Россия
Россия
Россия
УДК 004.93 Распознавание и преобразование образов
В статье дан анализ исследований и работ по обработке сенсорных данных и навигации для подвижных объектов, в том числе с автоматическим управлением. Указано на необходимость интеграции решений на основе технического зрения и нейронных сетей с учетом состояния окружающей среды. Дано описание алгоритма и методов для комплексирования данных, получаемых от сенсорных датчиков бортовой системы технического зрения подвижного состава. В рамках работы алгоритма осуществляется траекторная обработка данных: подтверждение (удаление) наблюдаемых объектов, построение их траекторий, оценка скоростей и координат, формирование списка глобальных объектов. Для расчета модели движения объекта применяется расширенный фильтр Калмана, Венгерский алгоритм и осуществляется расчет расстояния Махаланобиса. Подробно описаны этапы обнаружения, сопровождения и идентификации объектов-препятствий, а также определения их параметров (класса, координат и скорости). Приведены опытные показатели, используемые в данном исследовании. Подтверждена актуальность и показана практическая применимость описанного подхода для задач автоматического управления подвижным составом.
система технического зрения, комплексирование данных, идентификация объектов, трекинг объектов, ковариационная матрица, кластеризация, расширенный фильтр Калмана, Венгерский алгоритм, расстояние Махаланобиса
1. Розенберг Е. Н., Дзюба Ю. В., Батраев В. В. О направлениях развития цифровой железной дороги // Автоматика, связь, информатика. 2018. № 1. С. 9–13.
2. Охотников А. Л., Попов П. А. Беспилотное управление локомотивом: вчера, сегодня и завтра // Автоматика, связь, информатика. 2019. № 8. С. 12–17. DOI:https://doi.org/10.34649/AT.2019.8.8.002
3. Otte M. W. A Survey of Machine Learning Approaches to Robotic Path-Planning. University of Colorado at Boulder: Boulder, CO, USA, 2009.
4. Dulac-Arnold G., Mankowitz D., Hester T. Challenges of Real-World Reinforcement Learning // arXiv. 2019. URL: arXiv:1904.12901
5. Zhao Y., Zhang Y., Wang S. A Review of Mobile Robot Path Planning Based on Deep Reinforcement Learning Algorithm // J. Phys. Conf. Ser. 2021. Vol. 2138. P. 012011.
6. Deshpande S., Kashyap A. K., Patle B. K. A review on path planning AI techniques for mobile robots // Robot. Syst. Appl. 2023. Vol. 3. P. 27–46.
7. Janji S., Kliks A. Neural Networks for Path Planning // arXiv. 2022. URL: arXiv:2207.00874
8. Bharadwaj H., Kumar E. V. Comparative study of neural networks in path planning for catering robots // Procedia Comput. Sci. 2018. Vol. 133. P. 417–423.
9. Obstacle detection in a field environment based on a convolutional neural network security / T. Li [et al.] // Enterp. Inf. Syst. 2022. Vol. 16. P. 472–493.
10. Nowakowski M., Kurylo J. Usability of Perception Sensors to Determine the Obstacles of Unmanned Ground Vehicles Operating in Off-Road Environments // Appl. Sci. 2023. Vol. 13. P. 4892.
11. Deep Multi-modal Object Detection for Autonomous Driving / A. Ennajar [et al.] // Proceedings of the 2021 18th International Multi-Conference on Systems, Signals & Devices (SSD) (Monastir, Tunisia, 22–25 March 2021). P. 10.
12. Reinoso O., Payá L. Special Issue on Visual Sensors // Sensors. 2020. Vol. 20. P. 910.
13. 3D Recognition Based on Sensor Modalities for Robotic Systems: A Survey / S. Manzoor [et al.] // Sensors. 2021. Vol. 21. P. 7120.
14. Xie D., Xu Y., Wang R. Obstacle detection and tracking method for autonomous vehicl based on threedimensional LiDAR // Int. J. Adv. Robot. Syst. 2019. Vol. 16. P. 1729881419831587.
15. Сравнение оценок качества комплексирования разноспектральных изображений и алгоритмы улучшения качества низкоконтрастных изображений для систем видеонаблюдения / С. Н. Кириллов [и др.] // Цифровая обработка сигналов и ее применение — DSPA‑2019: доклады 21‑й Международной конференции. 2019. С. 403–408.
16. Журавлев Ю. И., Рязанов В. В., Сенько О. В. «Распознавание». Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006. 176 с.
17. Bar-Shalom Y., Li X.-R. Multitarget-multisensor tracking: principles and techniques. Vol. 19. Storrs, CT: YBs, 1995.
18. Эддоус М., Стэнсфилд Р. Методы принятия решений / пер. с англ. под ред. член-корр. РАН И. И. Елисеевой. М.: Аудит, ЮНИТИ, 1997. 590 с.
19. Охотников А. Л. Ситуационное беспилотное управление // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2019. № 3(13). С. 96–107.
20. Гиззатов А. С., Иванов В. Ф. Привязка координат подвижного состава к цифровой модели пути // Навигация и управление движением: материалы ХXV Юбилейной конференции молодых ученых (Санкт-Петербург, 21–24 марта 2023 года). СПб.: Концерн «Центральный научно-исследовательский институт «Электроприбор», 2023. С. 32–34.
21. ISO 8855:2011 — Road vehicles — Vehicle dynamics and road-holding ability — Vocabulary. URL:/ https://www.iso.org/standard/51180.html
22. Способ автоматической калибровки датчиков машинного зрения рельсового транспортного средства: патент № 2811766 C1 Российская Федерация, МПК G06T 7/80 / И. А. Дейлид [и др.]; заявл. 20.04.2023; опубл. 17.01.2024; заявитель ОАО «РЖД».
23. Устройство комплексирования данных от обнаруженных препятствий для скоростного электропоезда: патент № 042050 / В. Ф. Иванов [и др.]; заявл. 04.02.2021; опубл. 29.12.2022; заявитель ОАО «РЖД».
