Диссертация (Расширение условий функционирования систем визуальной навигации автономных беспилотных летательных аппаратов), страница 6

Алгоритм визуальной навигации БЛА39Принимаемые системой наблюдения текущие изображения поступают ввычислитель СТЗ, где формируются текущие описания объектов интереса. Вчастности,элементамиописаниймогутбытьвычисленныеоценкираспределения яркости, среднеквадратического отклонения или другиепризнаки объектов.ЭО (в частных случаях – ЭИ) объектов выбираются из заранееподготовленного набора, хранящегося в базе знаний (БЗ). Если текущиеусловия отличаются от тех, при которых были получены имеющиеся ЭО, тоалгоритм переходит к процедуре «Формирование эталонных описаний».ВыбранныеизимеющегосянабораилисформированныеЭОсравниваются с текущими описаниями, и далее проверяется «условиеобнаружения».При выполнении данного условия происходит переход к решениюпоставленной навигационной задачи.Если ориентир не был обнаружен, производится навигация помалоинформативным ориентирам.

Этот случай будет подробнее рассмотрен вглаве 3.В рассмотренном алгоритме наиболее сложной является процедура«Формирование эталонных описаний». Ее реализация может быть основана наразличных подходах.Как было показано ранее, подходы, основанные на использованиинабора эталонов (для различных условий наблюдения) или физическихзаконов (для моделирования текущих наблюдаемых сцен), трудно реализуемына борту автономного БЛА.В работе предлагается подход, основанный на интерполяции (илиаппроксимации) параметров имеющихся эталонных описаний, полученныхдля известных условий наблюдения. При этом минимальный исходный наборэталонных описаний (необходимых для интерполяции) может быть ограничендвумя эталонами.

Увеличение количества используемых эталонов позволитповышать точность интерполяции, в том числе в условиях рабочего40функционирования системы визуальной навигации с ее дополнительнымобучением.Реализация предлагаемого подхода позволит формировать адаптивныеэталонные описания ориентиров для различных условий наблюдения.2.1.Адаптивныеэталонныеописанияобъектовнаосновенечетких системСуть предлагаемого подхода состоит в следующем.Примем, что рабочими описаниями объектов интереса являютсяплотности распределения вероятностей (раздел 1.2).Пусть, например, по двум ЭО (или ЭИ) подстилающей поверхности«лес», полученным для различных условий наблюдений q1 («Утро») и q2(«Вечер»), определены плотности распределения вероятности p(Y│q1) иp(Y│q2), где Y(q1), Y(q2) - признаки искомого объекта (ориентира) (врассматриваемом случае - яркости подстилающей поверхности) длясоответствующих условий.Для текущих условий наблюдения qk требуется определить p(Y│qk).Искомаяплотность может быть найдена путем интерполяцииплотностей p(Y│q1) и p(Y│q2) при различных значениях Y.На рисунке 2.2 в качестве демонстрационного примера представленыплотности распределения вероятностей яркости p(Y│q), где q принимаетзначения q1, q2, qk.

По горизонтальной оси отложены значения признака Y(математическоеожиданиеяркостифрагментаповерхности),аповертикальной - значения условной плотности распределения p(Y│q).41( | )Адаптивная плотностьРисунок 2.2. Пример получения описаний с помощью интерполяцииСплошнойлиниейпоказанаплотностьp(Y│qk)(«Адаптивнаяплотность»), рассчитанная для условий qk по известным плотностям p(Y│q1)«Утро» и p(Y│q2) «Вечер».Методика построения p(Y│qk) будет рассмотрена в следующих разделахнастоящей главы.Значение построенной на основе интерполяции функции в точке,соответствующей текущим условиям наблюдений qk, определяет требуемоезначение параметра признака (эталонного описания). Именно это значение идолжно сопоставляться с параметрами признаков текущих описанийразличных объектов. Наилучшее совпадение признака эталонного описания инекоторого признака одного из объектов соответствует решению о том, чтоданный объект является искомым.Существует большое количество различных методов интерполяции.Например, широко используются методинтерполяция многочленами и др.

[29, 31, 37].ближайшегососеда,42Однако неопределенность, «размытость» связей между условияминаблюдений и конкретными значениями искомых параметров и описаний «вцелом» затрудняет реализацию указанных методов.В представленной работе предлагается реализовать интерполяцию наоснове использования нечетких систем.Преимуществами подхода являются: возможность использования неточных или нечетких связей междуусловиями наблюдений и описаниями признаков; возможность получения описаний в широком диапазоне изменениятекущих условий; существенное сокращение количества требуемых эталонных описаний посравнению с подходом на основе набора эталонов; упрощение методики формирования текущих описаний по сравнению сподходом на основе физических законов.Рассмотрим основные понятия предлагаемого подхода.Понятие нечеткого множества вводится для формализации нечеткойинформации при построении математической модели [41, 42].

Так, например,для описания влияния внешних факторов на наблюдаемость признаковобъекта можно ввести нечеткое множество условий наблюдения.Нечетким множеством на универсальном множестве называетсясовокупность пар ( (), ), где (), - степень принадлежности элемента ∈ к нечеткому множеству . Степень принадлежности - это число издиапазона [0, 1].

