РАЗРАБОТКА ПРОТОТИПА МНОГОФУНКЦИОНАЛЬНОЙ ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ КРУГОВОГО ОБЗОРА ДЛЯ ОБЕСПЕЧЕНИЯ ВИЗУАЛЬНОГО ОРИЕНТИРОВАНИЯ БЕСПИЛОТНЫХ ТРАНСПОРТНЫХ СРЕДСТВ

РАЗРАБОТКА ПРОТОТИПА МНОГОФУНКЦИОНАЛЬНОЙ ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ КРУГОВОГО ОБЗОРА ДЛЯ ОБЕСПЕЧЕНИЯ ВИЗУАЛЬНОГО ОРИЕНТИРОВАНИЯ БЕСПИЛОТНЫХ ТРАНСПОРТНЫХ СРЕДСТВ

Автор: Д. А. Гаврилов, Е. А. Татаринова, А. А. Фортунатов, В. Э. Буздин, Д. В. Учаев, Дм. В. Учаев, И. М. Михайлов, М. В. Терентьев, Д. Н. Щелкунов, Я. Мурхиж, О. А. Поткин

Журнал: Научное приборостроение @nauchnoe-priborostroenie

Рубрика: Разработка приборов и систем

Статья в выпуске: 3, 2023 года.

Бесплатный доступ

В настоящей работе представлен прототип многофункциональной оптико-электронной системы кругового обзора для обеспечения визуального ориентирования беспилотных транспортных средств. Разработанный прототип предназначен для размещения на багажнике легкового автомобиля и позволяет осуществлять управление беспилотным транспортным средством с помощью оперативного анализа окружающей обстановки. Сенсорные устройства собирают информацию об окружающем мире, передают ее в систему управления, где производится анализ поступающих данных и планирование действий на основе этой информации, а также данных карт и локализации. Алгоритмическое обеспечение для построения карты и локализации на ней по камерам в реальном времени позволяет беспилотному устройству ориентироваться в пространстве только по визуальной информации и решать задачу автономного движения наряду с ориентированием по заданной карте местности.

Еще

Оптико-электронная система, круговой обзор, беспилотное транспортное средство, ситуационная осведомленность, визуальное ориентирование

Короткий адрес: https://sciup.org/142238278

IDR: 142238278

Список литературы РАЗРАБОТКА ПРОТОТИПА МНОГОФУНКЦИОНАЛЬНОЙ ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ КРУГОВОГО ОБЗОРА ДЛЯ ОБЕСПЕЧЕНИЯ ВИЗУАЛЬНОГО ОРИЕНТИРОВАНИЯ БЕСПИЛОТНЫХ ТРАНСПОРТНЫХ СРЕДСТВ

