Верифицируемые системы виртуального моделирования беспилотных транспортных средств тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Егорчев Антон Александрович

• Егорчев Антон Александрович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Егорчев Антон Александрович

СОДЕРЖАНИЕ

Глава 1. Современные и перспективные беспилотные транспортные средства и системы виртуального моделирования

1 Современные и перспективные беспилотные транспортные системы

1.1 Системы автопилотирования БТС

1.2 БТС ведущих производителей

1.3 Сравнительный анализ БТС ведущих производителей

2 Предпосылки для создания системы виртуального моделирования

2.1 Унифицированная обобщенная архитектура БТС

2.2 Прототипирование беспилотной системы на базе малогабаритной платформы

3 Системы виртуального моделирования

3.1 Сравнительный анализ программных средств виртуального моделирования робототехнических систем

3.2 Сравнительный анализ программных средств виртуального моделирования транспортных систем

Выводы

Глава 2. Система достоверного физико-технического виртуального моделирования беспилотных транспортных средств

1 Платформа виртуального моделирования

1.1 Достоверность физического моделирования

2 Алгоритм моделирования виртуальных полигонов

3 Моделирование БТС и системы сенсорики БТС для виртуальных полигонов

3.1 Математическая модель БТС и воздействующие физические силы

3.2 Кинематическая схема и развесовка БТС

3.3 Моделирование работы системы сенсорики БТС

3.3.1 Оптическая камера

3.3.2 Автомобильный сонар

3.3.3 Автомобильный лидар

3.3.4 Датчики инерциального блока

3.3.5 Радар

3.4 Моделирование данных динамической дорожной обстановки по полученным данным реальной системы сенсорики БТС

3.5 Моделирование восстановленного сценария движения по показаниям системы сенсорики БТС на виртуальном полигоне

4 Структура и инструментарий разработки системы виртуального моделирования и сценариев функционирования виртуальных полигонов

4.1 Программное описание виртуальных моделей и клиент-серверной архитектуры

4.2 Инструмент реализации виртуального моделирования физики

4.3 Инструмент реализации графического моделирования

4.4 Специальное программное обеспечение виртуализации среды передачи данных

4.5 Специальное программное обеспечение создания сценариев испытаний в составе ПО администрирования виртуального полигона

4.6 Специальное программное обеспечение создания интерактивных объектов и целевых БТС

4.7 Специальное программное обеспечение решения задачи восстановления сценария движения БТС по записанным показаниям системы сенсорики

4.8 Аппаратно-программный комплекс динамической симуляции дорожной обстановки по данным реальной системы сенсорики

4.9 Сравнительный анализ разработанной системы виртуального моделирования с существующими системами

Выводы

Глава 3. Системы машинного зрения и управления БТС в условиях сложной фоноцелевой обстановки в различных виртуальных сценариях эксплуатации

1 Подсистема машинного зрения с предварительной оценкой и обработкой видеопотока

1.1 Критерии автоматической оценки изображений видеопотока

1.1.1 Уровень шума

1.1.2 Уровень резкости

1.1.3 Наличие засветки

1.1.4 Уровень контрастности

1.2 Алгоритм автоматической оценки и обработки изображений

1.3 Распознавание объектов фоноцелевой обстановки

2 Подсистема управления БТС

2.1 Требования к подсистеме управления БТС в различных виртуальных сценариях эксплуатации

2.2 Существующие решения и особенности разработанной подсистемы управление БТС

2.3 Описание работы алгоритма управления упрощенного автопилота БТС в рамках подсистемы управления БТС

2.4 Параметры управляемости подсистемы управления БТС

3 Интеграция разработанных подсистем БТС в рамках концепции виртуального полигона

3.1 Интеграция алгоритма автоматической оценки и обработки изображений на виртуальный полигон в составе подсистемы машинного зрения

3.2 Интеграция подсистемы управления БТС на виртуальный полигон

Выводы

Глава 4. Верификация подсистемы сенсорики и алгоритмов управления целевой БТС

1. Целевая испытательная платформа «КАМАЗ-43083»

1.1Технические требования к разработке беспилотного траснпортного средства «43083»

1.2 Реализация беспилотного транспортного средства в системе виртуального моделирования

2. Система сенсорики целевой испытательной платформы

2.1 Архитектура системы сенсорики целевой испытательной платформы

2.2 Аппаратная часть системы сенсорики и её характеристики

2.3 Реализация системы сенсорики на виртуальном полигоне

2.3.1 Оптическая камера

2.3.2 Лидар

2.3.3 Инерциальный датчик

2.3.4 Радар

3. Испытания и верификация системы

3.1 Верификация базовых алгоритмов управления целевым беспилотным транспортным средством

3.2 Движение на площадке с неформализованной окружающей обстановкой -случайными препятствиями и случайной траекторией

3.3. Движение по дороге с разметкой с использованием сведений распознаваемой разметки и знаков дорожного движения

3.4. Верификация работы подсистемы машинного зрения

3.4.1 Оптические камеры

3.4.2 Автомобильный радар

3.4.3 Лидар

3.5 Верификация работы инерциальной системы навигации

Выводы

ЗАКЛЮЧЕНИЕ

Список сокращений и условных обозначений

ШИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ВВЕДЕНИЕ

Последние десятилетия можно охарактеризовать значительным ростом числа транспортных средств и сопровождающимся развитием дорожной инфраструктуры. Одновременно с этим были разработаны различные системы управления движением в целях повышения безопасности дорожного движения, пропускной способности дорог и комфорта движения.

Главная тенденция современного развития автомобильной техники - развитие систем ассистирования водителю (систем ADAS) с переходом в долгосрочной перспективе к полностью автономным транспортным средствам. Во многих случаях оператор будет задавать только лишь требуемый пункт назначения или промежуточные пункты, в то время как авторобот будет сам определять маршрут, выбирать режимы движения, контролировать своё состояние и отрабатывать нештатные ситуации.

Одним из важных этапов разработки подобных систем может являться комплексное моделирование как самих автороботов различного назначения, так и взаимодействующих с ними объектов, окружающей обстановки и погодных условий. Проведение испытаний на виртуальных моделях роботов обеспечивает выявление алгоритмических ошибок и ошибок конструирования еще на этапе тестирования виртуальной модели - что существенно сокращает финансовых и временных затрат на ремонт и замену дорогостоящих деталей при проведении испытаний в различных средах.

Основные тенденции современной робототехники направлены на развитие искусственного интеллекта, и в особенности систем машинного зрения. Таким образом, построение верифицируемых моделей систем сенсорики имеют критическое значение в задачах виртуального и полунатурного моделирования и детально рассмотрены в рамках представляемой диссертации.

При проведении исследования были проанализированы труды по комплексам виртуального моделирования сложных технических систем, систем беспилотного транспорта, систем машинного зрения, систем планирования и построения пути:

Воронин О.К., Мостовой И.К., Порубов Д. М., Казанская Л.Ф., Свицкая Н.В., Камзол П.П., Магид Е., Лавренов Р., Афанасьев И., Пинчин А.В., Тюгин Д. Ю., Тумасов А. В., Береснев П. О., Беляков В. В., Сергеев К.Е., Писарев А.В, Шишанов С.В., Мякиньков А.В., Рыбкин С.В., Нестеров А.Ю., Y. Bouzid, H. Siguerdidjane, Y. Bestaoui, M. Zareb, C. Zhang, Y. Liu, D. Zhao, Y. Su, W. Xiang, X. Yan, D. Guo, J. Yang, Y. Liu, W. Zhang, X. Wang, Y. Xuedong, W. Jiangfeng, L. Dan, U. Özgüner., P. Ridley and P. Corke, C. Pradalier, A. Tews, and J. Roberts, T. Bell, G. Elkaim, D. B. Parkinson, M. O'Connor, T. U. Eindhoven, W. Shin, A. Ailon, N. Berman, Han-Pang Huang, H. Rohnert, H. Choset, J. Burdick. R. Pepy, A. Lambert Poyton Charles, A. Rehabitation, Immerkaer J., Hummel R., Pizer S. M., Kim. V., Beghdadi A., Gordon R., Acharya T. и др.

Степень разработанности проблемы исследования

Существуют практические решения, уступающие разработанной системе в полноте учета взаимовлияния наиболее значимых критериев, с ограниченным функционалом верификации алгоритмов управления БТС и функционирования системы сенсорики.

Исследуемая проблема

Отсутствие комплексной концепции и отдельных инструментов систем виртуального моделирования для проведения испытаний на объектах повышенного уровня опасности - крупногабаритных грузовых транспортных средствах.

