Автореферат (Расширение условий функционирования систем визуальной навигации автономных беспилотных летательных аппаратов), страница 4

Для этого необходимо произвестианализ ЦКМ с учетом уже полученной информации, пересчитать информативностьотдельных фрагментов ЦКМ и выбрать наиболее информативное направление.Выбор наиболее информативного направления предлагается проводить на основе расчетаинформативности по Шеннону аналогично формуле (2). При этом апостериорная энтропиянаправления полета будет считаться по формуле14гипгип() = − ∑ ( | ) ∑ ( |, ) 2 ( |, ),=1=1где – описание направления полета, = [∆ ∆]; ∆ и ∆ – смещения относительнотекущего положения; гип – количество гипотез положения БЛА; ( | ) – вероятностьуспешной реализации полета в направлении J при гипотезе текущего положения l; описание фрагмента сцены, расположенного в направлении J относительно гипотезыl.

( |, ) − вероятность гипотезы положения m при смещении J и описании .В результате расчета данной формулы для каждого возможного направления полетаполучится поверхность.Максимальное значение высоты поверхности будет соответствовать наиболееинформативному направлению полета.ВходВ четвертой главе приведены результатыэкспериментальных исследований предлагаемыхалгоритмов.

Показана работоспособность иэффективность использования подходов и2. Выбор гипотезыалгоритмов:3. Выбор новогоформированияадаптивныхописанийнаправления полетаобъектов;анализа наблюдаемой сцены (с целью4. Расчетинформативностинавигации по малоинформативным ориентирам);направления (8)выбора информативного направления полета.5. АккумулированиеДля этого оценивались:результатов1. Точности адаптивных описаний объектовинтереса на основе нейронечетких систем.Остались0направления2.

Влияние изменений условий наблюдения наэкстремум корреляционной функции.Остались000000003. Влияние изменений условий наблюдения нагипотезы0вероятности ошибок обнаружения.4. Влияниеошибокобнаружения6. Выбор направления смаксимальноймалоинформативных ориентиров на качествоинформативностьюописания сцены.5. Работоспособность алгоритма навигации поВыходмалоинформативным ориентирам.Рисунок 6. Алгоритм выбораВрамкахпервогоэкспериментаинформативного направленияпроизводилосьсопоставлениеописаний,полученных на основе использования нейронечетких систем, и модельных описаний,полученных на основе общих физических законов.1.

Определение гипотезположения{Направление}{Информативность}15В рассматриваемом случае под описаниямипонимаютсязависимостистатистическиххарактеристик наблюдаемых объектов, т.е. МОяркости, от условий наблюдения – временисуток и высоты. В качестве объектов интересавыбраны площадные ориентиры: лес и поле.Изменение времени суток на изображенияхнаблюдаемых сцен моделировалось за счетизменения положений источника света (угол ),высота положения наблюдателя моделироваласьположением виртуальной камеры (H).На рисунках 7, а, б показаны зависимостиизменения МО яркости объектов от положенияисточника света и наблюдателя, полученные: при моделировании в среде Unity (средаразработкитрехмерныхграфическихприложений),Рисунок 7.

Сравнение результатов при использовании адаптивных описаний.моделирования и работы нейронечеткойИз рисунков видно, что зависимостисистемыхарактеристик исследуемых поверхностей (лес,поле) от изменяемых условий наблюдения, полученные на основе нейронечетких систем, ирезультаты моделирования (в среде Unity) отличаются не более чем на 12%.Во втором эксперименте сравнивались существующие корреляционные алгоритмыобнаружения ориентиров с использованием ЭИ и предлагаемого алгоритма на основеадаптивных описаний.Результаты эксперимента показали большую устойчивость к изменению яркости ивычислительную экономичность алгоритма на основе адаптивных описаний, по сравнению скорреляционными алгоритмами.

Так количество вычислений сократится более чем на 41,6%при использовании ЭИ размером не менее 10x10 пикселейВ третьем эксперименте рассматривалось обнаружение объектов: лес, поле (леснаяполяна), дорога на текущем изображении с использованием плотностей распределения,полученных для других эталонных условий наблюдения («День» и «Вечер»), и адаптивнойплотности, полученной на основе нечеткой системы.При использовании адаптивного эталона потери от ошибок обнаружения объекта «лес»уменьшаются:- по сравнению с эталоном «День» - на 50 %;- по сравнению с эталоном «Вечер» - на 24%.При использовании адаптивного эталона (плотности) для обнаружения объектов «поле» и«дорога» потери обнаружения приближаются к нулю.Таким образом, анализ результатов показывает, что использование предлагаемой методикиформирования адаптивных плотностей существенно снижает общие потери от ошибокобнаружения объектов подстилающей поверхности.16Для проведения четвертого эксперимента было выбрано три тестовые карты местности.На каждой карте последовательно произвольно выбирались начальные положения БЛА.

