Разработка и исследование бионических алгоритмов построения информационной модели среды в задаче локальной навигации автономных мобильных роботов тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Доленко, Юрий Сергеевич

• Доленко, Юрий Сергеевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Доленко, Юрий Сергеевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ПОДХОДЫ К ПОСТРОЕНИЮ ИНФОРМАЦИОННОЙ МОДЕЛИ СРЕДЫ ПРИ РЕШЕНИИ ЗАДАЧИ ЛОКАЛЬНОЙ НАВИГАЦИИ АВТОНОМНЫМИ МОБИЛЬНЫМИ РОБОТАМИ С НЕЙРОСЕТЕВОЙ СИСТЕМОЙ УПРАВЛЕНИЯ

1.1 Анализ известных алгоритмов построения информационной модели среды для решения задачи локальной навигации

1.2. Особенности построения информационной модели среды для нейросетевой планировщика траектории движения AMP

1.3 Способы обработки зрительной информации в биологических системах зрения животных

1.4 Выводы

ГЛАВА 2. СИНТЕЗ БИОНИЧЕСКИХ АЛГОРИТМОВ ПОСТРОЕНИЯ ИНФОРМАЦИОННОЙ МОДЕЛИ СРЕДЫ ДЛЯ НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА

2.1 Обработка, интерпретация и представление дистантных данных для бионических алгоритмов

2.2 Синтез и исследование алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки

2.3 Оптимизация алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки

2.4 Синтез и исследование алгоритма формирования убывающих полей задержек вокруг выделенных объемных препятствий на базе математической модели информационной деятельности ганглиозных Off- клеток сетчатки

2.5 Синтез алгоритма построения информационной модели внешней среды для нейросетевого планировщика

2.6 Синтез алгоритма комплексирования данных от нескольких сенсоров для построения информационной модели внешней среды

2.7 Выводы

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ЛОКАЛЬНОЙ НАВИГАЦИИ АВТОНОМНЫМИ МОБИЛЬНЫМИ РОБОТАМИ

3.1 Разработка программно-аппаратного комплекса верификации алгоритмов

3.2 Экспериментальные исследования на программно-аппаратном комплексе разработанных алгоритмов в условиях полигонов различной степени сложности

3.3 Практическое использование разработанных алгоритмов

3.4 Выводы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Разработка и исследование бионических алгоритмов построения информационной модели среды в задаче локальной навигации автономных мобильных роботов»

ВВЕДЕНИЕ

Актуальность проблемы. В настоящее время мобильная робототехника востребована практически во всех отраслях деятельности человека, начиная от культурно-массовых предприятий и медицинских учреждений, заканчивая исследовательскими и военными проектами. Особенно остро стоит проблема применения автономных мобильных роботов (AMP) в условиях повышенной опасности и агрессивности внешней среды. Примерами таких условий могут быть возникающие в результате техногенных катастроф зоны химического или радиационного поражения, мониторинг и патрулирование труднодоступных мест, например, нефтепровод, пролегающий по шельфу морского дна, совместная работа AMP с людьми в условиях производственных помещений или складов с токсичными, взрывоопасными и радиоактивными материалами и т.п. Во всех этих случаях необходима автономная навигация мобильного робота в естественной, априори неформализованной динамически изменяющейся внешней среде.

Автономная навигация мобильных роботов подразумевает решение задач построения информационной модели внешней среды на основе данных, полученных от сенсоров, и планирования с помощью неё траектории движения AMP. Различным аспектам решения указанных задач посвящены работы как отечественных (Ю.В. Чернухин, В.Х. Пшихопов, И.А. Каляев, Е.И. Юре-вич, В.П. Носков, И. В. Рубцов и др.), так и зарубежных (S.Thrun, R.Glasius, A.Komoda, SimonX. Yang, M. Ollis, K.Konolige, M.Otte) ученых. Несмотря на то, что разработаны достаточно эффективные алгоритмы автоматического планирования траектории движения AMP, методы их использования для организации адаптивного управления AMP, и требования к представлению внешней среды, широкому практическому применению данных методов препятствуют ограничения существующей алгоритмической базы оперативного построения адекватных и полных информационных моделей сред функционирования AMP. Адекватность и полнота информационной модели среды,

прежде всего, необходима при локальной навигации AMP в условиях с повышенными требованиями к безопасности, а именно в производственных или складских помещениях с объемными препятствиями и работающими там людьми.