Практическая ценность:

1. Проведение верифицированных испытаний виртуальных моделей беспилотных транспортных средств, обеспечивает принципиальное сокращение финансовых и временных затрат на оплату труда, амортизацию техники, ремонт и замену дорогостоящих деталей при проведении испытаний в различных средах;

2. Разработанная система виртуального моделирования является универсальной для реализации под ОС Windows 10 и ОС Ubuntu от 16.04 и открыта (имеет инструменты) для встраивания любых внешних инструментариев;

3. Построены верифицируемые виртуальные модели основных типов датчиков для беспилотных транспортных систем с максимальным отклонением значения ошибки 1-го рода при детектировании целевых объектов с помощью оптических камер в виртуальной и реальной среде 1,28%, радаров 2,38%, лидаров 1,94%, ошибки второго рода - оптические камеры 3,06%, радары 2,28%, лидары 3,27%. , ошибки 1-го рода при классификации целевых объектов с помощью оптических камер в виртуальной и реальной среде равно 1,89%, радаров 2,27%, лидаров 1,07%, ошибки второго рода - оптические камеры 1,7%, радары 2,19%, лидары 1,34%;

4. Разработанные методы позволили обеспечить корректный выбор сенсорики и реализацию устойчивых алгоритмов управления беспилотных транспортных средств на базе шасси КАМАЗ-43083.

Экономическая эффективность при внедрении системы виртуального моделирования в сферах разработки автоматизированной сельхозтехники:

А) Экономия на используемой технике(ТС) для проведения разработки и испытаний достигает 30-35%. Это обусловлено, условно говоря, 3-я тракторами вместо 4-х и более за счет проведения виртуальных испытаний на более большом количестве техники за счет отсутствия использование дополнительных единиц техники для испытания взаимодействия У2У. Исходя из стоимости трактора типа Кировец К7хх от 3 до 6 млн. и среднего срока службы до капремонта в 10 лет -получаем:

— годовую экономию в 300-600 тыс. рублей на каждую оснащенную единицу техники уже существующей на предприятии и выделенной для проведения испытаний.

— экономию на закупке дополнительных ТС для более обширного проведения испытаний У2У от 3 до 6 млн. рублей на одну дополнительную единицу техники для проведения разработки и испытаний.

— экономию на закупке дополнительных ТС от 3 до 6 млн. рублей на одну дополнительную единицу техники при полной потере либо невозможности восстановления ТС за счет возникновения аварийных ситуаций в реальной среде.

— экономия на оснащении дополнительной техники оборудованием для его автоматизации от 500 до 700 тыс. рублей на одно ТС.

Список оборудования для оснащения техники представлен в таблице

Таблица 1 - Список оборудования для оснащения техники

Наименование позиции Цена (розница, до 10 шт.) Цена (опт, до 100 шт.)

Камера фронтальная, FullHD, скоростная, машинного зрения + широкоугольный обьектив. 950 EUR 650 EUR

Камера боковая HD-ready (зеркал заднего вида), машинного зрения + узкоугольный обьектив (2 шт.) 750 EUR *2 = 1500 EUR 500 EUR *2= 1000 EUR

Камера заднего хода, HD-ready + широкоугольный обьектив. 750 EUR 750 EUR

Прожекторы ночного освещения 250 EUR *2 = 500 EUR 150 EUR *2= 300 EUR

Радары фронтальный и задний, широкоугольные, автомобильные 500 EUR *2 = 1000 EUR 300 EUR *2= 600 EUR

GSM-радиомодем всестандартный, 2-симочный, автомобильный 500 EUR 400 EUR

УКВ-модем+радиостанция 400 EUR 300 EUR

Система точной RTK+INS-навигации 1200 EUR 900 EUR

Вычислительный блок 1300 EUR 950 EUR

Кабельное хозяйство, датчики, управляющие устройства, конвертеры интерфейсов 500 EUR 350 EUR

ИТОГО себестоимость оснащения на 1 машину*: 8600 EUR (710 000 р. по курсу 83 р./EUR) 6200 EUR (510 000 р. по курсу 83 р./EUR)

Б) Экономия по ФЗП за счет проведения испытаний в виртуальной среде (штат программистов-операторов при этом не увеличивается). Средняя заработная плата квалифицированного механизатора в РТ: 35000 рублей в месяц «на руки», и с учетом налогов - 50000 рублей. В среднем на 1 единицу техники - 2-2,5 механизатора.

За полгода активной работы ежегодно (тракторная техника одна из самых интенсивно используемых на длительный период) получаем на каждую единицу

автоматизированной техники полную ФЗП экипажа порядка 600 тыс. - 900 тыс. рублей.

В) Экономия по ГСМ:

— Исходя из средней стоимости в 45 р. за литр солярки; среднего расхода 30 л./час получаем месячный расход в 30*24*30*45=972 000 р. при круглосуточной работе.

— За полгода активной работы ежегодно получаем экономию до 4-6 млн. рублей в год на каждой сэкономленной единице транспорта.

Итого: Без учета экономии на закупке новой техники экономия составит до 8,5 млн. рублей в год, с учетом экономии на закупки одной единицы техники до 14,5 млн. рублей в год.

Теоретическая значимость исследования состоит в создании концепции виртуальных полигонов и отдельных инструментов систем виртуального моделирования для проведения испытаний беспилотных БТС.

Объект исследования

Объектом исследования являются системы виртуального моделирования.

Предмет исследования

Предмет исследования - верифицируемые виртуальные полигоны беспилотных транспортных средств.

Введение диссертации (часть автореферата) на тему «Верифицируемые системы виртуального моделирования беспилотных транспортных средств»

Цель работы:

Разработка научных основ для построения верифицируемых систем виртуального моделирования БТС.

Задачи научных исследований:

Цель диссертационной работы достигается посредством решения следующих подзадач:

1. Разработка теоретических основ достоверного физико-технического виртуального моделирования беспилотных транспортных систем с различными виртуальными сценариями эксплуатации (виртуальных полигонов). Удовлетворяет

паспорту специальности по областям исследований: 1, 2. Решение задачи представлено во второй главе;

2. Разработка верифицируемых достоверных моделей представления БТС и отдельных подсистем БТС для интеграции в виртуальные полигоны. Удовлетворяет паспорту специальности по областям исследований: 4, 5, 7, 12. Решение задачи представлено в четвёртой главе;

3. Исследование показателей систем оптикоэлектронной сенсорики и БТС в условиях сложной фоноцелевой обстановки в различных виртуальных сценариях эксплуатации и их верификация. Удовлетворяет паспорту специальности по областям исследований: 5, 7, 11. 12. Решение задачи представлено в разделах 1 и 3 третьей главы, разделе 3 четвертой главы;

4. Исследование показателей управляемости системы построения пути БТС и в условиях сложной фоноцелевой обстановки в различных виртуальных сценариях эксплуатации их верификация. Удовлетворяет паспорту специальности по областям исследований: 4, 9, 11,12. Решение задачи представлено в разделах 2 и 3 третьей главы, разделе 3 четвертой главы;

Научная новизна работы

1) Разработаны теоретические основы и методы построения виртуальных полигонов - верифицируемых систем достоверной симуляции и комплексного воспроизведения динамических процессов и объектов робототехнических метасистем, отличающаяся от существующих систем виртуального моделирования автотранспорта добавлением в модель системы принципиально новой страты - система реального БТС, а так же отличающаяся объединением преимуществ систем моделирования робототехнических средств, и систем моделирования колесного автотранспорта на основании сформулированной совокупности критериев.

2) Разработана верифицируемая критериальная зависимость для подсистемы сенсорики, отличающаяся от существующих возможностью синхронизации виртуальных моделей с реальной системой сенсорики БТС, определены

отклонения значений ошибок первого и второго рода в виртуальной среде по отношению к реальной при детектировании и классификации объектов для оптических камер, радаров, лидаров в составе подсистемы машинного зрения.

3) Выявлены критерии (уровень шума, уровень резкости, наличие засветки, уровень контрастности), соответствующие им интервалы значений признаков, функционалы оценки каждого критерия потока изображений и оценки качества изображений и их комплексной каскадной обработки, на базе которых разработан алгоритм позволяющий модифицировать подсистему машинного зрения на базе оптических камер и улучшить результаты детектирования и классификации объектов - в среднем уменьшить возникновение ошибки первого рода на 1,6% (на 35 % улучшить результат) при детектировании и на 1,87 % (на 32 % улучшить результат) при классификации объектов по сравнению с необработанным изображением и ошибку второго рода на 1,3 % (на 33 % улучшить результат) при классификации и 1,16 % (на 31 % улучшить результат) при классификации.

4) Разработан верифицируемый на виртуальных полигонах алгоритм управления и планирования малорисковых сценариев поведения элементов беспилотной транспортной системы, учитывающий в отличие от существующих данные анализа и рассчитанные наборы моделей внешних воздействий специфичных для внутризаводских перевозок на базе определенных и оптимизированных параметров управляемости системы управления БТС.

