Symposium on Advanced Space Technologies in Automation and Robotics (ASTRA'15). European Space Agency. 2015.

[61] Lowe D.G. Object recognition from local scale-invariant features // Proceedings of the seventh IEEE international conference on computer vision. 1999. P. 11501157.

[62] Mallet A., Lacroix S., Gallo L. Position Estimation in Outdoor Environments using Pixel Tracking and Stereovision // Proceedings IEEE International Conference on Robotics and Automation. IEEE. 2000. P. 3519-3524.

[63] Ming A., Kajihara K., Kajitani M. Development of a rapid obstacle sensing system using sonar ring for mobile robot // Proceedings IEEE International Conference on Robotics and Automation. IEEE. 2002. P. 3068-3073.

[64] Mingming Zhang, Neusypin Konstantin Avenirovich, Bin He. Research on GPS-assisted inertial/starlight high-precision information fusion algorithm // IEEE 2024 31th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS). IEEE. 2024. P.132-136.

[65] Montemerlo M., Thrun S. FastSLAM: A scalable method for the simultaneous localization and mapping problem in robotics // Springer Science & Business Media. 2007. P. 63-90.

[66] Montemerlo M., Thrun S., Koller D. FastSLAM: A factored solution to the simultaneous localization and mapping problem // AAAI. 2002. P. 593-598.

[67] Moravec H., Elfes A. High resolution maps from wide angle sonar // Proceedings. IEEE International Conference on In Robotics and Automation. IEEE. 1985. P. 116-121.

[68] Ning X., Fang J. A new method of autonomouscelestial Navigation for lunar rover and analysis of precision // Journal of Astronautics. 2006. Vol. 27. №. 4. P. 648-653.

[69] Ogino Y., Shibata T., Tanaka M. Coaxial Visible and FIR Camera System with Accurate Geometric Calibration // The International Society for Optical Engineering. 2017. Vol. 10214. P. 319-324.

[70] Oh S., Hahn M., Kim J. Dynamic EKF-based SLAM for autonomous mobile convergence platforms // Multimedia Tools and Applications. 2015. P.6413-6430.

[71] Olson C.F., Matthies L.H., Schoppers M. Stereo Ego-Motion Improvements for Robust Rover Navigation // Proceedings IEEE International Conference on Robotics and Automation. IEEE. 2001. P. 1099-1104.

[72] Oriolo G., Ulivi G., Vendittelli M. Fuzzy maps: a new tool for mobile robot perception and planning // Journal of Robotic Systems. 1997. P. 179-197.

[73] Pan L., Liu M., Hartley R. Single Image Optical Flow Estimation with an Event Camera // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE. 2020. P. 1669-1678.

[74] Paz L.M., Jensfelt P., Tardos J.D. EKF SLAM updates in O (n) with Divide and Conquer SLAM // IEEE International Conference on Robotics and Automation. IEEE. 2007. P.1657-1663.

[75] Pito R. A solution to the next best view problem for automated surface acquisition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1999. P. 1016-1030.

[76] Popovic V., Seyid K., Pignat E. Multi-camera Platform for Panoramic Realtime HDR Video Construction and Rendering // Journal of Real-Time Image Processing, 2016, Vol. 12. №. 4. P. 697-708.

[77] Rao N., Wallance B. Considerations for the Design of Lunar Rover Structures and Mechanisms for Prolonged Operation in the Lunar Environment // Aerospace Design Conference. 1993. P. 930-993.

[78] Ruzena B., Gibson J.J. Active perception // Proceedings of the IEEE. 1988. P. 966-1005.

[79] Rublee E., Rabaud V., Konolige K. ORB: An efficient alternative to SIFT or SURF // International conference on computer vision. IEEE. 2011. P. 2564-2571.

[80] Sasaki T., Otsu K., Thakker R. Where to map? iterative rover-copter path planning for mars exploration // IEEE Robotics and Automation Letters. IEEE. 2020. Vol. 5. №. 2. P. 2123-2130.

[81] Scaramuzza D., Fraundorfer F. Visual odometry // IEEE robotics & automation magazine. IEEE. 2011. P. 80-92.

[82] Scaramuzza D., Fraundorfer F., Siegwart R. Real-time monocular visual odometry for on-road vehicles with 1-point ransac // IEEE International Conference on Robotics and Automation. IEEE. 2009. P. 4293-4299.

[83] Skog I., Händel P. In-Car Positioning and Navigation Technologies —A Survey // IEEE Transactions on Intelligent Transportation Systems. IEEE 2009. Vol. 10. №. 1. P. 4-21.

[84] Squyres S.W., Arvidson R.E., Baumgartner E.T. Athena Mars rover science investigation // Journal of Geophysical Research: Planets. 2003. P. 108.

[85] St-Laurent L., Prévost D., Maldague X. Thermal Imaging for Enhanced Foreground background Segmentation // International Conference on Quantitative InfraRed Thermography. 2006. Vol. 2730. P. 1-10.

[86] St-Laurent L., Maldague X., Prévost D. Combination of Colour and Thermal Sensors for Enhanced Object Detection // 2007 10th International Conference on Information Fusion. IEEE. 2007. P. 1-8.