Известно, что задача обработки и интерпретации дистантных данных для построения метрических карт проходимости среды связана с времяемки-ми и вычислительно затратными операциями преобразования результатов измерений из системы координат сенсора в декартовую систему координат, что влечет за собой необходимость учета различных погрешностей, а также необходимость разрешения противоречивых данных, полученных в условиях динамически изменяющейся внешней среды. В свою очередь перспективные методы представления внешней среды, в которых информационная модель среды строится непосредственно в системе координат массива сенсорных данных, позволяют избежать ошибок и погрешностей при проецировании данных между различными системами координат. Однако известные алгоритмы построения таких информационных моделей в условиях с объемными препятствиями не удовлетворяют критерию адекватности, что ведет к погрешностям при автоматическом синтезе траектории движения AMP. В то же время, результаты исследований в области обработки информации биологических зрительных систем, представленные в виде моделей клеток сетчатки и зрительной коры, позволяют интерпретировать и обрабатывать сенсорные данные в базисе, обладающем рядом преимуществ по сравнению с традиционными методами: параллельная природа вычислений, пространственная конфигурация параметров моделей и эффективное кодирование результирующих данных. В связи с этим возникает проблема разработки бионических алгоритмов, обеспечивающих построение адекватных и полных информационных моделей сред функционирования AMP в реальном масштабе времени.

Несмотря на актуальность отмеченной проблемы, исследования в области информационных моделей среды направлены на оптимизацию вычислительных затрат и увеличение размера охватываемой области восприятия

внешней среды, что, однако, не позволяет качественным образом повлиять на оперативность построения и адекватность информационной модели. В связи с этим представляет интерес информационная модель проходимости внешней среды, используемая в бионическом нейросетевом методе планирования, который был разработан в Таганрогском радиотехническом институте на кафедре вычислительной техники профессором Ю.В. Чернухиным. Информационная модель в данном методе однозначно определяет степень проходимости участков внешней среды, а существующие алгоритмы реализации критерия безопасности позволяют на её основе синтезировать траекторию движения AMP для условий повышенных требований к безопасности. Благодаря высокой производительности и относительной простоте аппаратной реализации нейросетевого планировщика траектории движения AMP, применение данного метода является перспективным. Задача разработки алгоритмов, обеспечивающих построение адекватной и полной информационной модели внешней среды для данного метода, и как следствие, позволяющих осуществлять планирование безопасных траекторий при локальной навигации AMP в сложной среде с объемными препятствиями, является весьма актуальной.

Целью диссертационной работы является разработка и исследование алгоритмов обработки, интерпретации и комплексирования сенсорных данных, алгоритмов построения информационной модели среды для решения задачи локальной навигации AMP с нейросетевым планировщиком траектории движения в реальном масштабе времени в условиях помещений с объемными препятствиями при повышенных требованиях к безопасности при перемещении. Примерами таких сред могут быть складские или производственные помещения, с работающими людьми.

Для достижения данной цели в диссертационном исследовании была поставлена задача разработки и исследования следующих бионических алгоритмов:

1. Алгоритм выделения объемных препятствий по дистантным данным с возможностью фильтрации препятствий с размером меньше заданного.

2. Алгоритм формирования конфигурируемых по размеру и протяженности убывающих полей задержек вокруг выделенных препятствий с размером больше заданного.

3. Алгоритм построения информационной модели априори неформализованной динамически изменяющейся внешней среды с объемными препятствиями для нейросетевого планировщика, обеспечивающего планирование траектории движения AMP на максимально безопасном расстоянии от препятствий.

4. Алгоритм комплексирования данных от нескольких сенсоров, один из которых используется для определения местоположение объектов препятствий, а другой для определения местоположения целевого объекта, позволяющее производить отображение целевого объекта в информационную модель среды с учетом полей зрения используемых сенсоров.

5. Создать программно-аппаратный комплекс для верификации разработанных алгоритмов и провести на нем натурные эксперименты на полигонах с объемными препятствиями.

Методы исследования: теоретические с использованием нейронных сетей, дискретных вычислительных систем, цифровой обработки изображений, элементов теории алгоритмов, и экспериментальные на основе специально разработанного программно-аппаратного комплекса.

Достоверность результатов диссертационного исследования подтверждается корректным математическим обоснованием предложенных бионических алгоритмов, результатами их программного моделирования и натурных экспериментов.