Чем выше степень принадлежности, тем в большей меройэлемент универсального множества соответствует свойствам нечеткогомножества.Длярасчетастепенипринадлежностииспользуютсяфункции,называемые функциями принадлежности (ФП).Лингвистическая переменная – это переменная, способная приниматьзначения естественного языка. Значения этой переменной – термы. Так,43например, условия наблюдения, представленные в виде нечетких множеств,будут выглядеть следующим образом:- время года – «Лето», «Зима» и т.п.,- время суток – «Утро», «День», «Вечер» и пр.,- погодные условия – «дождь», «ясно» и т.д.Связь термов с конкретными числовыми (физическими) значениями(например,стекущимвременем)осуществляетсячерезфункциипринадлежности, а лингвистическая переменная описывается нечеткиммножеством.Нечеткое правило ставит в соответствие некоторому набору посылок –термов,определенноезаключение.Примернечеткогоправиладляформирования адаптивных описаний представлен на рисунке 2.3.Нечеткое правило i={1 , … , }ОписанияУсловия наблюденияРисунок 2.3.

Структура нечеткого правила для формированияадаптивных описанийИз рисунка видно, что на вход правила поступает посылка, содержащаянекоторые конкретные значения условий наблюдения = {1 , … , }.Структура посылки выглядит следующим образом:N12 …где N – количество анализируемых условий наблюдения.Примем (для исследуемого примера): 1 – текущий месяц; 2 – текущее время;3 – текущая широта.В рассматриваемом случае нечеткое правило ставит в соответствиенабору нечетких условий наблюдения конкретные эталонные описания,например эталонные плотности распределения.44Нечеткие условия представляются в виде набора термов, соединенныхлогическим «И» (∩). Например, нечеткие правила для различного временисуток («День», «Вечер») и одного времени года («Лето») примут следующийвид:1.

(время года = «Лето»)∩(время суток= «День») → {Плотность =«День»}2. (время года = «Лето»)∩(время суток= «Вечер») → {Плотность =«Вечер»}В приведенных выше правилах нечеткие условия состоят из термов«время суток» и «время года», соединенных оператором ∩.Достоверность правила рассчитывается при подстановке конкретныхзначений в соответствующие функции принадлежности, при этом, ∩ можнозаменить оператором [42]. Так, достоверности приведенных выше правил(1 и 2 ) будут вычисляться как1 = лето (1 ) ∩ день (2 ) = min(лето (1 ), день (2 ))2 = лето (1 ) ∩ вечер (2 ) = min(лето (1 ), вечер (2 )),(2.1)где 1 , 2 – конкретное значение условий наблюдения (текущий месяц и время– первые два элемента посылки Q); день , вечер , лето– функциипринадлежности соответствующих термов (время суток= «День», времясуток= «Вечер», время года = «Лето»).Очевидно, что при расчете достоверности правил важную роль играетФП.

Подробнее виды ФП и методика их выбора будут показаны в разделе 2.3.Набор нечетких правил формирует базу знаний (БЗ).При формировании адаптивных описаний перебираются все правила БЗи рассчитывается их достоверность. Во время работы системы в реальныхусловиях наблюдения может сработать одновременно несколько правил, витоге будет сформирована адаптивная плотность распределения.Расчет адаптивной плотности в общем случае производится по формуле45адапт ( | , 1 , 2 , … , ) = ∑ ( | , ) ∗=1∗ min(1 (1 ), 2 (2 ), … , ( )),гдеадапт ( | , 1 , 2 , … , )–значениеадаптивной(2.2)плотностираспределения для объекта ; n = 1,..,N, N – количество искомых объектов, = 1, … , , M – количество рассматриваемых условий; ( | )- эталоннаяплотность распределения, соответствующая правилу ; ( ) – функцияпринадлежности терма лингвистической переменной .Таким образом, происходит интерполяция плотностей распределениядля конкретных условий на основе эталонных плотностей, заданныхправилами.

Предлагаемый подход позволяет сократить требуемый объемэталонных описаний, свести различные типы описаний в единую систему,использовать ситуационную информацию при формировании описаний ирешении целевых задач.Для разработки технологии формирования и использования подобныхописаний необходимо решить следующие задачи:1.

Разработать методику формирования адаптивных эталонных описанийобъектов интереса (на основе нечетких систем).2.Разработать методику обучения (дообучения) нечеткой системы.3. Разработать рекомендации по реализации способов представлениянечеткой системы.Методика формирования адаптивных описанийМетодика включает в себя процедуры формирования нечеткой системыи адаптивных описаний:1.Формирование нечеткой системы:1.1.Формирование эталонных описаний каждого класса объектов дляразличных условий (( | , 1 , 2 , … , )).1.2.Определениедиапазонавозможныхусловийнаблюдения,формирование соответствующих термов и функций принадлежности ().461.3.2.Формирование нечетких правил.Формирование адаптивных описаний:2.1.Получение текущих значений условий наблюдений Q.2.2.Перебор всех правил БЗ и расчет их достоверностей.2.3.Формирование адаптивной плотности.Исходные эталонные описания могут получаться (п.1.1 Методики)путем моделирования или в результате реальной съемки различных сцен,содержащих необходимые объекты интереса.Для формирования БЗ нечетких правил необходимо на основеэкспертных или априорных знаний согласно особенностям ЦЗ (условиямфункционирования) определить диапазон условий наблюдений (п.1.2).