[87] Syed Z. F., Aggarwal P., Goodall C. A new multi-position calibration method

for MEMS inertial navigation systems // Measurement science and technology. 2007. Vol. 18. №. 7. P.1897.

[88] Thrun S., Robotic mapping: A survey // Exploring artificial intelligence in the new millennium. 2002. P. 1-35.

[89] Titterton D., Weston J.L., Weston J. Strapdown inertial navigation technology // The Institution of Engineering and Technology. 2004.

[90] Tompkins P., Stentz A., Wettergreen D. Mission-level path planning and replanning for rover exploration // Robotics and Autonomous Systems. 2006. Vol. 54. №. 2. P. 174-183.

[91] Tsai R. A Versatile Camera Calibration Technique for High-Accuracy 3D Machine Vision Metrology Using Off-the-Shelf TV Cameras and Lenses // IEEE Journal on Robotics and Automation. IEEE. 1987. P. 323-344.

[92] Vargas J., Alsweiss S.O., Toker O. An Overview of Autonomous Vehicles Sensors and Their Vulnerability to Weather Conditions // Sensors. 2021. Vol. 16. №. 21. P. 5397.

[93] Vidal-Calleja T., Davison A.J., Andrade-Cetto J. Active control for single camera SLAM // Proceedings 2006 IEEE International Conference on Robotics and Automation. IEEE. 2006. P. 1930-1936.

[94] Wall J.H., Bevly D.M. Characterization of various IMU error sources and the effect on navigation performance // Proceedings of the 18th international technical meeting of the satellite division of the institute of navigation. 2005. P. 967-978.

[95] Wen H. Toward Inertial-Navigation-on-Chip: The Physics and Performance Scaling of Multi-Degree-of-Freedom Resonant MEMS Gyroscopes // Springer Nature. 2019.

[96] Weng J., Cohen P., Herniou M. Camera calibration with distortion models and accuracy evaluation // IEEE Transactions on Pattern Analysis & Machine Intelligence. IEEE. 1992. P. 965-980.

[97] White F. E. A Model for Data Fusion // Proc. 1st National Symposium on Sensor Fusion. 1998. P. 5-8.

[98] Won D.H., Chun S., Sung S. INS/vSLAM system using distributed particle filter // International Journal of Control, Automation and Systems. 2010. Vol. 8. P. 1232-1240.

[99] Wu M., Weng Y. UKF-SLAM Based Gravity Gradient Aided Navigation // Intelligent Robotics and Applications: 7th International Conference. 2014. P. 7788.

[100] Wu Weiren, Zhou Jianliang, Wang Baofeng, et al. Key technologies in remote operation of Chang'e-3 "Yutu" rover // Science China: Information Sciences.

2014. Vol. 4. P. 425-440.

[101] Xiang K., Yang K., Wang K. Polarization-driven Semantic Segmentation via Efficient Attention-bridged Fusion // Optics Express. 2021. Vol. 29. №. 4. P. 4802-4820.

[102] Xue Y., Li J. Distributed information fusion structure based on data fusion tree // Advanced Materials Research. 2011. Vol. 225. P. 488-491.

[103] Yadkuri F.F., Khosrowjerdi M.J. Methods for improving the linearization problem of extended Kalman filter // Journal of Intelligent & Robotic Systems.

2015. Vol. 78. P. 485-497.

[104] Yang N., Tian W., Jin Z. Particle filter for sensor fusion in a land vehicle navigation system // Measurement science and technology. 2005. Vol. 16. №. 3. P. 677-686.

[105] Yang Y., Mao Y., Sun B. Basic Performance and Future Developments of BeiDou Global Navigation Satellite System // Satellite Navigation. 2020. Vol. 1. №. 1. P. 1.

[106] Zhang J., Yang K., Stiefelhagen R. ISSAFE: Improving Semantic Segmentation in Accidents by Fusing Event-based Data // 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE. 2021. P. 1132-1139.

[107] Zhang M., Luo Y., Neusypin K.A. Research on Combined GNSS/IMU/Camera Positioning and Navigation in Full Scene // 2024 International Russian Smart Industry Conference (SmartIndustryCon). IEEE, 2024. P. 327-332.

[108] Zhang M, Neusypin K A. Research on mobile robot localization algorithm based

on multi-sensor fusion // International Conference on Digital Transformation: Informatics, Economics, and Education (DTIEE). SPIE. 2023. P. 1263702.

[109] Zhang Ming., Neusypin K.A., Selezneva M.S. Research of the Information Fusion Technique for Millimeter Wave Radar and Camera // 2023 International Russian Automation Conference (RusAutoCon). IEEE. 2023. P. 65-69.

[110] Zhang Z. A flexible new technique for camera calibration // IEEE Transactions on pattern analysis and machine intelligence. IEEE. 2000. P. 1330-1334.

[111] Zhao S., Lu M., Feng Z. Application of EKF and UKF in tightly-coupled integrated navigation system // Systems Engineering & Electronics. 2009. Vol. 31. №. 10. P. 2450-2454.

[112] Tian X, Liu R, Wang Z. High quality 3D reconstruction based on fusion of polarization imaging and binocular stereo vision // Information Fusion. 2022. Vol. 77. P. 19-28.