Научная новизна заключается в разработке:

1) алгоритма выделения объемных препятствий по дистантным данным, отличающегося от известных тем, что он не требует преобразования результатов измерений в метрическое представление в декартовой системе коорди-

нат, и обеспечивает возможность фильтрации препятствий с размерами меньше заданного за счет использования математической модели рецептивного поля ганглиозных On- / Off- клеток сетчатки;

2) алгоритма формирования убывающих полей задержек вокруг выделенных препятствий, отличающегося от известных тем, что он предоставляет возможность конфигурации протяженности, размеров и скорости убывания поля задержек, а также фильтрации препятствий с размерами меньше заданного, за счет использования математической модели рецептивного поля Off-клеток сетчатки;

3) алгоритма построения информационной модели среды для нейросете-вого планировщика, отличающегося от известных, тем, что он позволяет обеспечивать движение между препятствиями на максимально безопасном удалении от них без перехода в метрическое представление в декартовой системе координат;

4) алгоритма комплексирования данных от нескольких сенсоров, отличающегося от известных тем, что он является инвариантным к способу определения целевого объекта в канале технического зрения, и позволяет производить его отображение в информационную модель среды с учетом полей зрения используемых сенсоров.

Полученные в ходе диссертационного исследования результаты соответствуют пунктам «Применение бионических принципов, методов и моделей в информационных технологиях» и «Исследование информационных структур, разработка и анализ моделей информационных процессов и структур» паспорта специальности 05.13.17 «Теоретические основы информатики».

Научные результаты, выносимые на защиту:

1. Алгоритм выделения объемных препятствий по дистантным данным.

2. Алгоритм формирования убывающих полей задержек вокруг выделенных препятствий.

3. Алгоритм построения информационной модели среды для нейросете-вого планировщика движения AMP.

4. Алгоритм комплексироваиия данных от нескольких сенсоров при построении информационной модели среды для нейросетевого планировщика движения AMP.

Практическая значимость полученных результатов диссертационной работы заключается в том, что они ориентированы на использование при автоматизации задач безопасного перемещения автономных мобильных транспортных роботов с опасными грузами в условиях ограниченного пространства маневрирования, например в условиях производственных или складских помещений.

Практическое использование полученных результатов. Разработанный в процессе диссертационного исследования программный комплекс имеет свидетельство о государственной регистрации программы для ЭВМ, практические результаты также отражены в соответствующих актах о внедрении в НИР № 01201260083 проводимой на кафедре Вычислительной Техники Южного Федерального Университета, а также в НИР ОАО «Научно-конструкторское бюро вычислительных систем».

Апробация результатов работы. Основные научные результаты диссертационной работы докладывались и обсуждались на международных научных конференциях (XV Международной конференции по нейрокиберне-тике, 2010, XVI Международной конференции по нейрокибернетике, 2012), научно-технических конференциях («Техническое зрение в системах управления» 2012, 2013 Институт космических исследований РАН), всероссийских НТК с международным участием: «Компьютерные и информационные технологии в науке, инженерии и управлении» (КомТех 2012, КомТех 2013), всероссийской научной конференции (ИТСАУ 2011). Основные результаты диссертации опубликованы в 6 статьях, 2 из которых включены в перечень изданий, рекомендованных ВАК.

ГЛАВА 1. ПОДХОДЫ К ПОСТРОЕНИЮ ИНФОРМАЦИОННОЙ МОДЕЛИ СРЕДЫ ПРИ РЕШЕНИИ ЗАДАЧИ ЛОКАЛЬНОЙ НАВИГАЦИИ АВТОНОМНЫМИ МОБИЛЬНЫМИ РОБОТАМИ С НЕЙРОСЕТЕВОЙ СИСТЕМОЙ УПРАВЛЕНИЯ

1.1 Анализ известных алгоритмов построения информационной модели среды для решения задачи локальной навигации

Задача локальной навигации представляет собой формирование и реализацию безопасной и оптимальной траектории движения автономных мобильных роботов (AMP) в объезд препятствий к цели, расположенной в пределах восприятия сенсорной подсистемы. Построение и реализация такой траектории осуществляется на базе информационной модели среды, формируемой в процессе обработки и интерпретации данных, полученных от бортовых сенсоров. Зачастую в качестве бортовых сенсоров для формирования информационной модели среды используются лазерные и ультразвуковые дальномеры, инфракрасные датчики глубины, датчики глубины на базе структурированного света, а также стереоскопические системы технического зрения [3;

5].

На данный момент разработаны различные методы формирования и представления информационной модели среды, а именно методы построения метрических, топологических и когнитивных карт, их комбинаций, а также методы формирования информационной модели среды в системе координат (СК) сенсорной подсистемы AMP [2; 6; 8; 19; 20; 29; 31; 33; 34; 36; 39].

Топологические и когнитивные карты используются на уровне глобальной навигации, в связи с тем, что их описание внешней среды базируется на отличительных признаках, присущих каждой отдельно взятой локации [19; 31].

