Автореферат (Расширение условий функционирования систем визуальной навигации автономных беспилотных летательных аппаратов), страница 2

. . , , . . . , ) - вектор признаков; = (1 , 2 , . . . , , . . , ) – алфавит классовраспознаваемых объектов (ориентиров).Плотности (| ) являются вариантом эталонного описания объектов.Рассмотрим влияние изменения освещенности сцены (времени суток) на описания объектов«Лес», «Поле», «Дорога».При изменении условий наблюдения во время полета БЛА могут меняться различныенаблюдаемые признаки ориентиров: распределение яркостей и цвета, визуальныехарактеристики текстуры и пр. Подготовленные ранее эталонные описания (изображения)объектов будут существенно отличаться от принимаемых текущих, что может привести кошибкам обнаружения ориентиров и соответствующим ошибкам навигации.Рисунок 1а соответствует условию наблюдения «День» (модель наблюдаемой сценысоответствует 12-00 час.), рисунок 1б – «Вечер» (соответствует 18-00 час.). Справа нарисунках 1а,б представлены соответствующие примеры описаний (по вертикальной оси плотностей распределения яркостей - (| ), по горизонтальной оси отложены значенияяркости) объектов «Лес» (1), «Поле» (2), «Дорога» (3) для сцены «День».а) Сцена «День»б) Сцена «Вечер»Рисунок 1.

Изображения объектов и плотностейраспределения для различных условий наблюдения6Из графиков видно, чтопри изменении освещенностипроисходитизменениезначенийМО и СКОсоответствующихплотностей распределения.Очевидно, что в такойситуации без измененияпорогов вероятности ошибокобнаружениябудутувеличиваться.Болееподробно оценки изменениявероятностиошибокпоказаны в главе 4.Решениемуказаннойпроблемыможетбытьразработка методики формирования эталонных описаний ориентиров, адаптивных кизменению условий наблюдения - (| , ) , где = (1 , 2 , … . , , … . , ) – векторусловий наблюдения. Под условиями наблюдения, обозначенными индексом , могутпониматься различные факторы, например характеристики освещенности наблюдаемойсцены, время суток, время года, регион и т.п.

Примем, что условия наблюдения могут бытьдискретизированы с некоторым интервалом дискретизации; индексом обозначеныконкретные текущие условия наблюдения.Одним из вариантов адаптивных описаний может быть набор плотностей распределениядля всех = 1, … , возможных условий. Однако получение и хранение такого набораявляется труднореализуемой задачей.Другим вариантом является подход, основанный на моделировании возможных эталонныхописаний искомых объектов на основе известных физических законов. Сложность реализацииподхода состоит в том, что необходимо формировать модели визуализации объектовнаблюдаемой сцены (на основе известных физических законов) с учетом множества трудноформализуемых факторов, связанных с отражающими свойствами различных текстур,условиями освещенности и пр.Таким образом, необходимо разработать методику формирования адаптивных описаний,позволяющую:рассчитывать условные плотности распределения признаков для различных условийнаблюдения;использовать ограниченную обучающую выборку эталонов;корректировать (дообучать) систему во время работы.При решении задачи визуальной навигации, на этапе предполетной подготовкипроизводится планирование маршрута и выбор ориентиров, обнаружение которых позволит снекоторой точностью и вероятностью (заданных в ЦЗ) определять текущее положение БЛА.Автономный БЛА при полете без использования данных СНС может оказаться в ситуациях,когда информативные ориентиры отсутствуют.

В этом случае решение навигационной задачиметодами визуальной навигации становится затруднительным и необходимо переходить киспользованию ориентиров, содержащих меньший объем полезной информации –малоинформативным ориентирам.В работе навигацию по малоинформативным ориентирам предлагается осуществлять наоснове анализа ситуаций (рисунок 2). В контексте решаемой задачи под анализом ситуацийбудем понимать формирование описания текущей сцены, включающее описаниеприсутствующих объектов интереса (ОИ), в частности малоинформативных ориентиров, иотношений между ними.

Подобные описания позволят расширить круг решаемых БЛА задач,повысить эффективность наблюдений в сложных, неопределенных и изменяемых условиях.Сравнение описаний текущей наблюдаемой сцены с подобными описания фрагментов ЦКМпозволит получить набор оценок возможного положения БЛА – гипотез положения.Рассмотрим случай нахождения БЛА над малоинформативным участком (рисунок 2). Пустьнаблюдается некоторый фрагмент озера, на котором отсутствуют информативные ориентиры.7Будем считать, что анализпринятогоизображенияисопоставлениесЦКМпозволилиопределитьгипотезы положения БЛА:например, 1 , 2 .

Изображение,подобное изображениям впрямоугольниках1 , 2 ,является малоинформативными не позволяет однозначноопределить положение БЛА.Однако на ЦКМ имеются болееинформативныеобъекты,Рисунок 2. Пример навигации по малоинформативнымнапример дороги.объектамПрисутствиеподобныхориентиров позволяет проложить несколько вариантов маршрутов: (A1→B1→C), (A2→B2→C),(A1→B3→C), (A2→B4→C), которые приведут к достаточно информативному ориентиру –пересечению дорог (С).Таким образом, в ряде ситуаций поставленная задача получения требуемых навигационныхпараметров может быть решена даже при условии получения системой наблюдения (СН) БЛАизображений малоинформативных ориентиров.Для решения задачи визуальной навигации на малоинформативных участках необходиморазработать: методику и алгоритм формирования описаний наблюдаемой сцены, обеспечивающихтребуемую идентификацию объектов интереса, и их сравнения с ЦКМ; методику и алгоритм выбора информативного направления полета.Вторая глава посвящена проблеме обнаружения ориентиров в изменяемых условияхнаблюдения.В работе предлагается подход, основанный на интерполяции (или аппроксимации)параметров имеющихся эталонных описаний, полученных для известных условийнаблюдения.

