Пупков К.А., Коньков В.Г. Интеллектуальные системы (1-е изд., 2001) (1245264), страница 18

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 18)

Пусть на k - м шаге они- мопределены. Рассмотрим поэтапно процедуру их вычисления на ( k  1)шаге.Этап 1. «Ветвление» гипотез с учетом полумарковских и марковскихВИ в ООУ и ОКС подразумевает вычисление вероятностейqk1 k (mk , k ,mk1,k1)  Pr{Uk (mk , k ),Uk1(mk1, k1)}qk (mk , k ) pk 1(mk1, k1 mk ,  k ) pk1( k1 k ,mk1, k 1)Этап 2. Парциальное прогнозирование при фиксированных«разветвленных» гипотезах U k (mk ,  k ),U k 1 (mk 1 ,  k 1 ) заключается вопределении условных парциальных МО и ковариаций)xk1 k (mk,k,mk1,k1)  M{x(k 1) Zk,Uk (mk,k ),Uk1(mk1,k1)})Pk1 k (mk,k )  M{[x(k 1) xk1 k (mk,k,mk1,k1)][]T Zk,Uk (mk,k ),Uk1(mk1,k1)}с помощью стандартных соотношений прогнозирования фильтра Калмана,составленных по уравнению состояния (130) при фиксированных значенияхm( k ),  ( k ), m( k  1),  ( k  1) .Этап 3.

«Свертка» гипотез по переменным mk и  k означаетвычисление вероятностейqk 1 k ( mk 1,  k 1 )  Pr{U k 1 ( mk 1,  k 1 ) Z k }  qk 1 k ( mk ,  k , mk 1,  k 1 ),(141)mk , kqk (mk , k mk 1 ,  k 1)  Pr{Uk (mk , k ) Z k ,Uk 1(mk 1, k 1)}(142)qk 1 k (mk , k , mk 1, k 1) qk 1 k (mk 1, k 1).Этап 4. «Свертка» парциальных прогнозируемых оценок и ковариацийпо mk и  k осуществляется по формулам:)xk1 k (mk1,k1)  M{x(k 1) Zk , Uk1(mk1,k1)})qk (mk ,k mk1, k1) xk1 k (mk ,k ,mk1,k1) Pk1 k (mk ,k mk1, k1) mk , kqk (mk ,k mk1, k1)[Pk1 k (mk ,k mk1, k1) mk , k))[xk1 k (mk1, k1)  xk1 k (mk ,k ,mk1,k1)][]T ].Этап 5.

Парциальное оценивание расширенного вектора состояния вмомент ( k  1) с учетом текущего измерения z ( k  1) производится всоответствии со стандартным алгоритмом фильтра Калмана для каждой изфиксированных гипотез U k 1 ( mk 1 ,  k 1 ). В результате вычисляются искомыеапостериорные парциальные оценки и ковариации вида (140), но уже длятекущего момента ( k  1) .61гипотезЭтап 6.

Процесс обработки информации завершается тестированиемU k 1 (mk 1,  k 1 ) , которое означает вычисление апостериорныхвероятностей qk 1 k (mk 1 ,  k 1 ) вида (139) по формуле Байеса.При этом в качестве «априорных» выступают вероятности (142), афункциями правдоподобия гипотез являются гауссовские плотности k 1 ( mk 1 ,  k 1 )  N {zk 1 ( mk 1 ,  k 1 ) 0 , Dk 1 (mk 1 ,  k 1 )},где z k 1 ( m k 1 ,  k 1 )- невязка измерений, аDk 1 ( mk 1 ,  k 1 )- еековариация, вычисленные для каждой пары значений mk 1 и  k 1 напредыдущем этапе в процессе реализации процедуры калмановскойфильтрации.Наконец, согласно (138) вычисляется искомая оценка значенийсовокупности ПП в виде)y ( k  1)  arg max [ q{mk 1,  k 1 )].mk 1 ,  k 1Синтезированный алгоритм адаптивной обработки информации накаждом из рассмотренных этапов имеет ярко выраженную параллельнуюструктуру, так как определение всех парциальных оценок и вероятностейгипотез должно быть произведено для всех комбинаций значений ПП имоментов последних изменений m .