Метрические карты содержат геометрическое описание объектов внешней среды в виде 2D или 3D координат декартового пространства. Внешняя среда при этом дискретизована и представляет собой сетку, где каждая клет-

ка может быть или свободной или занятой с определенной вероятностью [20; 22; 36; 42]. Среди метрических карт выделяются подходы, при которых производится фильтрация измерений сенсора, относящихся к подвижным объектам внешней среды, и подходы, учитывающие изменения, происходящие во внешней среде с течением времени. Очевидно, что для решения задачи локальной навигации интерес представляют модели, позволяющие учитывать динамику внешней среды.

Построение метрических карт производится с помощью сенсоров, позволяющих извлекать дистантную информацию из внешней среды. Высокую скорость и точность построения метрической 3D карты обеспечивают сенсоры, работающие на базе лазерной дальнометрии. Обработка и интерпретация полученных дистантных данных, напрямую зависит от области восприятия сенсора. Если область восприятия сенсора производит измерение расстояния в горизонтальной плоскости параллельно поверхности перемещения, то результатом измерения является расстояние до препятствия. Однако при таком расположении из-за ограничения области видимости становится невозможным учитывать протяженность препятствий и рельеф поверхности, что не позволит решать навигационные задачи в априори неформализованной внешней среде. В случае, когда область восприятия сенсора охватывает подстилающую поверхность, по которой перемещается AMP, а также расположенные на ней препятствия, становится необходимым решать задачу оценки степени проходимости подстилающей поверхности и сегментации объектов-препятствий.

Традиционно для этого используется подход с построением облака точек в 3D декартовом пространстве. Получение координат точек производится на основе априори известном расположении сенсора на борту AMP (параллакс, высота и направление). Подход к эффективной сегментации объемных препятствий по облаку точек, полученному в результате предобработки измерений датчика глубины, подробно рассмотрен в работе [28]. Фундаментальным базисом для извлечения семантической информации по дистантным

данным является определение локальных геометрических признаков, таких как нормаль к поверхности.

Базовым принципом вычисления нормали в рассматриваемом подходе является определение двух векторов направленных по касательной к локальному участку поверхности в точке р! с дальнейшим вычислением векторного произведения (см. рисунок 1.1 [28]).

Рисунок 1.1- Принцип построения нормали к поверхности Вектора вычисляются по соседним пикселям точки р„ однако в связи с тем, что исходные данные зачастую зашумлены или отсутствуют для некоторых областей, производится сглаживание тангенциальных векторов, за счет вычисления средних векторов в соответствующей окрестности.

Вычисление нормалей проводится в локальной системе координат изображения (ось Z направлена вперед в направлении измерения). Для дальнейшей обработки производится перевод точек из декартовых координат в бортовую СК, связанную с корпусом AMP (правосторонняя СК, где X направлена в сторону измерений и движения, Z направлена вверх). Так же, для быстрого расчета нормалей вычисляются сферические координаты (r,<p,Q) локальных нормалей к поверхности, где (р - угол между локальной нормалью к поверхности (проецируемой на плоскость XY) и осью X, г - расстояние до начала координат в нормальном пространстве, в - угол между нормалью и плоскостью XY. На рисунке 1.2 [28] приведен вид сверху (а) и сбоку (б) построенных нормалей.

Определение плоскостей производится сегментацией локальных нормалей к поверхности в несколько этапов: кластеризация точек в нормальном пространстве (пх,пу,пхУ для получения кластеров с возможными плоскостями, после чего производится кластеризация плоскостей по локальным нормалями к поверхности в пространстве расстояния (между плоскостью и началом координат).

а) б)

Рисунок 1.2 - Облако точек с нормалями к поверхности, вид сверху (а) и вид

сбоку (б)

На начальном этапе кластеризации, с помощью которой определяются кластеры точек с одинаковыми направлениями локальных нормалей к поверхности, производится построение трехмерной воксельной сетки в нормальном пространстве и отображение локальных нормалей к поверхности в каждую соответствующую ячейку воксельной сетки. Точки, для которых нормали поверхностей попадают в одну и ту же ячейку, формируют начальный кластер и потенциальное множество плоскостей с одинаковым направлением нормали. Все занятые ячейки или те, у которых число точек больше порогового значения, считаются начальными кластерами.

С целью компенсации эффекта дискретизации анализируются соседние ячейки в трехмерной сеточной структуре. Если среднее направление нормали к поверхности в двух соседних ячейках меньше размера кластера, то соответ-

ствующие кластеры объединяются. Пример такой сегментации приведен на рисунке 1.3 [28].

Обнаруженные кластеры представляют собой набор плоскостей с похожими или одинаковыми направлениями нормалей к поверхности. На основе предположения, что все точки кластера лежат в одной и той же плоскости, используется усредненная нормализованная нормаль к поверхности для расчета расстояния от начала координат до плоскости.