При этом минимальный исходный набор эталонных описаний (необходимых дляинтерполяции) может быть ограничен двумя эталонами. Увеличение количестваиспользуемых эталонов позволит повышать точность интерполяции, в том числе в условияхрабочего функционирования системы визуальной навигации с ее дополнительным обучением.Реализация предлагаемого подхода позволит формировать адаптивные эталонные описанияориентиров для различных условий наблюдения.Существует большое количество различных методов интерполяции.

Однаконеопределенность, «размытость» связей между условиями наблюдений и конкретнымизначениями искомых параметров и описаний «в целом» затрудняет реализацию указанныхметодов.В представленной работе предлагается реализовать интерполяцию на основе использованиянечетких систем.Преимуществами подхода являются: возможность использования неточных или нечетких связей между условияминаблюдений и описаниями признаков;8 возможность получения описаний в широком диапазоне изменения текущих условий; существенное сокращение количества требуемых эталонных описаний по сравнению сподходом на основе набора эталонов;Основной идеей подхода является использование набора нечетких правил, формирующихбазу знаний (БЗ).

Например, нечеткое правило может выглядеть следующим образом:Q= {q_1,…,q_N } → {Условия наблюдения → Описания} → Адаптивное описание.Нечеткое правило ставит в соответствие некоторому набору нечетких правил определенныеэталонные плотности. Набор нечетких правил формирует базу знаний. Во время работыалгоритма формирования описаний перебираются все правила БЗ и рассчитывается ихдостоверность. Во время работы системы в реальных условиях наблюдения может сработатьодновременно несколько правил и, в итоге, будет сформирована адаптивная плотностьраспределения, усредняющая плотности, заданные в правилах.На вход правила поступает посылка, содержащая некоторые конкретные значения условийнаблюдения: = {1 , … , }.Структура посылки выглядит следующим образом:N 1 2… где N – количество анализируемых условий наблюдения.Для исследуемого примера принято: 1 – текущий месяц; 2 – текущее время; 3 – текущаяширота.В рассматриваемом случае нечеткое правило ставит в соответствие набору нечеткихусловий наблюдения конкретные эталонные описания, например эталонные плотностираспределения.Расчет адаптивной плотности в общем случае производится по формулеадапт ( | , 1 , 2 , … , ) == ∑ ( | , ) (1 (1 ), 2 (2 ), … , ( )) ,(1)=1где адапт ( | , 1 , 2 , … , ) – значение адаптивной плотности распределения для объекта ; n = 1,..,N, N – количество искомых объектов; = 1, … , , M – количестворассматриваемых условий; ( | ) - эталонная плотность распределения, соответствующаяправилу ; ( ) – функция принадлежности (ФП) терма лингвистической переменной .Такой подход позволит сократить априорный объем эталонных описаний, объединитьразличные типы описаний в единую систему, использовать ситуационную информацию приформировании описаний и решении целевых задач.Методика включает в себя процедуры формирования нечеткой системы и адаптивныхописаний.1.

Формирование нечеткой системы:1.1. Формирование эталонных описаний каждого класса объектов для различных условий(( | , 1 , 2 , … , )).1.2. Определение диапазона возможных условий наблюдения, формированиесоответствующих терм и функций принадлежности ().1.3. Формирование нечетких правил.2. Формирование адаптивных описаний:2.1. Получение текущих значений условий наблюдений Q.2.2. Перебор всех правил базы знаний и расчет их достоверностей.2.3. Формирование адаптивной плотности.9{Достоверности}{Описания}Исходныеэталонныеописания могут получатьсяВход(п.1.1Методики)путемИсточмоделирования или в результате1.

Получение ТУ5. Аккумулированиеникиреальной съемки различныхзаключений иданныдостоверностейхсцен, содержащих необходимые2. Выбор новогоправилБЗобъекты интереса.правиладаДляформированияБЗ6.Остались3. Расчет функций0нечетких правил необходимо направилаФПпринадлежностиосновеэкспертныхилидля всех посылокнетаприорных знаний согласноправилаособенностям ЦЗ (условиям4. Логические7.

Формированиеоперации сфункционирования) определитьадаптивнойпосылкамиплотностидиапазон условий наблюдений(п.1.2). Для всех условийВыходнеобходимосформироватьРисунок 3. Алгоритм формирования адаптивныхфункциипринадлежности,описанийкоторые позволяют перевестизначения некоторых точных показателей (например, текущее время) в нечеткое значение(«День», «Вечер» и т.п.). Процесс перехода от точных значений параметров к неточнымназывается фаззификацией.ФП определяет степень достоверности соответствия текущих условий Q некоторымтермам. Как было показано, достоверность правила связана с достоверностью заложенных вего условие терм. Таким образом, выбор ФП в существенной степени влияет на качествоинтерполяции описаний.В общем случае форма и параметры ФП выбираются на основе экспертных знаний иликачественной (оценочной) информации об изменении рассматриваемого признака.Вид нечетких правил различается в зависимости от способа представления плотностейраспределения.