  • 1. Исследование состояния и перспектив рынка автономных автомобилей, платформ для электротранспорта и топливных элементов, оценка влияния на развитие российского и международного рынка "Автонет". Аналитический отчет 2019. М.: Некоммерческая организация Ассоциация "ГЛОНАСС/ГНСС-Форум", 2019. 245 с. URL: www.aggf.ru/projects/%D0%A0%D1%8B%D0%BD%D0%BE%D0%BA%20%D0%B0%D0%B2%D1%82%D0%BE%D0%BD%D0%BE%D0%BC%D0%BD%D1%8B%D1%85%20%D0%B8%20%D1%8D%D0%BB%D0%B5%D0%BA%D1%82%D1%80%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D1%85%20%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%BE%D0%B1%D0%B8%D0%BB%D0%B5%D0%B8%CC%86.pdf
  • 2. Кондратьев В.В., Пивоваров И.О., Горбачев Р.А., Матюхин В.В., Корнев Д.А., Гаврилов Д.А., Татаринова Е.А., Буздин В.Э., Михайлов И.М., Поткин О.А. Перспективы применения искусственного интеллекта в прикладных бизнес-задачах // ДАН. Математика, информатика, процессы управления. 2022. Т. 508, № 1. С. 41–49. URL: https://www.elibrary.ru/item.asp?id=49991309
  • 3. Ващенко А.П., Гаврилов Д.А., Лапушкин А.Г. Разработка прототипа аппаратно-программного устройства панорамного обзора для систем безопасности и ситуационной осведомленности беспилотного транспортного средства // Вопросы кибербезопасности. 2021. № 5(45). С. 87–95. DOI: 10.21681/2311-3456-2021-5-87-95
  • 4. Ловцов Д.А., Гаврилов Д.А. Моделирование оптикоэлектронных систем дистанционно пилотируемых аппаратов: Монография. М.: "Технолоджи-3000", 2019. 164 с.
  • 5. Ловцов Д.А., Гаврилов Д.А. Эффективная автоматизированная оптико-электронная система аэрокосмического мониторинга // Правовая информатика. 2019. № 2. С. 29–35. URL: https://cyberleninka.ru/article/n/effektivnayaavtomatizirovannaya-optiko-elektronnaya-sistemaaerokosmicheskogo-monitoringa
  • 6. Ловцов Д.А., Гаврилов Д.А., Татаринова Е.А. Эффективная автоматизированная переработка визуальной
  • информации в оптико-электронной системе наземнокосмического мониторинга // Профессорский журнал. Сер. Технические науки. 2019. № 3. С. 26–40. DOI: 10.18572/2686-8598-2019-3-3-26-40
  • 7. Потапов А. Системы компьютерного зрения: современные задачи и методы // Control Engineering Россия. 2014. № 1. С. 22–28. URL: https://rucont.ru/efd/437978
  • 8. Нестеров А.В. Анализ методов цифровой обработки информации в системах компьютерного зрения // Вестник РГРТУ. 2008. № 4. С. 3–5. URL: http://vestnik.rsreu.ru/ru/archive/2008/4-vypusk-26
  • 9. Гаврилов Д.А., Щелкунов Н.Н., Фортунатов А.А., Молчанов В.С. Многофункциональное оптикоэлектронное устройство кругового обзора для управления движением беспилотного транспортного средства. Патент на полезную модель RU 210565 U1, 21.04.2022. Заявка № 2021139054 от 27.12.2021. URL: https://yandex.ru/patents/doc/RU210565U1_20220421
  • 10. Labbé M., Michaud F. RTAB-Map as an open-source lidar and visual simultaneous localization and mapping library for large-scale and long-term online operation // J.Field Robot. 2019. Vol. 36, iss. 2. P. 416–446. DOI: 10.1002/rob.21831
  • 11. Leutenegger S. et al. Keyframe-based visual–inertial odometry using nonlinear optimization // Int. J. Robot. Res. 2015. Vol. 34, iss. 3. P. 314–334. DOI: 10.1177/0278364914554813
  • 12. Kerl C., Sturm J., Cremers D. Dense visual SLAM for RGB-D cameras // IROS 2013 – IEEE/RSJ International Conference on Intelligent Robots and Systems. Tokyo: IEEE, 2013. P. 2100–2106. DOI: 10.1109/IROS.2013.6696650
  • 13. Engel J., Stückler J., Cremers D. Large-scale direct SLAM with stereo cameras // IROS 2015 – IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE Press., 2015. P. 1935–1942. DOI: 10.1109/IROS.2015.7353631