а) б)

Рисунок 1.3 - Исходное изображение на изображении (а) и сегментированное по нормалям облако точек на изображении (б) В связи с тем, что расстояние отличается для точек находящихся на разных плоскостях, производится кластеризация в пространстве расстояний. Для компенсации ошибок и погрешностей измерений для точек пространства наиболее удаленных от сенсора вычисляется логарифмическая гистограмма. Точки, у которых расстояния одинаковы, образуют начальные кластеры. Полученные кластеры уточняются с помощью соседних, таким же образом, как и при сегментации нормалей (см. рисунок 1.4 [28]). Кластеры со сходными направлениями нормалей, но разными расстояниями до начала координат разделяются, после чего для снижения эффекта дискретизации соседние кластера опять объединяются и образуют сегментированные плоскости.

Для обнаружения препятствий извлекаются все горизонтальные плоскости, у которых пх « 1. В рассматриваемой работе поверхностью перемеще-

ния является плоскость, у которой z « 0, nz « 1. Область поиска ограничивается по высоте, в которой AMP может выполнять действия. Полученная модель плоскостей (состоящая из усредненных нормалей и кластеров расстояний от плоскости до начала координат) оптимизируется алгоритмом RANSAC, который формирует остаточные выбросы. Далее все точки полученного кластера проецируются на плоскость, и вычисляется выпуклая поверхность.

а) б)

Рисунок 1.4 - На (а) изображены кластера с похожими направлениями нормали к поверхности, на (б) кластера в пространстве расстояний, Эти шаги повторяются для всех горизонтальных плоскостей, попадающих под ограничения по высоте. Для точек, не принадлежащих кластерам горизонтальных плоскостей, производится проверка принадлежности к опорной плоскости, а так же к выпуклой поверхности на плоскости. Точки, которые удовлетворяют обоим требованиям кластеризуются для формирования списка возможных объектов. Кластеры, которые содержат количество точек менее заданного порога отбрасываются. Для каждого из возможных объектов вычисляется центр масс и ограничивающий прямоугольник, чтобы отделить обозримые объекты от необозримых.

На рисунке 1.5 [28] показаны результаты сегментации объектов на опорной плоскости. Время и погрешности производимых расчетов для нормалей приведены в таблице 1.1 [28], частота обнаружения препятствий и объектов приведены в таблице 1.2 [28].

Таблица 1.1- Время обработки и погрешность при вычислении нормалей

Разрешение Время обработки (мс) Среднее отклонение (гр)

640x480 (УСА) 61.84 ±7.73 11.75 ±3.02

320x240 ((^УвА) 15.08 ± 2.19 12.39 ±3.81

160x120 (СЮУОА) 4.32 ±0.57 9.32 ±2.44

Таблица 1.2- Частота обнаружения

Разрешение УвА ОУвА С^УвА

Препятствие 100% 100% 100%

Не препятствие 0.1% 0.15% 0.19%

Объект 92% 93% 95%

Не объект 0% 0% 0%

Частота ~ 7 Гц ~ 27 Гц -30 Гц

б) в)

Рисунок 1.5 - Результаты определения объектов на плоскости: (а) исходная сцена, (б) обнаруженные препятствия, (в) обнаруженные объекты на опорной

плоскости

Как видно из таблиц 1.1 и 1.2, обнаружение объектов на опорной плоскости в реальном масштабе времени производится по массивам дистантных данных с размерностями 320x240, а также 160x120, на вычислительном процессоре Intel Core i7. Следует так же учесть, что результаты получены в условиях структурированной среды, где поверхности (в том числе и поверхность на которой находится AMP) в основном представлены в виде плоскостей, что в значительной степени уменьшает погрешность вычисления нормалей и определения объектов.

На основе сформированной 3D модели внешней среды производится построение метрической карты. В работе [36] рассматривается подход к построению метрической карты для динамически изменяющейся внешней среды, отличающийся от подобных подходов тем, что состояние клетки описывается не статически, а с применением скрытой марковской модели. Скрытые марковские модели (СММ) [4; 18; 35; 40] представляют собой статистическую модель, состоящую из марковских цепей с вероятностными переходами между состояниями и множества стационарных процессов в каждом состоянии цепи. Переходы между состояниями клетки описываются выражениями 1 и 2 [36]:

Рс^ = p(.ct — сосс lct-l = Cfree)> (1)

Рс'° = P(ct = cfree |ct-l = соссХ (2)

где ct случайная дискретная переменная, которая отражает состояние проходимости клетки с в момент времени t. Динамика клетки в любой момент времени описывается матрицей перехода [36]:

1 - Р?° Р?°

Ас =

PcV 1 -PcV

(3)

На рисунке 1.6 [36] показаны вероятностные переходы клеток сетки в небольшом холле. На изображениях видны области с высоко динамичными объектами (люди) и области со статическими объектами (мебель, стены).