Поэтому он идеально приспособлен дляреализации на параллельных вычислительных структурах. В представленномвиде количество вычислений растет в этом алгоритме линейно во времени.Однако, используя отбрасывание маловероятных гипотез на границескользящего окна [39], можно ограничить объем вычислений заранее заданнойконечной величиной.Проведенные исследования показали, что предлагаемый принципминимальной вычислительной сложности алгоритмов обработки информации винтеллектуальных динамических системах, функционирующих в условияхвлияния внезапных возмущающих факторов, позволяет эффективно решитьширокий спектр важных практических задач, в которых такие факторы имеютразличную физическую природу и могут действовать как поочередно, так иодновременно.622.2. Параллельная реализация системы технического зрения длянавигации самолетаСистема технического зрения может обеспечивать автономную системууправления транспортного средства информацией для определения ориентации,положения и скорости транспортного средства, кроме того, не только длятранспортного средства непосредственно, но также для препятствий вокруг статических или динамических.

С развитием технологий и методовтехнического зрения, такие системы становятся более доступными в терминахстоимости, размеров и веса. В настоящее время система технического зренияможет быть выполнена как портативная система для автономноготранспортного средства типа подвижного робота, автомобиля, самолета иливертолета. Портативные системы, как правило, имеют ограниченнуювычислительную мощность и требуют дополнительной надежности.

Такимобразом, для системы технического зрения требуется надежный и простойалгоритм. Для упрощения задачи необходимо некоторое априорное знание. Этоможет быть гипотеза относительно текущего вида камеры. В этой работе мытолько рассматриваем алгоритм извлечения особенностей и их прослеживания,как первый шаг к созданию системы навигации самолета.

Фактически,разработанная система может быть применена для выполнения некоторыхвоздушных операций типа автоматического полета вдоль автомобильных илижелезных дорог или береговой линии.Процесс навигации состоит из следующих стадий: выделениеособенностей, классификация особенностей и отображение в тестовую карту,затем тестовая карта сравнивается с образцовой картой.

После этого ошибкапозиции может быть найдена и сделана коррекция инерциальнойнавигационной системы. Образцовая карта формируется специальнойпроцедурой, использующей человеческое знание, топологические карты ивоздушныеиликосмическиеизображения.Алгоритмнавигации,непосредственно - похожая процедура преобразования для автоматическойсистемы. Требуется отметить, что такой подход применяется в ограниченныхместностях, специально выбранных для коррекции, и система должна иметьпредположение для текущего изображения получаемого системой.Сначала важно выяснить какие особенности необходимо выделять.Особенности должны удовлетворять следующим условиям:1.

Позволять простое описание и ясную физическую интерпретацию.2. Обеспечить высокую степень стабильности вне зависимости времяи сезона и спектральной полосы.Анализ разнообразия аэрокосмических снимков показывает, чтонаиболее информативные особенности, отвечающие перечисленным вышеусловиям, следующие:а) рельеф;б) границы областей;в) линейные особенности (дороги, реки, электрические линии);г) объекты, уникальные для области.Рельеф обычно трудно оценить. Границы областей и линейныеособенности наиболее устойчивы и обычно представляют в большинствеслучаев, за исключением широких изотропных областей, типа водныхповерхностей. Уникальные объекты редки, но обеспечивают самую лучшуюточность.

Для общности мы будем ориентироваться на границы областей илинейные особенности, как основные навигационные ориентиры. Границыобластей могут формировать замкнутые контура, и в зависимости от размеров иформы могут быть полезными или нет [41]. Поэтому после того, каксоответствующие особенности выделены, их необходимо оценить и поместить втестовую карту.За исходную точку мы приняли алгоритм для навигации попротяженным ориентирам, предложенным в [40], который состоит изследующих стадий:1.

Предварительная фильтрация первоначального изображения;использовался усредняющий фильтр 3х3.2. Выделение границ: использовались операторы Собеля илиПревитта.3. Уточнение контуров: использовался специально разработанныйпростой алгоритм, применяемый к изображению после выделенияграниц и перед сравнением с порогом.4. Оценивание выделенных особенностей и формирование тестовойкарты.5. Сравнение тестовой и образцовой карты; на этой стадии имеетсяограничение к ряду сравниваемых особенностей, которое зависит отустановленной точности.6.

Определение положения.Задачей этой работы являлась разработка алгоритма для выделения иотслеживания протяженных особенностей, типа дорог или электрическихлиний, для этого пункты 5, 6 из первоначального алгоритма были замененыпроцедурой для нахождения требуемых особенностей и их отслеживания. Дляулучшения алгоритма оригинала предлагается заменить стадии 1-3, процедуройкластера анализа с методикой распознавания образов.