  • 14. Mur-Artal R., Tardós J.D. Visual-Inertial Monocular SLAM with Map Reuse // IEEE Robot. Autom. Lett. 2017. Vol. 2, iss. 2. P. 796–803. DOI: 10.1109/LRA.2017.2653359
  • 15. Schneider T. et al. Maplab: An Open Framework for Research in Visual-Inertial Mapping and Localization // IEEE Robot. Autom. Lett. 2018. Vol. 3, iss. 3. P. 1418–1425. DOI: 10.1109/LRA.2018.2800113
  • 16. Schlegel D., Colosi M., Grisetti G. ProSLAM: Graph SLAM from a Programmer’s Perspective // ICRA 2018 – IEEE International Conference on Robotics and Automation. 2018. P. 3833–3840. URL: https://www.proceedings.com/40565.html
  • 17. Zubizarreta J., Aguinaga I., Montiel J.M.M. Direct Sparse Mapping // IEEE Trans. Robot. 2020. Vol. 36, iss. 4. P. 1363–1370. DOI: 10.1109/TRO.2020.2991614
  • 18. Rosinol A. Kimera: an Open-Source Library for RealTime Metric-Semantic Localization and Mapping // ICRA 2020 – IEEE International Conference on Robotics and Automation. Paris, France: IEEE, 2020. P. 1689–1696. URL: www.proceedings.com/content/055/055762webtoc.pdf
  • 19. Campos C. et al. ORB-SLAM3: An Accurate OpenSource Library for Visual, Visual Inertial, and Multimap SLAM // IEEE Trans. Robot. 2021. Vol. 37, iss. 6. Р. 1874–1890. DOI: 10.1109/TRO.2021.3075644
  • 20. Gao X. et al. LDSO: Direct Sparse Odometry with Loop Closure // IROS 2018 – IEEE/RSJ International Conference on Intelligent Robots and Systems. 2018. P. 2198–2204. URL: https://www.proceedings.com/42518.html
  • 21. Usenko V. et al. Visual-Inertial Mapping With Non-Linear Factor Recovery // IEEE Robot. Autom. Lett. 2020. Vol. 5, iss. 2. P. 422–429. DOI: 10.1109/LRA.2019.2961227
  • 22. Forster C. et al. SVO: Semidirect Visual Odometry for Monocular and Multicamera Systems // IEEE Trans. Robot. 2017. Vol. 33, iss. 2. P. 249–265. DOI: 10.1109/TRO.2016.2623335
  • 23. Qin T., Li P., Shen S. VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator // IEEE Trans. Robot. 2018. Vol. 34, iss. 4. P. 1004–1020. DOI: 10.1109/TRO.2018.2853729
  • 24. Гаврилов Д.А. Исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники // Компьютерная оптика. 2021. Т. 45, № 4. С. 575–579. DOI: 10.18287/2412-6179-CO-804
  • 25. Гаврилов Д.А., Ловцов Д.А. Автоматизированная переработка визуальной информации с помощью технологий искусственного интеллекта // Искусственный интеллект и принятие решений. 2020. № 4. С. 33–46. DOI: 10.14357/20718594200404
  • 26. Geiger A., Lenz P., Urtasun R. Are we ready for autonomous driving? The KITTI vision benchmark suite // 2012 IEEE – Conference on Computer Vision and Pattern Recognition. Providence, RI: IEEE, 2012. P. 3354–3361. DOI: 10.1109/CVPR.2012.6248074
  • 27. Yang G. et al. DrivingStereo: A Large-Scale Dataset for Stereo Matching in Autonomous Driving Scenarios // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA: IEEE, 2019. P. 899–908. DOI: 10.1109/CVPR.2019.00099
  • 28. Wenzel P. et al. 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous Driving // Proceedings of the German Conference on Pattern Recognition (GCPR), 2020. P. 404–417. DOI: 10.1007/978-3-030-71278-5_29
  • 29. Лапушкин А.Г., Гаврилов Д.А. Программное обеспечение для создания синтезированных данных и симулятор с обратной связью для тестирования алгоритмов машинного обучения // Научное приборостроение. 2023. Т. 33, № 1. С. 95–108. URL: http://iairas.ru/mag/2023/abst1.php#abst8
  • 30. Лапушкин А.Г., Гаврилов Д.А., Щелкунов Н.Н., Бакеев Р.Н. Основные подходы к подготовке визуальных данных для обучения нейросетевых алгоритмов // Искусственный интеллект и принятие решений. 2021. № 4. С. 62–74. DOI: 10.14357/20718594210406
Еще
Статья научная
SciUp 2024 © 2024 ©