Модель наблюдения р(г \ с) представляет собой вероятность наблюдения результата г для состояния клетки с. Под наблюдением понимается производимое измерение дальности, например с помощью сканирующего лазерного дальномера. Для клетки и производимого сенсором измерения предполагается несколько вариантов развития событий: измерение дальности в точке отражения совпадает с положением клетки на метрической карте (попадание) или не совпадает (промах).

Рисунок 1.6 - Вероятности переходов состояний. На правом и левом изображении представлены распределения рс и wpc соответственно, чем темнее цвет, тем больше вероятность изменения состояния. В соответствии с этим модель наблюдения СММ состоит из двух вероятностей: p(z = zhu | с = сfree) и p(z = Zfct \ с = сосс). В случае, если клетка еще не была покрыта измерениями, ей присваивается результат "без наблюдений". Таким образом, вероятности описываются тремя матрицами [36]:

p(z | с = сосс) О

О p(z\c = cfree)

где z 6 {попадание, промах, без — измерения }.

Обновление состояния клетки производится на базе Байесовского подхода. Основной задачей является оценка апостериорного распределения р( с, \

В2 =

(4)

zi:t) в сравнении с текущим состоянием проходимости ct клетки с учетом всех измерений zi:t и выражается по следующей формуле [34]:

= V ■ P(zt\ct.) ■ Sc^P ' (Akt-i) ■ pCct-il^.t.i), (3) где r| - коэффициент нормализации.

Используя матричный вид и определения апостериорного момента времени t в виде вектора, выражение 3 записывается в виде [36]:

Qt = [p(ct = cocc\z1:t) p(ct = cfree\z1:t)], (4)

и для момента t + 1:

Qt+i = QtAcBZt+irj. (5)

Выражение (5) используется непосредственно для оценки будущего состояния или оценки текущего состояния клетки, которая не наблюдалась ранее. В результате обновления Qt последовательными измерениями к раз с состоянием "без измерения" на выходе получается несмещенная оценка для Qt+k. При стремлении к к бесконечности значение клетки метрической карты сходится к стационарному распределению яс, которое рассчитывается по формуле [36]:

W РГЛ • (6)

Tir =

Pc0|/+PÎ10

Время, необходимое значению клетки для схождения к стационарному распределению яс, называется временем микширования и обозначается кШх. Для заданного значения в коэффициент микширования вычисляется по формуле [36]:

1П(£/Д0)

kmixiß) —

(7)

где Д0= Ip(ct = с0СС) -ттс(осс)| = |p(ct = cfree) - nc(free)\ является разницей между вероятностью занятости p(ct) клетки и её стационарного распределения ттс.

Параметры СММ включают в себя оценки вероятностей переходов между состояниями, модель наблюдений и начальное состояние распределения. Подразумевается, что модель наблюдений зависит только от сенсора, но не

Список литературы диссертационного исследования кандидат наук Доленко, Юрий Сергеевич, 2013 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Гонсалес Р. Цифровая обработка изображений в среде MATLAB / Р. Гон-салес, Р. Вудс, С. Эддинс ; пер. с англ. - М.: ТЕХНОСФЕРА, 2006. - 616 с.

2. Каляев A.B. Однородные управляющие структуры адаптивных роботов / A.B. Каляев, Ю.В. Чернухин, В.П. Носков ; под ред. A.B. Каляева и Ю.В. Черну-хина. -М. : Наука, 1990. - 152 с.

3. Лапшов B.C. Опыт создания автономных мобильных робототехнических комплексов специального назначения / B.C. Лапшов, В.П. Носков, И.В. Рубцов // Вестник МГТУ им. Н.Э. Баумана. «Специальная робототехника и мехатроника». -2011.-С. 7-24.

4. Рабинер Л.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор / Л.Р. Рабинер // Труды ИИЭР.

- 1989. - Т. 77. - № 2. - С. 123-129.

5. Системы технического зрения роботов со структурированной подсветкой / Г.А. Гусев и др. // Мехатроника, автоматизация, управление. Труды Первой Всероссийской научно-технической конференции с международным участием. - М.: Новые технологии, 2004. - С. 271-274.

6. Самарин А.И. Нейросетевые модели в задачах управления поведением робота/ Самарин А.И. //В кн.: Лекции по нейроинформатике. 3-я Всероссийская научно-техническая конференция "Нейроинформатика 2001". - М. : МИФИ, 2001. -С. 60-102.

7. Хьюбел Д. Глаз, Мозг, Зрение / Д. Хьюбел ; пер. с англ. - М.: Мир, 1990. -239 с.