Такая процедура требуетвычисления еще трех изображений для формирования векторов признаковкаждого пикселя. Это дает более точное выделение особенностей, но требуетбольшого количества вычислений.Система может быть представлена в виде двухуровневого процесса:стадии 1-3 образуют обработку изображения низкого уровня, которая требует63VLSI реализации на параллельных или векторных процессорах. Стадии 4,5 анализ высокого уровня требуют мощного последовательного процессора илимультипроцессорного ядра.Алгоритм был выполнен на транспьютерной системе техническогозрения, которая включает в себя автофиксирующую камеру, модуль захватакадров Transtech TTGF c Т805 транспьютером, сеть из четырех Т800транспьютеров с 1М оперативной памяти для обработки низкого уровня итранспьютер Т805 с 2mb оперативной памятью для обработки высокого уровня;для визуального контроля используется графическая плата INMOS В020.

Всемодули размещаются на двух платах, помещенных в РС. Платы могли бы бытьустановлены в блок с размерами 350х120х60мм. Это не включает блок питанияи камеру. Данный минимальный набор позволил оценить эффективность работыалгоритма, особенности и проанализировать результаты. Была предложенавозможная реализация аппаратных средств реального времени.Для работы в транспьютерной сети были разработаны дополнительныесистемные программные модули.

Особенное внимание уделялось поддержке«жизни» сети, для поддержания обработки в течение всего времени беззависания. Для этого были введены специальные программные модулиуправления. Такие же самые модули выполняются на каждом транспьютере, иотвечают за обмен данными между транспьютерами и сохранение горячихсоединений с другими процессами.

Такая организация позволяет выходить измертвых блокировок зависимых от данных. Модули управления соблюдаютрасписание процессов для достижения эффективности реального времени, нодопускают некоторые потери данных. Основной модуль управления размещенна корневом транспьютере, который был на графической плате, этот модульимеет всю информацию относительно сети и помещает другие модулиуправления в каждый транспьютер и тестирует обмен данными между ними,затем загружаются программные модули обработки.

Обработка состоит изследующих основных шагов: захват кадра, разбиение и пересылка изображенияк модулю обработки низкого уровня, затем на каждой стадии происходит обменданных между процессами, и собирается полученная информация обизображении для процесса анализа высокого уровня, затем, когда приняторешение, найденные координаты текущего ориентира могут быть переданысистеме управления (в нашем случае они только указываются на экране спервоначальным изображением).Так, в заключение, программа состоит из модуля захвата кадров,модулей обработки низкого уровня, модуля анализа высокого уровня, модульинтерфейса и взаимосвязанные модули управления для каждого процессора.Система была проверена, используя воздушную видеосъемку земнойповерхности специальной системой на самолете-лаборатории на высоте 400метров.

Другой тест проводился, используя лабораторный стенд: камера былапомещена на руку робота и направлялась на стену с моделью земнойповерхности, рука робота отслеживала линейные объекты (дороги) модели. Изза ограничения вычислительной мощности из середины оригинала фиксируемоеизображение с размерами 512х512 пиксели извлекалось изображение 128х128для обработки. Но даже тогда ощущалась низкая эффективность. Однако, длямедленного движения при моделировании на стенде была получена хорошаяэффективность. Тесты показали, что предложенный первоначальный алгоритмявляется способным отследить такие особенности как автомобильные илижелезные дороги, реки, линии электропередач, но не хорошо работает сграницами областей, реализация процедуры анализа кластера с объектнойметодикой распознавания дает лучшие границы, но требует некоторойдополнительной мощности процессора.Алгоритм показал хорошую работу для изображений, полученных вразличных средах, время года, возможно, зима скрывает некоторыеособенности, но такие вещи как дороги, границы между лесом и полем станутболее чистыми, замороженные реки могут быть почти полностью скрыты, и этодолжно быть учтено при постановке задач.Чтобы улучшить работу алгоритма, возможно использованиереконструкции контуров.Довольно ясно, что при использовании более мощных аппаратныхсредств, возможно получить мобильную систему технического зренияреального времени.Данный подход может также использоваться для управления наземноготранспортного средства, например, для мобильного робота на установленнойполосе.642.3.

Характеристики

Список файлов книги