Методология и методы исследований

Основные результаты в рамках работы были получены путем систематизации, анализа и теоретического обобщения достижений в области разработки и повышения эффективности функционирования алгоритмов управления системами автономных логистических перевозок, алгоритмов и методов обработки изображений, а также систем виртуального моделирования.

Теоретические результаты базируются на использовании методов математического и виртуального моделирования, методов распознавания образов

и цифровой обработки сигналов, методов фильтрации цифровых изображений, методов теории графов, методов теории принятия решений и численных методов.

Экспериментальные исследования проводились c использованием современного программного обеспечения математического и системного моделирования: Gazebo 10.0, MatLAB 2019b, DART (Dynamic Animation and Robotics Toolkit).

Научные положения, выносимые на защиту

На защиту выносятся следующие научные положения, выдвигаемые на основе полученных в диссертационной работе результатов:

1. Сформулированы теоретические основы физико-технического виртуального моделирования беспилотных транспортных средств с различными виртуальными сценариями эксплуатации (виртуальных полигонов);

Удовлетворяет паспорту специальности по областям исследований: 1, 2.

Представлено во второй главе;

2. Разработан инструментарий системы (расширенный по сравнению с конкурентными системами) физико-технического виртуального моделирования беспилотных транспортных средств и разработаны модели представления систем БТС и их отдельных подсистем для интеграции в виртуальные полигоны;

Удовлетворяет паспорту специальности по областям исследований: 4, 5, 7, 12.

Представлено во второй главе;

3. Выявлены критерии (уровень шума, уровень резкости, наличие засветки, уровень контрастности), соответствующие им интервалы значений признаков, функционалы оценки каждого критерия потока изображений и оценки качества изображений и их комплексной каскадной обработки, на базе которых разработан алгоритм позволяющий модифицировать подсистему машинного зрения на базе оптических камер и улучшить результаты детектирования и классификации объектов - в среднем уменьшить возникновение ошибки первого рода на 1,6% при детектировании и на 1,87 % при классификации объектов по сравнению с необработанным изображением и ошибку второго рода на 1,3 % при классификации и 1,16 % при классификации.

Удовлетворяет паспорту специальности по областям исследований: 5, 7, 11

Решение задачи представлено в разделах 1 и 3 третьей главы, разделе 3 четвертой главы;

4. Определены и оптимизированы параметры управляемости системы построения пути БТС 5 = Х(£), V, Е, гу, , ф, ё,(р, к), Е$, О, и, в условиях сложной фоноцелевой обстановки в различных виртуальных сценариях эксплуатации, позволяющие достичь максимальное отклонение в 0,9 м и среднее квадратическое отклонением 0,26 м и по сравнению с реальным маршрутом.

Удовлетворяет паспорту специальности по областям исследований: 4, 9, 11, 12.

Решение задачи представлено в разделах 2 и 3 третьей главы, разделе 3 четвертой главы;

5. Разработан верифицируемый на виртуальных полигонах алгоритм управления и планирования малорисковых сценариев поведения элементов беспилотной транспортной системы, учитывающий данные анализа и рассчитанные наборы моделей внешних воздействий специфичных для внутризаводских перевозок.

Удовлетворяет паспорту специальности по областям исследований: 4, 9, 11, 12.

Решение задачи представлено в разделах 2 и 3 третьей главы, разделе 3 четвертой главы;

Реализация работы

Теоретические и практические результаты, полученные в диссертационной работе внедрены и использованы в научно-производственной деятельности ФГАОУ ВО КФУ в выполнении комплексной НИОКР «Голем16», (договор № 9973/17/50-16-к от 11.10.2016). Результаты работы стали основополагающими для выполнения трех НИОКР, выполняемых КФУ по договорам с партнерами. Разработанные методы позволили создать беспилотное транспортное средство на базе шасси КАМАЗ-43083.

Разработанные методы виртуального моделирования позволили разработать и испытать алгоритмы хождения антропоморфного робота AR-601 в рамках работ КФУ.

Результаты работы, в частности разработанный автором инструментарий виртуального моделирования, внедрены в научно-исследовательскую деятельность ООО «Фарватер» и ООО «Р-Визионер».

Личный вклад автора

Личный вклад автора заключается в:

— создании метода построения систем виртуального моделирования, анализе литературы, руководстве процесса реализации и отладки данной системы, анализе полученных данных;

— построении методики моделирования показаний системы сенсорики, руководстве процесса реализации и отладки системы, анализе полученных данных;

— построении моделей систем сенсорики и вычислительной системы транспортного средства;

— построении алгоритма работы системы автоматической оценки и предобработки системы машинного зрения, анализе литературы по данной тематике, отборе критериев, проектировании программного обеспечения, поиске и отборе входных данных, руководстве по разработке и отладке системы,

— участии в построении алгоритма работы системы построения маршрута и упрощенного пилотирования, анализе литературы, построении самой системы, определении параметров управляемости системы построения пути в условиях сложной фоноцелевой обстановки в различных виртуальных сценариях эксплуатации, поиске и отборе входных данных, руководстве по разработке и отладке системы в системе виртуального моделирования;

— руководство проведением испытаний системы с целью получения данных для проведения верификации подсистем системы виртуального моделирования, верификация подсистем;

— построении алгоритма работы системы, написания программы и отладки программного обеспечения на целевой платформе.

— автор является руководителем группы высокоуровневой разработки выполняемой работы совместной группы исследователей и инженеров КФУ и ПАО КАМАЗ ««Виртуальная и сенсорная инфраструктура системы автономных логистических перевозок». На основании проведения данных работ вклад автора заключается анализе получаемых результатов и написании научных статей.

Результаты исследования, опубликованные в изданиях из списка ВАК:

— Егорчев А.А., Чикрин Д.Е., Бриский Д.В. Решение задач виртуального моделирования показаний системы сенсорики в системах беспилотного транспорта // Современная наука: актуальные проблемы теории и практики. Серия Естественные и технические науки. 2020. - №6. - С.74-81.

Личный вклад автора заключается в построении методики моделирования показаний системы сенсорики, руководстве процесса реализации и отладки системы, анализе полученных данных;

— Чикрин Д.Е., Егорчев А.А., Свалова И.Е., Державин Д.В. Виртуальное физическое и визуальное моделирование работы механических элементов технических систем // Перспективы науки. - 2018. - №3 (102). - С.25-32.

Личный вклад автора заключается в создании методологии построения систем виртуального моделирования, анализе литературы, руководстве процесса реализации и отладки системы, анализе полученных данных;

— Державин Д.В., Егорчев А.А., Малюгина А.А., Чикрин Д.Е. Автоматическая оценка и предобработка изображений видеопотока для задач машинного зрения // Современная наука: актуальные проблемы теории и практики. Серия Естественные и технические науки. - 2018. - №6. - С.145-157.

Личный вклад автора заключается в построении алгоритма работы системы автоматической оценки и предобработки системы машинного зрения, отборе критериев, проектировании архитектуры программного обеспечения, поиске и отборе входных данных, руководстве по реализации и отладке системы,

— Чикрин Д.Е., Егорчев А.А., Голоусов С.В., Савинков П.А., Тумаков Д.Н. Использование динамических рефлексивных графов при решении задач планирования пути и тактического управления роботизированной колесной платформой // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2018. - №4. - С.75-87.

Личный вклад автора заключается в анализе части литературы, построении системы, определении параметров управляемости системы построения пути в условиях сложной фоноцелевой обстановки в различных виртуальных сценариях эксплуатации, участии в построении алгоритма работы системы построения маршрута и упрощенного пилотирования, поиске и отборе входных данных, руководстве по разработке и отладке системы в системе виртуального моделирования.

Результаты исследования, опубликованные в научных журналах базы данных Scopus:

— Egorchev A.A. System of automatic video stream images evaluation and preprocessing for ADAS // IOP Conference Series: Materials Science and Engineering. -2020. - Vol.873. - Art.№012007. - 9 p. - Doi: 10.1088/1757-899X/873/1/012007

Личный вклад автора заключается построении алгоритма работы системы, написания программы и отладки программного обеспечения на целевой платформе;

Результаты исследования, опубликованные в иных изданиях:

— Егорчев А.А., Кокунин П.А., Миллер А.Б., Чикрин Д.Е. Программная платформа виртуализации сетевого оборудования и эффектов среды передачи данных // Информационные процессы. - 2014. - Т.14, № 4. - С.319-325.

Личный вклад автора заключается в участии в разработке основных принципов работы системы;

— Чикрин Д.Е., Егорчев А.А., Голоусов С.В., Савинков П.А., Кокунин П.А. Создание автономных автомобилей КАМАЗ для закрытых территорий // Вестник НЦБЖД. - 2018. - №2 (36). - С.137-143.