8. Чернухин Ю.В. Микропроцессорное и нейрокомпьютерное управление адаптивными мобильными роботами / Ю.В. Чернухин // Учебное пособие. - Таганрог: ТРТИ, 1993. - 91 с.

9. Чернухин Ю.В. Нейропроцессорные сети / Ю.В. Чернухин // Монография.

- Таганрог: ТРТУ, 1999. - 439 с.

¥

10. Чернухин Ю.В. Программно-аппаратное моделирование внешней среды функционирования мобильных роботов с нейросетевым управлением на базе ро-бототехнического комплекта Hemisson / Ю.В. Чернухин, Р.В. Сапрыкин, Е.И. Ро-манчак, Ю.С. Доленко // Материалы XV Международной конференции по нейро-кибернетике. Том 2. - Ростов-на-Дону: Изд-во ЮФУ, 2009. - С.212-215.

11. Чернухин Ю.В. Моделирование поведения интеллектуальных агентов в динамических средах / Ю.В. Чернухин, A.A. Приемко // Учебное пособие. - Таганрог: Изд-во ЮФУ, 2007 - 233 с.

12. Чернухин Ю.В. Бионический подход к построению гибридной системы технического зрения для интеллектуальных мобильных роботов / Ю.В. Чернухин, П.А. Бутов, Ю.С. Доленко // Тезисы доклада. Информационные технологии, системный анализ и управление. Сборник трудов. - Таганрог: Изд-во ТТИ ЮФУ, 2011.-С. 20-23.

13. Чернухин Ю.В. Оптимизация нейросетевого подхода методом поля потенциалов в задаче навигации автономных интеллектуальных мобильных роботов / Ю.В. Чернухин, П.А. Бутов, Ю.С. Доленко // Материалы XVI Международной конференции по нейрокибернетике. - Ростов-на-Дону: Изд-во ЮФУ, 2012. - Т. 2. -С. 219-221.

14. Чернухин Ю.В. Бионические подходы к обработке сенсорной информации в нейросетевых системах управления интеллектуальных мобильных роботов / Ю.В. Чернухин, Ю.С. Доленко, П.А. Бутов // Известия ЮФУ. Технические науки. - Таганрог: Изд-во Технологический институт ЮФУ в г. Таганроге, 2012. - № 5 (130).-С. 194-199.

15. Чернухин Ю.В. Биоинспирированная система технического зрения для автономных интеллектуальных мобильных роботов / Ю.В. Чернухин, Ю.С. Доленко, П.А. Бутов // Тезисы докладов научно-технической конференции «Техническое зрение в системах управления - 2012». - Москва, 2012 - С. 24-26.

16. Чернухин Ю.В. Гетерогенная система технического зрения для нейросе-тевой системы управления автономного мобильного робота / Ю.В. Чернухин,

Ю.С. Доленко, П.А. Бутов // Тезисы докладов научно-технической конференции «Техническое зрение в системах управления - 2013». - Москва, 2013 - С.65-67.

17. Чернухин Ю.В. Нейросетевой подход к решению задачи локальной навигации интеллектуальными мобильными роботами в условиях, приближенных к реальной среде / Ю.В. Чернухин, Ю.С. Доленко, П.А. Бутов // Известия ЮФУ. Технические науки. - Таганрог: Изд. Технологический институт ЮФУ в г. Таганроге, 2013. -№ 5 (143). - С. 80-84.

18. Baum L.E. Statistical inference for probabilistic functions of finite state Markov chains / L.E. Baum, Т. Petrie // Ann. Math. Stat. - 1966. - Vol. 37. - P. 1554-1563.

19. Broch J.C.P Cognitive Maps for Mobile Robot Navigation: A Hybrid Representation Using Reference Systems / J.C.P Broch P., Т. E. Monferrer // In Proceedings of the 19th International Workshop on Qualitative Reasoning QR-05, Austria. - Granz, 2005.-P. 179-185.

20. Chuho Yi Map Representation for Robots / Chuho Yi, Seungdo Jeong, Jungwon Cho // Smart Computing Review. - 2012. - Vol. 2(1). - P. 18-27.

21. Enroth-Cugell C. The contrast sensitivity of retinal ganglion cells of the cat / C. Enroth-Cugell, J.G. Robson // Journal of Physiology. - 1966. - Vol. 187(3). - P. 517552.

22. Fox D. Probabilistic methods for mobile robot mapping / D. Fox, W. Burgard, S. Thrun // In Proc. of the IJCAI-99 Workshop on Adaptive Spatial Representations of Dynamic Environments, 1999.