Далеезапускалисьалгоритмнавигациипомалоинформативным ориентирам и алгоритм выбораинформативного направления полета. В результатеработы алгоритмов текущее положение менялось истроились траектории перемещения. Успешнымиреализациями принимались эксперименты, в результатекоторых апостериорная энтропия положения ап = 0.На рисунке 8 штриховой линией обозначенытраектории, соответствующие успешным реализациямэксперимента на одной из тестовых карт (карта 1).Рисунок 8. Траектории, полученныеВ таблице 1 показано количество успешныхв результате экспериментовреализаций экспериментов для каждой карты.Карта 1Карта 2Карта 3Таблица 1. Результаты экспериментовВсегоУспешных%экспериментовреализаций503060281450543972Таким образом, проведенные исследования подтверждают работоспособностьпредлагаемого алгоритма навигации по малоинформативным ориентирам.1.2.3.4.5.6.7.ОСНОВНЫЕ РЕЗУЛЬТАТЫПоказано, что для расширения условий функционирования систем визуальной навигацииавтономных БЛА необходимо разработать алгоритм формирования адаптивных описанийориентиров и алгоритм навигации по малоинформативным ориентирам.Разработаны методика и алгоритм формирования адаптивных (к условиям наблюдения)описаний ориентиров, основанные на использовании нейронечетких систем.Предложены методики построения функций принадлежности и обучения нечеткойсистемы формирования адаптивных описаний ориентиров.Предложены и разработаны методика и алгоритм определения гипотез возможногоположения БЛА при навигации по малоинформативным ориентирам на основесопоставления текущих и эталонных описаний, содержащих отношения междуориентирами.Предложен и разработан алгоритм выбора информативного направления полета дляуточнения координат БЛА при неоднозначности гипотез его местоположения.Сопоставление сформированных адаптивных характеристик (математического ожиданияяркости) и полученных в среде Unity подтвердило достаточно высокую точностьполученных адаптивных описаний: средняя ошибка для объекта «лес» в диапазонеположения источника света от 150 до 500 составляет 9%, а в диапазоне от 500 до 900 – 3%;для объекта «поле» средняя ошибка в диапазоне от 100 до 450 не превышает 2%, а вдиапазоне от 450 до 900 – 3%.Сравнение корреляционных алгоритмов обнаружения ориентиров с использованием ЭИ иалгоритма, основанного на адаптивных описаниях, показало:17Устойчивость алгоритма, основанного на адаптивных к изменению освещенностиописаниях, существенно выше чем у алгоритмов, использующих ЭИ.

Так приизменении освещенности на 50% изменение значений экстремума ВКФ прииспользовании адаптивных описаний на 75% меньше чем у алгоритмов,использующих эталонные изображения.7.2. Различия значений экстремумов НКК, определяющих обнаружительную способностьалгоритма, при использовании ЭИ и адаптивных описаний в условиях измененияосвещенности и зашумленности - несущественны и находятся в пределах погрешностиэксперимента (менее 1%).7.3. Использование адаптивных описаний при обнаружении малоинформативныхориентиров позволяет сократить объем вычислений более чем на 41,6% при размереЭИ >10x10 пикс.8. На основе модельных экспериментов показано, что использование алгоритмаформирования адаптивных описаний позволит уменьшить вероятность ошибокобнаружения ориентиров при изменении условий наблюдения: средние потери от ошибокобнаружения объекта «лес» для тестового случая (для времени 16:00 час.) уменьшились на50% по сравнению с использованием эталона «День» (для 12:00 час.) и на 24% посравнению с использованием эталона «Вечер» (для 19:00 час.).9.

Показано, что ошибки распознавания малоинформативных ориентиров увеличиваютвероятность неправильного описания сцены, что приводит к ошибкам формированиягипотез положения.10. Представленные результаты модельных экспериментов для различных ЦКМ подтвердилиработоспособность алгоритмов навигации по малоинформативным ориентирам и выбораинформативного направления.7.1.СПИСОК ПУБЛИКАЦИЙПубликации в изданиях из рекомендованного ВАК Минобрнауки России перечня:1. Облик выносной системы технического зрения на базе БЛА для робототехническихмобильных наземных комплексов / В.А. Аникин, Н.Е.

Бодунков, Н.В. Ким, В.П. Носков, И.В.Рубцов // Известия ЮФУ. Технические науки. –Таганрог: 2014. -№3 (152). –С. 70-77.2. Ким, Н.В. Разработка системы формирования адаптивных описаний объектов интересадля СТЗ РТК. / Н.В. Ким, Н.Е. Бодунков, Д.В. Клестов // Известия ЮФУ. Технические науки.–Таганрог: 2015.

-№1 (162). –С. 109-120.3. Ким, Н.В. Обработка и анализ изображений высокодинамичных объектов в масштабереального времени / / Н.В. Ким, Н.Е. Бодунков, Прохоров П.Д. // Вестник МосковскогоАвиационного Института. –М: МАИ, 2015. -Т 22. –С. 38-45.Публикации в зарубежных изданиях:4. Kim, N.V. Adaptive surveillance algorithms based on the situation analysis / N.V. Kim, N.E.Bodunkov / Ed.: N.M.

Favorskaya, C.L. Jain // Computer Vision in Advanced Control Systems:Innovations in Practice. Volume 2. –N.Y.: Springer, 2015. –Ch 7. –pp. 169 - 200.5. Kim, N.V. Ensuring the accuracy of traffic monitoring using unmanned aerial vehicles visionsystems / N.V. Kim, N.E. Bodunkov, R.I. Cherkezov // Modern Applied Science. Vol 9. -2015. -No 5(2015).

–pp. 323 – 336.18Прочие публикации, включая тезисы докладов российских и международныхконференций:6. Ким, Н.В. Решение целевых задач беспилотных летательных аппаратов на основеиспользования методов анализа ситуации / Н.В. Ким, Н.Е. Бодунков, И.Г. Крылов // Сб. мат.всероссийской науч.-тех. конф. «Экстремальная робототехника». -Санкт-Петербург: 2012. –С. 436-439.7. Ким, Н.В. Оценка поведенческих признаков автотранспортных средств на основе анализавидеоинформации / Н.В.