Личный вклад автора состоит в построении моделей систем сенсорики и вычислительной системы транспортного средства;

— Egorchev A., Chickrin D. Methodology and model of unmanned vehicles virtual simulation system // Journal of Advanced Research in Dynamical and Control Systems. -2020. - Vol. 12, Iss. 6. - Р.1316-1322.

РИД, полученные по результатам исследований:

— Егорчев А.А., Кокунин П.А., Миллер А.Б., Чикрин Д.Е. «Программа создания интерактивных подстилающих поверхностей для эмулирования функционирования средств оптического, тепловизионного, радиолокационного наблюдения» // Свидетельство о государственной регистрации программы для ЭВМ №2015613994 от 01.04.2015.

Личный вклад состоит в написании программного кода, реализующий систему моделирования подстилающих поверхностей.

— Егорчев А.А., Чикрин Д.Е., Голоусов С.В., Кокунин П.А., Литвин М.А. «Программное обеспечение определения характеристик объектов на видеоряде» // Свидетельство о государственной регистрации программы для ЭВМ №2017661420 от 12.10.2017.

Личный вклад состоит в создании архитектуры программы, руководстве написания программного кода, отладке программы системы машинного зрения на виртуальном полигоне.

Апробация результатов работы:

Основные положения и результаты диссертационного исследования докладывались, обсуждались и представлялись на следующих конференциях:

— Федеральный форум «Smart Cars & Roads - цифровая трансформация экосистемы «автомобиль-дорога» в Российской Федерации», «Масштабируемые аппаратно-программные архитектуры вычислительных блоков сенсорики ADAS», Москва, 30 ноября 2017 год;

— Федеральный форум «Smart Cars & Roads - цифровая трансформация экосистемы «автомобиль-дорога» в Российской Федерации», «Способы

автоматизации специальных транспортных средств, эксплуатируемых в жестких внешних условиях», Москва, 30 ноября 2017 год;

— Всероссийская научно-техническая конференция «Информационно-управляющие и телекоммуникационные системы специального назначения», «Использование динамических рефлексивных графов при решении задач планирования пути и тактического управления роботизированной колесной платформой», Пенза, 15 мая 2018 год;

— 2019 IEEE International Black Sea Conference on Communications and Networking (BlackSeaCom), «Systems of high reliability virtual modelling of unmanned vehicles», Сочи, 04 июня, 2019 год;

— «1st International Conference on Innovative Informational and Engineering Technologies (IIET-2020)», «System of automatic video stream images evaluation and preprocessing for ADAS», Ставрополь, 28 мая, 2020 год;

— Всероссийская научно-техническая конференция с международным участием имени профессора Пьявченко О.Н. "Компьютерные и информационные технологии в науке, инженерии и управлении" «КомТех-2020», «Разработка высокоточной спутниково-локально-инерциальной системы навигации в задачах беспилотного управления транспортными средствами» Таганрог, 03 июня, 2020 год.

В процессе исследования (работа с вычислительной системой) проводилась программа повышения квалификации сотрудников ПАО КАМАЗ и ФГАОУ ВО КФУ, результатом которой стало методическое пособие:

— Тумаков Д.Н., Чикрин Д.Е., Егорчев А.А., Голоусов С.В. «Технология программирования CUDA»: учебное пособие - Казань, Изд-во Казанского университета, 2017. - 112 с. (ISBN 978-5-00019-913-8)

Глава 1. Современные и перспективные беспилотные транспортные средства и системы виртуального моделирования 1 Современные и перспективные беспилотные транспортные системы

1.1 Системы автопилотирования БТС

Развитие беспилотных технологий - одно из самых перспективных направлений. Россия наряду с другими государствами участвует в разработках по реализации данных технологий. В будущем это приведет к увеличению безопасности, экономическому росту и развитию социальной сферы в стране. [1]

Рынок автомобильного транспорта на настоящий момент готовится к переломному моменту - выводу на массовый рынок транспортных средств (легковых, грузовых и специализированных автомобилей) с высокой степенью автоматизации - уровня ADAS3+ - так называемых беспилотных транспортных систем. Ориентировочные сроки появления серийных автомобилей всех типов с функционалом ADAS3+ это 2022 - 2025 годы. На текущий момент абсолютным большинством крупных автопроизводителей ведутся исследования и разработки в данном направлении, разработано достаточно большое количество прототипов, предсерийных и серийных систем. [2]

На сегодняшний день, использование различного типа сенсорного оборудования, таких как устройства фото- и видео- фиксации, ультразвуковые датчики и локаторы, радары, лидары и прочее, в частности, используемые в беспилотных транспортных средствах как источники данных машинного зрения, дают широкий спектр возможности реализации новых интеллектуальных систем автопилотирования.[3]

Наиболее известными из таких являются:

— ACC (Adaptive Cruise Control) - Адаптивный или активный круиз контроль позволяет контролировать скорость транспортного средства в автоматическом режиме, сохраняя неизменной дистанцию до впереди идущего автомобиля.

Сегодня предлагаются варианты более продвинутых систем активного круиз контроля, позволяющие осуществлять маневрирование и объезд препятствий на дороге. [4, 5]

— Lane Assist (Lane Keeping Assist) - Система помощи движения по полосе помогает водителю придерживаться полосы и избегать непреднамеренных съездов с нее, для предотвращения аварийных ситуаций. Система наиболее эффективна при движении по автомагистралям и федеральным трассам, т.е. по дорожному покрытию, имеющую качественную дорожную разметку. Система может работать как в пассивном или предупредительном режиме, так и активном, который корректирует движение транспортного средства. Работоспособность системы обеспечивается обработкой сигналов фото- и видео- фиксации. [6]

— Blind spot monitor - Система контроля слепых зон, система помощи при перестроении, предотвращающая аварийные ситуации при маневрировании транспортного средства, в случае нахождения препятствующих объектов или других транспортных средств в зонах отсутствия обзора водителя. Система корректирует движение, не позволяя водителю выполнить маневр, способствующий созданию аварийной ситуации. [7]

— PDS (Pedestrian Détection System) - Система предотвращения столкновения с пешеходами, активирующая тормозную систему автомобиля, при возникновении опасной ситуации наезда на пешехода. Для работы PDS используются камеры или радары, а в качестве исполнительного механизма выступает система экстренного торможения. [8]

— CRS (Qrcular review system) - система кругового обзора, система основана на данных полученных с датчиков, установленных по периметру транспортного средства, и может выполнять как функции аналогичные системе контроля слепых зон, так и функции ассистента парковки.[9]

— Parking assistant - интеллектуальный ассистент парковки, облегчает постановку авто на стоянку в условиях ограниченного пространства, либо переводит управление транспортным средством в автономный режим.[10]

— Night vision system - система ночного видения, выполняет функции предупредительного характера, либо коррекции движения транспортного средства или даже активации тормозной системы, при движении в темное время суток с ограниченной видимостью.[11]

— Road sign recognition system - система распознавания дорожных знаков основанная исключительно на мультиспектральном анализе визуальных данных машинным зрением. Система, как правило, предупреждает водителя о действии ограничений на участках движений, установленных дорожными знаками, в случае если водитель не успел заметить их. [12]

1.2 БТС ведущих производителей

Ряд зарубежных компаний испытывают и представляют свои проекты в области автоматизации производства, автономных транспортных перевозок, беспилотных автомобилей, автопилотов и грузовиков-роботов. Среди этих компаний такие ведущие производители как BMW[13], Audi [14-15], NVIDIA[16], DaimlerAG, VOLKSWAGEN[17], китайская компания Baidu, Ford, Tesla, Российская компания Volgabus. Первенство в области использовании роботов в логистических центрах принадлежит Audi: система была запущена на заводе в Ингольштадте в конце 2015 года. Компания BMW стала вторым участником Большой немецкой тройки, запустившим на склад роботов. В логистическом центре BMW в Вакерсдорфе проводится тестирование автоматизированной системы, которая поможет сэкономить 5% затрат на производство каждого автомобиля. Часть складских рабочих заменили автономные электрические тележки Smart Transport Robot, развозящие запчасти в контейнерах по помещениям. Роботы ориентируются благодаря радиопередатчикам на стенах, цифровой карте, по навигационным меткам на полу. Их сенсоры обнаруживают препятствия на пути. [18]

Компания Volgabus разработала электромобиль, рассчитанный на перевозку только шестерых человек. Новинка компании Volgabus была продемонстрирована

в Москве на выставке стратегических инициатив. Управление электромобилем происходит благодаря программному обеспечению, умеющему в реальной жизни контролировать ситуацию на дороге. Volgabus занимается разработкой основной платформы, на которой будет разработано большое количество автомобилей-роботов для различного применения. Группа, работающая над новой разработкой, была основана на заводе "Волжанин", который выпускал 500 штук автобусов ежегодно в Волгоградской области.[19]