23. Glasius R. Neural network dynamics for path planning and obstacle avoidance / R. Glasius , A. Komoda, S. Gielen // Journal Neural Networks. - 1995. - Vol. 8(1). -P. 125-133.

24. Goldstein E.B. Sensation & Perception, 7th edition / Goldstein E.B. //Belmont, CA: Wadsworth, 2007.

25. Hans Moravec / Moravec H., A. Elfes, C. Thorpe, L. Matthies, R.S. Wallace, P. Muir, D.H. Shin, G. Podnar // Autonomous Mobile Robots // CMU-RI-TR-86-04, Robotics Institute, Carnegie Mellon University. Annual Report. - 1985.

26. Hastie T. The EM algorithm / T. Hastie, R. Tibshirani, J. Friedman // The Elements of Statistical Learning: Data Mining, Inference and Prediction. - New York: Springer, 2001. - P. 236-243.

27. Heting Xu Real-time Collision-free Motion Planning of Nonholonomic Robots using a Neural Dynamics based Approach, Neural Networks / Heting Xu, Simon X. Yang // IEEE Transactions on. -2003. - Vol. 14(6) . -P. 1541-1552.

28. Holz D. Real-Time Plane Segmentation using RGB-D Cameras / D. Holz, S. Holzer, R.B. Rusu, S. Behnke // RoboCup 2011: Robot Soccer World Cup XV. - 2012. -P. 306-317.

29. Huang W.H. Image-Based Path Planning for Outdoor Mobile Robots / W.H. Huang, M. Ollis, M. Happold, B.A. Standi // IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION. - 2002. - Vol. 18(4). - P. 534 - 549.

30. Konolige K. Mapping, Navigation and Learning for Off-road Traversal / K. Konolige, A. Sundaresan, M. Agrawal, M.R. Bias, R.C. Bolles, B. Gerkey, J. Sola // J. Field Robotics. - 2009. - Vol. 26(1). - P. 88-113.

31. Konolige K. Navigation in Hybrid Metric - Topological Maps / K. Konolige, E. Marder-Eppstein, B. Marthi // International Conference on Robotics and Automation. 2011. Conference Proceedings. - P. 3041-3047.

32. Kuffler S. Discharge patterns and functional organization of mammalian retina / S. Kuffler // Journal of Neurophysiology. - 1953. - Vol. 16(1). - P. 37-68.

33. Kuipers B.J. A robot exploration and mapping strategy based on a semantic hierarchy of spatial representations / B.J. Kuipers, Y.-T. Byun // Journal of Robotics and Autonomous Systems. - 1991. - Vol. 8. - P. 47-63.

34. Lagoudakis M. Mobile Robot Local Navigation with a Polar Neural Map / M. Lagoudakis //M.Sc. thesis, University of Southwestern Louisiana, 1998.

35. Levinson S.E. An introduction to the application of the theory of probabilistic functions of a Markov process to automatic speech recognition / S.E. Levinson, L.R. Rabiner, M.M. Sondhi //Bell Syst. Tech. J. - 1983. - Vol. 4. - P. 1035-1074.

36. Meyer-Delius D. Occupancy Grid Models for Robot Mapping in Changing Environments / D. Meyer-Delius, M. Beinhofer, W. Burgard // AAAI Publications. 2012. Twenty-Sixth AAAI Conference on Artificial Intelligence.

37. Otte M. Local path planning in image space for autonomous robot navigation in unstructured environments / M. Otte, S. Richardson, J. Mulligan, G. Grudic // In International Conference on Intelligent Robots and Systems. 2007.

38. Otte M. Path Planning In Image Space For Autonomous Robot Navigation in Unstructured Environments / M. Otte, S.G. Richardson, J. Mulligan, G. Grudic // Journal of Field Robotics - Special Issue on LAGR Program, Part II. - 2009. - Vol. 26 (2). -P. 212-240.

39. Otte M. New Techniques for Path Planning in Image Space / M. Otte, D. Knights, J.J. Pfeiffer III, J. Mulligan, G. Grudic // Technical Report CU-CS-1052-09. 2009. University of Colorado at Boulder.

40. Rabiner L.R. An introduction to the hidden Markov models / L.R. Rabiner, B.H. Juang // IEEE ASSP Mag. - Vol. 3(1). - 1986. - P. 4-16.

41. Schultz A. Integrating Exploration, Localization, Navigation and Planning Through a Common Representation / A. Schultz, W. Adams, B. Yamauchi // Autonomous Robots. - 1999. - Vol. 6(3). - P. 293-308.

42. Thrun S. Robotic mapping: A survey / S. Thrun // In G. Lakemeyer and B. Nebel, editors. Exploring Artificial Intelligence in the New Millenium. 2002. Morgan Kaufmann.