Полностью автономная, управляемая искусственным интеллектом, тренировочная гоночная машина от Roborace была протестирована на трассе в Сильверстоуне. Управляется автомобиль центральным процессором Nvidia, с помощью камер и радиолокационных датчиков. Бортовой компьютер с искусственным интеллектом для беспилотных автомобилей NVIDIA DRIVE PX 2 -это открытая вычислительная платформа с искусственным интеллектом, которая позволяет ускорить разработку и выпуск автомобилей с системами автоматического управления. Энергоэффективный малогабаритные модуль, обеспечивающий возможности автоматического круиз-контроля, расширяется до мощного суперкомпьютера искусственного интеллекта, способного обеспечить беспилотное управление автомобилем. Конфигурация DRIVE PX 2 с одним процессором для поддержания функций круиз-контроля, включая беспилотное передвижение по автомагистралям и создание HD карт, потребляет всего 10 Вт энергии. Платформа DRIVE PX 2 позволяет использовать в автомобиле глубокие нейронные сети для обработки данных, поступающих с многочисленных камер и датчиков. Платформа DRIVE PX 2 помогает автомобилю оценить ситуацию вокруг, точно определить свое местоположение на карте и спроектировать безопасный маршрут движения. Это современная платформа, включающая в себя технологии: глубокого обучения, объединения датчиков и кругового обзора, которые меняют манеру вождения автомобиля. Масштабируемая архитектура платформы позволяет создавать разные конфигурации. Это может быть система с одним мобильным процессором с пассивным охлаждением и энергопотреблением не более 10 Вт или

же производительная конфигурация с двумя мобильными процессорами и двумя дискретными GPU, способными выполнять 24 триллиона операций глубокого обучения. Несколько платформ DRIVE PX 2 могут быть использованы параллельно для обеспечения полностью беспилотного управления автомобилем. [20]

В свою очередь компания Daimler впервые выпускает грузовик-робот на дорогу общего пользования. Этот автомобиль, Mercedes-Benz Actros, приобрел функционал к автономному передвижению благодаря установленной на него системе управления «Highway Pilot», работа которой была проверена впервые в реальных условиях на шоссе Autobahn A8 неподалеку от Штутгарта, Германия. Использование такой системы, снимающей часть нагрузки с водителя во время длительных поездок, позволяет уменьшить вероятность совершения им ошибок в результате усталости и рассеивания внимания. Кроме этого, расчет оптимального режима передвижения, ускорения и торможения, позволит выполнять перевозки грузов с максимально возможной эффективностью, снижая количество затрачиваемого топлива и, как следствие, количество вредных выбросов в окружающую среду. Система была установлена на грузовом автомобиле MercedesBenz Future Truck 2025, который под ее управлением совершал поездки по дорогам испытательного полигона. А последний вариант системы «Highway Pilot» уже имеет уровень универсальности, позволяющий ей быть установленной не только на опытный автомобиль, но и на автомобиль серийного производства.

Список литературы диссертационного исследования кандидат наук Егорчев Антон Александрович, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Казанская Л.Ф., Свицкая Н.В., Камзол П.П. Перспективы развития беспилотного транспорта в России // Бюллетень результатов научных исследований 2018. № 2. С. 18-28.

2. Okuda R., Kajiwara Y., Terashima K. A survey of technical trend of ADAS and autonomous driving// Technical Papers of 2014 International Symposium on VLSI Design, Automation and Test. Hsinchu. 2014. pp. 1-4, doi: 10.1109/VLSI-DAT.2014.6834940.

3. Nkoro A. B., Vershinin Y. A.: Current and future trends in applications of Intelligent Transport Systems on cars and infrastructure// 17th International IEEE Conference on Intelligent Transportation Systems (ITSC). Qingdao. 2014. pp. 514-519. doi: 10.1109/ITSC.2014.6957741.

4. Воронин О.К, Мостовой И.К. Адаптивный круиз-контроль// Достижения современной науки и образования, Материалы I Международной междисциплинарной конференции. Таганрог. 2017. C.10-11.

5. Haspalamutgil K., Adali E. Adaptive switching method for Adaptive Cruise Control// 21st International Conference on System Theory, Control and Computing (ICSTCC). Sinaia. 2017. pp. 140-145. doi: 10.1109/ICSTCC.2017.8107024.

6. Порубов Д. М., Пинчин А.В., Тюгин Д. Ю., Тумасов А. В., Береснев П. О., Беляков В. В. Разработка системы удержания в полосе движения для коммерческих транспортных средств // Труды НГТУ им. Р.Е. Алексеева. 2019. (2). С. 197-204.

7. Кузьменко В., Петренко А., Невмержитский М.: Car blind spot monitoring system // Материалы VIII Всероссийской научно-практической конференции студентов, аспирантов и молодых учёных. 2019. С. 129-132.

8. Сергеев К.Е., Писарев А.В. Система активной безопасности "автомобиль-автомобиль-человек" // Сборник материалов x всероссийской, научно-практической конференции молодых ученых с международным участием "россия молодая". 2018. С. 31314.1-21314.2.

9. Шишанов С.В., Мякиньков А.В. Система кругового обзора для транспортных средств на основе сверхширокополосных датчиков // Известия вузов России. Радиоэлектроника. 2018 Вып.2. С.55-58.

10. Сотников А.А., Слепынина Е.А. Система автоматической парковки крупногабаритноготранспортного средства // Молодежный научный форум, Москва. 2018. №12(13). С. 60-65.

11. Махмутов М.М., Самалыкова А.С., Е.А. Слепынина. Технические средства для обеспечения безопасности автомобиля // Техника и технология траспорта: безопасность дорожного движения. 2017. №4. С. 8.

12. Рыбкин С.В., Нестеров А.Ю. Подходы в распознавании дорожных знаков // Сборник статей Международной научно-практической конференции. В 4-х частях. 2017, С. 16-19.

13. Сайт BMW ^nnected Drive [электронный ресурс]. Режим доступа https://www.bmw-connecteddrive.ru/ свободный. Дата обращения 31.08.2018.

14. Сайт Audi [электронный ресурс]. Режим доступа https://www.audi.com/ свободный. Дата обращения 31.08.2018.

15. Сайт Audi Technology Portal [электронный ресурс]. Режим доступа https://www.audi-technology-portal.de/ свободный. Дата обращения 31.08.2018.

16. NVIDIA VisionWorks toolkit [сайт]. Режим доступа: https://developer.nvidia.com, свободный (дата обращения: 31.08.2018).

17. VOLKSWAGEN [сайт]. Режим доступа: https://www.volkswagenag.com/, свободный (дата обращения 31.08.2018).

18. Соколов Н.В., Голышков И.А., Чевордаев И.А. Применение информационных технологий в автомобиле при использовании автопилота // Сборник трудов по материалам II-й межвузовской научно-технической конференции. под общей научной редакцией В.М. Артюшенко. 2016, c/ 128-131

19. ^ernova G., Sinkov A., Moiseev Y. Evaluation of efficiency of buses "Volgabus" with determination of critical values of vibration acceleration of

transmission // MATEC Web Conf. International Conference on Modern Trends in Manufacturing Technologies and Equipment. 2018. Volume 224.

20. Betz J. et al.: A Software Architecture for an Autonomous Racecar//2019 IEEE 89th Vehicular Technology Conference (VTC2019-Spring), Kuala Lumpur, Malaysia, 2019. pp. 1-6. DOI: 10.1109/VTCSpring.2019.8746367.

21. Nemchenko A., Boyarskaya A. Mercedes-Benz Future Truck 2025 // Сборник материалов 72-й студенческой научно-технической конференции, 20-28 апреля 2016. C.275-278.

22. Редькина Е. Форд готовит автопилот [Электронный ресурс] // За рулём : [сайт]. [2014]. URL: https://www.zr.ru/content/news/619016-ford-gotovit-avtopilot/ (дата обращения: 25.10.2018).

23. Herrmann, A., Brenner, W. Stadler, R., Value hains // Autonomous Driving, 2018. Emerald Publishing Limited, pp. 327-339.

24. Шерстюков О.Н., Чикрин Д.Е., Демьянов Д.Е., Тюрин В.А., П.А. Кокунин, Егорчев А.А., Созутов И.Г. Техническое предложение на систему по теме «Виртуальная и сенсорная инфраструктура системы автономных логистических перевозок» // Федеральное Государственное Автономное Образовательное Учреждение Высшего Образования «Казанский (Приволжский) федеральный университет», Набережные Челны, 2016.

25. Шерстюков О.Н., Чикрин Д.Е., Демьянов Д.Е., Тюрин В.А., П.А. Кокунин, Егорчев А.А., Созутов И.Г. Отчет о обследовании объекта исследований и существующих аналогов по теме «Виртуальная и сенсорная инфраструктура системы автономных логистических перевозок» // Федеральное Государственное Автономное Образовательное Учреждение Высшего Образования «Казанский (Приволжский) федеральный университет», Набережные Челны, 2016.

26. Ballard D. Generalizing the Hough transform to detect arbitrary shapes // Pattern Recognition. 1981. Vol. 13, is. 2. P. 111-122. Doi: 10.1016/0031-3203(81)90009-1

27. Balaguer B. USARSim: a validated simulator for research in robotics and automation / Balakirsky S., Carpin S., Lewis M., Scrapper C. // Proceedings IEEE

International Conference on Robotics and Automation (10-14 April 2007). [Rome]: [IEEE]. 2007. P. 1400-1405. Doi: 10.1109/ROBOT.2007.363180

28. Diankov R. Automated Construction of Robotic Manipulation Programs. // The Robotics Institute. [Pittsburgh]:[Carnegie Mellon University]. 2010. 263 p.

29. Diankov R. OpenRAVE Documentation [Электронный ресурс]. URL: http://www.openrave.org/docs/0.8.0/devel/ (дата обращения: 06.09.2018)

30. Diankov R. OpenRAVE Custom XML Format [Электронный ресурс]. URL: http://www.openrave.org/docs/0.8.0/devel/ (дата обращения: 06.09.2018)

31. Elkady A. Robotics Middleware: A Comprehensive Literature Survey and Attribute-Based Bibliography / Elkady A., Sobh T. // Journal of Robotics. Vol. 2012. 15 p. Doi: 10.1155/2012/959013

32. Erez T., Tassa Y., Todorov E. Simulation Tools for Model-Based Robotics: Comparison of Bullet, Havok, MuJoCo, ODE and PhysX. IEEE International Conference on Robotics and Automation (26-30 May 2015). [Seattle]:[IEEE]. 2015. Doi: 10.1109/ICRA.2015.7139807

33. Erwin Coumans. Bullet 2.83 Physics SDK Manual. [Электронный ресурс]. Режим доступа: https://raw.githubusercontent.com/bulletphysics/bullet3/92a34440762ab94aec1ee766 ef41 b 176ab7b6ef7/docs/Bullet_User_Manual.pdf, свободный. 2015

34. Garage W. Robot Operating System. // Stanford Artificial Intelligence Laboratory, Станфорд.

35. Gerkey B., Vaughan, R., Howard A. The Player/Stage Project: Tools for Multi-Robot and distributed Sensor Systems // Proceedings of the International Conference on Advanced Robotics (ICAR 2003) (June 30 - July 3, 2003). [Coimbra]. 2003. P. 317-323. URL: http://robotics.stanford.edu/~gerkey/research/final_papers/icar03-player.pdf

36. GPC: Mixed Real/Virtual Articulated Robot Simulator (MSim) // College of Computer and Information Science. Northeastern University. Бостон. 2015.

37. Robotics software frameworks for multi-agent robotic systems development / Iñigo-Blasco P., Diaz-del-Rio F., Romero-Ternero C.M., Vincente-Diaz S. // Robotics and Autonomous Systems. 2012. Vol. 60. P. 803-821. URL: http://www.cs.utah.edu/~tch/CS5300/resources/refs/Blasco2012.pdf

38. Ivaldi S. Tools for dynamics simulation of robots: a survey based on user feedback / Ivaldi S., Padois V., Nori F. // IEEE-RAS International Conference on Humanoid Robots 2014. URL: https://arxiv.org/pdf/1402.7050.pdf

39. Jesse J. A kinematic model for the iCub. - Department of computer science, Biologically inspired robotics group, 2009. - P.40

40. Reddy K. PATH PLANNING USING VREP / Karteek Reddy K., Praveen K. // International Journal of Research in Engineering and Technology. - 2013. - Volume: 02 Issue: 09. C. 94 - 97.

41. Khronos Group. COLLADA / Khronos Group, Sony Computer Entertainment.

42. Koenig N. Design and Use Paradigms for Gazebo, An Open-Source Multi-Robot Simulator. IEEE / Koenig N., Howard A. // RSJ Internayional Conference on Intelligent Robots and Systems 2004, Sendai, 2004, September - Oktober.

43. Kramer J. Development Environments for Autonomous Mobile Robots: A Survey / Kramer J., Scheutz M. // Autonomous Robots Journal. - 2007. - vol. 22, issue 2, P. 101 - 132.

44. Makarenko A. Orca: Components for Robotics / Makarenko A., Brooks A., Kaupp T. // ARC Centre of Excellence in Autonomous Systems (CAS), The University of Sydney, Australia. P. 1-5. URL:https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.456.7562&rep=rep1 &type=pdf

45. Metta G. YARP: Yet Another Robot Platform / Metta G., Fitzpatrick P., Natale L. // International Journal of Advanced Robotic Systems. - 2006. - Volume 3, Issue 1. P. 43-48.

46. Montemerlo M. Carmen Robot Navigation Toolkit Documentation / Montemerlo M., Roy N., Thrun S., Haehnel D., Stachniss C., Glover J. // CARMENTeam.

47. Nesnas I. A. D. CLARAty: A Collaborative Software for Advancing Robotic Technologies. / Nesnas I. A. D. // NASA Science and Technology Conference 2007, Adephi, 2017, June.

48. Nesnas I. A. D. CLARAty Software Framework review. CLARAty, 2012.

49. Peters S. Comparison of Rigid Body Dynamic Simulators for Robotic Simulation in Gazebo. / Peters S., Hsu J. // ROS Developer Conference 2014, Chicago, 2014, September. https://www.osrfoundation.org/wordpress2/wp-content/uploads/2015/04/roscon2014_scpeters.pdf

50. Petters S. RoboFrame - A Modular Software Framework for Lightweight Autonomous Robots // Petters S., Thomas D., Stryk O. // 2010, P 8. https://web.sim.informatik.tu-darmstadt.de/publ/download/2007-iros-workshop-pettersthomasvonstryk.pdf

51. Tatar M. Test and Validation of Advanced Driver Assistance Systems // ATZelectronik worldwide - 2016. - №1. P.54-57.

52. The Mapir group. Mobile Robot Programming Toolkit. - 2008.

53. Vires. v-SCENARIO, v-TRAFFIC. Traffic and Scenario Simulation / Vires -Eag-AHÔïïHHr: Vires, 2014. - 2 c.

54. Volpe R. CLARAty: Coupled Layer Architecture for Robotic Autonomy / Volpe R., Nesnas I. A. D., Estlin T., Mutz D., Petras R., Das H. // NASA Jet Propulsion Laboratory, California Institute of Technology, Pasadena, 2000. - 116 c.

55. Xiang W. Road Scene Modeling for Driving Simulator Based on Title Library Concept / Xiang W., Xuedong Y., Jiangfeng W., Dan L. // Information Technology Journal - 2012. - №2. c.466-470.

56. Xiang W. Techniques of large scale geo-specific road scene creation for driving simulator: a case study - Beijing road network modeling / Xiang W., Yan X.,

Guo D., Liu Y. // Advances in transportation Studies an international - 2015. N°XXXV. с. 115-128.

57. Сайт Cadillac [электронный ресурс]. Режим доступа https://www.cadillac.com/ свободный. Дата обращения 31.08.2018.

58. COPPELIA ROBOTICS. V-REP. [сайт]. Режим доступа: http://www.coppeliarobotics.com, свободный (дата обращения: 31.08.2018).

59. Gazebo Simulator [сайт]. Режим доступа: http://gazebosim.org/, свободный (дата обращения: 31.08.2018).

60. Robotics Library. С++ library for robotics [сайт]. Режим доступа: http://www.roboticslibrary.org/, свободный (дата обращения: 02.06.2015).

61. Robwork Kinematic robotics framework [сайт]. Режим доступа: http://www.findbestopensource.com/product/robwork, свободный (дата обращения: 02.06.2015).

62. RobWork Overview [сайт]. Режим доступа: http://www.robwork.dk/jrobwork/, свободный (дата обращения: 02.06.2015).

63. Dannheim C. The Vehicle as Mobile Sensor in a Collaborative Network: Докторская диссертация. FernUniversitat in Hagen, Хаген, 2015. 174 c. URL: https://ub-deposit.fernuni-

hagen.de/servlets/MCRFileNodeServlet/mir_derivate_00000474/Diss_Dannheim_Ve hicle_2015.pdf

64. DCAITI. VSimRTI: Vehicle-2-X Simulation Runtime Infrastructure. / DCAITI. [Электронный ресурс]. URL: https://www.dcaiti.tu-berlin.de/research/simulation/(дата обращения 03.10.2018)

65. Dunand G. Specification of a virtual test lab for DESERVE development platform v1.1 / Dunand G. [Европа: DESERVE]. 2014. 35 с.

66. Hiblot N., Gruyer D., Barreiro J., Monnier B. Pro-SiVIC and Roads, a software suite for sensors simulation and virtual prototyping of ADAS // Proceedings of the Driving Simulation [Paris]. 2010. URL: http://dsc2015.tuebingen.mpg.de/Docs/DSC_Proceedings/2010/DSC 10_26_Hiblot.pd

f

67. Holzman H. The CarMaker Product Family in Simulation-based Development and Application of Chassis Control Systems. // Proceedings IPG CarMaker User Conference. [Karlsruhe]. 2006

68. Lages U. Automatic Scenario Generation by Advanced Offline Processing for Ground truth Evaluation. / Lages U. // CEO Ibeo Automotive, Tokyo, 13 October 2013.

69. Nihon ESI K.K. ADAS camera sumulator Pro-SiVIC / Nihon ESI K.K. - Tokyo: ESI Group, 2015. - P. 53.

70. Peters S. Comparison of Rigid Body Dynamic Simulators for Robotic Simulation in Gazebo. / Peters S., John H. // Open Source Robotics Foundation, 2013.

71. Vehicle Dynamics. Modeling and Simulation./Dieter Schramm, Manfred Hiller, Roberto Bardini - Springer, 2014. - 417с.

72. Vires. OpenDRIVE Manager / Vires - Бад-Айблинг: 2013. - 2 с.

73. Vires. OpenDRIVE Manager. User Manual / Vires - Бад-Айблинг: Vires, 2015. - 35 с.

74. Vires. v-IG - Image Generator - Product Data Sheet / Vires - Бад-Айблинг: Vires, 2013. - 2 с.

75. Vires. VIRES Virtual Test Drive. Details / Vires - Бад-Айблинг: Vires, 2014. - 2 с.

76. Vires. VIRES Virtual Test Drive. Overview / Vires - Бад-Айблинг: Vires, 2014. - 2 с.

77. Zhang C. RoadView: A Traffic Scene Simulator for Autonomus Vehicle Simulation Testing. / Zhang C., Liu Y., Zhao D., Su Y. // IEEE 17th International Conference on Intelligent Transportation Systems (ITSC), Qingdao, 2014, October

78. Чикрин Д.Е., Егорчев А.А., Свалова И.Е., Державин Д.В.: Виртуальное физическое и визуальное моделирование работы механических элементов технических систем // Перспективы науки, №3(102), 2018, С. 25-32.

79. Bradley D., Roth G. Adaptive Thresholding Using the Integral Image // Journal Grafic Tools. 2007. Vol. 12, is. 2. P. 13-21. Doi: 10.1080/2151237X.2007.10129236

80. Dynamic Animation and Robotics Toolkit [сайт]. Режим доступа: http://dartsim.github.io/, свободный (дата обращения: 31.08.2018).

81. Свалова И. Е. Виртуальное физическое моделирование технических средств и климатических явлений в задачах симуляции сложных технических систем : магистерская дис. Казанский (Приволжский) федеральный ун-т, Казань, 2018. С. 19-35. URL: https://kpfu.ru/student diplom/10.160.178.20 6430347 F VKR Svalova I E.pdf (дата обращения: 05.09.2018).

82. Косатый Д. Н. Методы создания гибридных классификаторов на основе каскадов и глубоких нейронных сетей : магистерская дис. Санкт-Петербургский государственный ун-т, Санкт-Петербург, 2016. С. 20-22. URL: https://dspace.spbu.ru/bitstream/11701/5208/1/Kosaty_masters_thesis.pdf (дата обращения: 31.08.2018).

83. Державин Д. В. Система машинного зрения на базе архитектуры параллельных вычислений на графическом процессоре Jetson TX2 : магистерская дис. Казанский (Приволжский) федеральный ун-т, Казань, 2018. С. 24-35. URL: https://kpfu.ru/student diplom/10.160.178.20 6174008 VKR Derzhavin.pdf (дата обращения: 05.09.2018).

84. Esmailzadeh E., Goodarzi A., Vossoughi G.R. Optimal yaw moment control law for improved vehicle handling // Mechatronics. 2003. Vol. 13, iss. 7. P. 659-675. URL: https://doi.org/10.1016/S0957-4158(02)00036-3 (дата обращения: 31.08.2018).

85. Schramm D., Hiller M., Bardini R. Vehisle Dynamics. Berlin : Springer, 2018. P. 225-257. URL: https://doi.org/10.1007/978-3-662-54483-9 (дата обращения: 15.01.2019).

86. Yang J. The method of Constructing a virtual scene with 3D Models in CarMaker. / Yang J., Liu Y., Zhang W. // International Industrial Informatics and Computer Conference 2015, Xi'an, 2015, January. https://www.atlantis-press.com/proceedings/iiicec-15/16913

87. Goggia T., Sorniotti A., De Novellis L. Integral sliding mode for the yaw moment control of four-wheel-drive fully electric vehicles with in-wheel motors // International Journal of Powertrains (IJPT). 2015. Vol. 4, No. 4. URL: https://doi.org/10.1504/IJPT.2015.073787 (дата обращения: 31.08.2018).

88. Pro-SiVICTM 2017.5 User's guide. - ESI Group, 2017, December.

89. Егорчев А.А., Чикрин Д.Е., Бриский Д.В.: Решение задач виртуального моделирования показаний системы сенсорики в системах беспилотного транспорта // Современная наука: актуальные проблемы теории и практики. Серия Естественные и технические науки, №7, 2020, С.74-81.

90. Object-Oriented Graphics Rendering Engine [сайт]. Режим доступа: https://ogre3d.org, свободный (дата обращения: 05.09.2018).

91. The Qt Company [сайт]. Режим доступа: http://www.qt.io/, свободный (дата обращения: 31.08.2018).

92. Egorchev A., Chickrin D. Methodology and model of unmanned vehicles virtual simulation system // Journal of Advanced Research in Dynamical and Control Systems. - 2020. - Vol. 12, Iss. 6. - Р.1316-1322.

93. Arslan S. M., Fukushima N. Energy Optimal Control Design for Steer-by-Wire Systems and Hardware-in-the-Loop Simulation Evaluation // Journal of Dynamic Systems, Measurement, and Control. 2015. Vol. 137, iss. 7. URL: https://doi.org/10.1115/1.4029719 (дата обращения: 31.08.2018).

94. А.А. Егорчев, П.А. Кокунин, А.Б. Миллер, Д.Е. Чикрин: Программная платформа виртуализации сетевого оборудования и эффектов среды передачи данных // Информационные процессы, 2014, № 4, С. 319-325.

95. Canny J. A. Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. Vol. PAMI-8, is. 6. P. 679-698. Doi: 10.1109/TPAMI.1986.4767851

96. Balakirsky S., Scrapper C., Carpin S., Lewis M. USARSim: Providing a Framework for Multi-robot Performance Evaluation. // Proceedings Performance

Metrics for Intelligent Systems (PerMIS) 2006Workshop (11-13 October 2006). [Washington, DC]: [IEEE]. 2006. P. 31-31. Doi: 10.1109/AIPR.2006.29.

97. Bozuld Y. Energy Based 3D Autopilot for VTOL UAV Under Guidance & Navigation Constraints / Bozuld Y., Siguerdidjane H., Bestaoui Y., Zareb M. // Journal of Intelligent & Robotic Systems. 2017. Vol. 87. P. 341-362.

98. Brugali D. Component-Based Robotic Engineering (Part I) / Brugali D., Scandurra P. // IEEE Robotics & Automation Magazine. 2009. Vol. 16, is. 4. P. 84 -96. Doi: 10.1109/MRA.2009.934837

99. Brugali D. Component-Based Robotic Engineering Part II: Systems and Models / Brugali D., Shakhimardanov A. // IEEE Robotics & Automation Magazine. 2010. Vol. 17, is. 1. P. 100-112 Doi: 10.1109/MRA.2010.935798

100. Cañas J.M. Jde+: an open-source schema-based framework for robotic applications / Cañas J.M., Lobato D., Barrera P. // Robotics Group, Universidad Rey Juan Carlos. 2007. URL: https://www.researchgate.net/profile/David-Lobato/publication/250868851_Jde_an_open-source_schema-based_framework_for_robotic_applications/links/563220ca08ae13bc6c3775cc/Jde-an-open-source-schema-based-framework-for-robotic-applications.pdf

101. Carpin S., Lewis M., Wang J., Balakirsky S., Scrapper C. USARSim: a robot simulator for research and education. // Proceedings IEEE International Conference on Robotics and Automation (10-14 April 2007). [Rome]:[IEEE]. 2007. P. 1400-1405. Doi: 10.1109/R0B0T.2007.363180

102. Chitta S. Motion Planning for Industrial Robots using MoveIt! // SRI International. [Menlo Park, US]. 2013. P. 31

103. Chitta S. MoveIt! Survey Results. // SRI International, [Menlo Park, US]. 2013. P. 16

104. Côté C. Robotic Software Integration Using MARIE / Côté C., Brosseau Y., Létourneau D., Raïevsky C., Michaud F. // International Journal of Advanced Robotic Systems. 2006. Vol.3, no. 1. P. 55-60. DOI: 10.5772/5758

105. Cyberbotics Ltd. Webots. [сайт]. Режим доступа:

https://www.cyberbotics.com, свободный (дата обращения: 31.08.2018).

106. Introducing Cadillac Super Cruise [сайт]. Режим доступа: http://www.cadillaccanada.ca/, свободный (дата обращения: 31.08.2018).

107. Willow Garage Projects [сайт]. Режим доступа:

http://www.willowgarage.com, свободный (дата обращения: 31.08.2018).

108. Immerkaer J. Fast Noise Variance Estimation // Computer Vision and Image Understanding. 1996. Vol. 2. P. 300-302.

109. Sharpness Estimation From Image Gradients with MATLAB [Сайт]. Режим доступа: https://www.mathworks.com/matlabcentral/fileexchange/32397-sharpness-estimation-from-image-gradients, свободный

110. Hummel R. Image Enhancement by Histogram Transformation // Computer Vision, Graphics and Image Processing. 1977. Vol. 6. P. 184-195.

111. Pizer S.M. Adaptive Histogram Equalization and Its Variations / S.M. Pizer, E.P. Amburn, J.D. Austin // Computer Vision, Graphics and Image Processing. 1987. Vol. 6. P. 355-368

112. Kim. V. Rank algorithms for picture processing / Kim V. Yaroslavsky L. P. // Computer Vision, Graphics and Image Processing. 1986. Vol. 6. P. 234-258.

113. Beghdadi A., Negrate A.L. Contrast enhancement technique based on local detection of edges // Computer Vision, Graphics and Image Processing. 1989. Vol. 46, no. 2. P. 162-174.

114. Gordon R., Rangayyan R.M. Feature enhancement of film mammograms using fixed and adaptive neighborhoods // Applied Optics. 1984. Vol. 23, no. 4. P. 560-564.

115. Acharya T., Ray A.K. Image Processing Principles and Applications. New-York.: Wiley Interscience, 2005. 452 p.

116. Державин Д.В., Егорчев А.А., Малюгина А.А., Чикрин Д.Е.: Автоматическая оценка и предобработка изображений видеопотока для задач машинного зрения // Современная наука: актуальные проблемы теории и практики. Серия Естественные и технические науки, №6, 2018. С. 145-157

117. Darknet. [сайт]. Режим доступа: https://github.com/pjreddie/darknet, свободный (дата обращения: 31.08.2018).

118. CarND. [сайт]. Режим доступа: https://github.com/udacity/CarND-Term1-Starter-Kit, свободный (дата обращения: 31.08.2018).

119. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [Электронный ресурс] // IEEE Transactions on Pattern Analysis and Machine Intelligence : [сайт]. [2016]. URL: https://arxiv.org/pdf/1511.00561.pdf (дата обращения: 31.08.2018).

120. Doppia. [сайт]. Режим доступа: https: // github. com/edison2301/Pedestrian-Detection-at-100fps-Very-fast-and-accurate-pedestrian-detector12-., свободный (дата обращения: 31.08.2018).

121. Joseph Chet Redmon [сайт]. Режим доступа: https://pjreddie.com/darknet/yolo/, свободный (дата обращения: 31.08.2018).

122. Тумаков Д.Н., Чикрин Д.Е., Егорчев А.А., Голоусов С.В. Технология программирования CUDA : учебное пособие. Казань: Изд-во Казанского университета, 2017. 112 с.

123. Чикрин Д.Е., Егорчев А.А., Голоусов С.В., Савинков П.А., Кокунин П.А.: Создание автономных автомобилей КАМАЗ для закрытых территорий // Вестник НЦ БЖД. 2018. № 2 (36). С. 137-143.

124. Ridley P. Corke P. Autonomous Control of an Underground Mining Vehicle // Aust. Conf. Robot. Autom. 2001. no. November, pp. 26-31,

125. Pradalier C., Tews A., Roberts J.Vision-based operations of a large industrial vehicle // Autonomous hot metal carrier. Robot J. F. 2008.vol. 25. no. 4-5, pp. 243267.

126. Bell T., Elkaim G., Parkinson B., O'Connor M., Bell T., Elkaim G., Parkinson B. Automatic steering of farm vehicles using GPS. Precis. Agric. 1996. no. precisionagricu3, pp. 767-777,

127. Eindhoven T. U. Obstacle Avoidance for Wheeled Mobile Robotic Systems (Literature Exploration), Neural Networks, 2003.

128. Ailon A., Berman N., Arogeti S. On controllability and trajectory tracking of a kinematic vehicle model. Automatica. 2005. vol. 41, no. 5, pp. 889-896.

129. Shin W., Shin J., Kim B., Jeong K. Line Segment Selection Method for Fast Path Planning. 2017. vol. 15, no. 3, pp. 1322-1331.

130. Han-Pang Huang, Shu-Yun Chung Dynamic visibility graph for path planning, in 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (IEEE Cat. No.04CH37566), 2004, vol. 3, pp. 2813-2818.

131. E. Magid, R. Lavrenov, and I. Afanasyev, "Voronoi-based trajectory optimization for UGV path planning," in 2017 International Conference on Mechanical, System and Control Engineering (ICMSC), 2017, no. 1, pp. 383-387.

132. H. Rohnert, "Shortest paths in the plane with convex polygonal obstacles," Inf. Process. Lett., vol. 23, no. 2, pp. 71-76, Aug. 1986.

133. H. Choset and J. Burdick, "Sensor-Based Exploration: The Hierarchical Generalized Voronoi Graph," Int. J. Rob. Res., vol. 19, no. 2, pp. 96-125, Feb. 2000.

134. D. A. Lopez Garcia and F. Gomez-Bravo, "Vodec: A fast Voronoi algorithm for car-like robot path planning in dynamic scenarios," Robotica, vol. 30, no. 7, pp. 1189-1201, 2012.

135. T. Bailey, E. M. Nebot, J. K. Rosenblatt, and H. F. Durrant-Whyte, "Data association for mobile robot navigation: a graph theoretic approach," in Proceedings 2000 ICRA. Millennium Conference. IEEE International Conference on Robotics and Automation. Symposia Proceedings (Cat. No.00CH37065), 2000, vol. 3, pp. 25122517.

136. G. Tan, H. He, and S. Aaron, "Global optimal path planning for mobile robot based on improved Dijkstra algorithm and ant system algorithm," J. Cent. South Univ. Technol., vol. 13, no. 1, pp. 80-86, Feb. 2006.

137. A. Geiger, "Probabilistic models for 3D urban scene understanding from movable platforms," Probabilistic Model. 3D Urban Scene Underst. from Movable Platforms, pp. 1-162, 2013.

138. D. E. SMITH and J. M. STARKEY, "Effects of Model Complexity on the

Performance of Automated Vehicle Steering Controllers: Model Development, Validation and Comparison," Veh. Syst. Dyn., vol. 24, no. 2, pp. 163-181, Mar. 1995.

139. R. Pepy, A. Lambert, and H. Mounier, "Path Planning using a Dynamic Vehicle Model," in 2006 2nd International Conference on Information & Communication Technologies, 2006, vol. 1, no. 1, pp. 781-786.

140. Poyton Charles A. Rehabitation of gamma [Electronic document] // Proceedings of SPIE. Vol. 3299. Human Vision and Electronic Imaging III (17 July 1998). [San Jose]: [SPIE], 1998. P. 232-249. Doi: 10.1117/12.320126. (Accessed 09.04.2018).

141. Чикрин Д.Е., Егорчев А.А., Голоусов С.В., Савинков П.А., Тумаков Д.Н.: «Использование динамических рефлексивных графов при решении задач планирования пути и тактического управления роботизированной колесной платформой» // Известия высших учебных заведений. Поволжский регион. Технические науки. 2018. № 4. С. 75-87.

142. Open Computer Vision Library [сайт]. Режим доступа: https://opencv.org, свободный (дата обращения: 05.09.2018).

143. Egorchev A.A. System of automatic video stream images evaluation and preprocessing for ADAS // IOP Conference Series: Materials Science and Engineering. - 2020. - Vol.873. - Art.№012007. - 9 p. - Doi: 10.1088/1757-899X/873/1/012007

144. Jetson TX2 [сайт]. Режим доступа: https://devblogs.nvidia.com/jetpack-doubles-jetson-inference-perf/, свободный (дата обращения: 31.08.2018).