CC BY
12
УДК 007:52 DOI: 10.24412/2071-6168-2021-7-40-52
КОМПЛЕКСНЫЙ ПОДХОД ПРИ ФОРМИРОВАНИИ МОДЕЛИ
ВНЕШНЕЙ СРЕДЫ РТК
А.В. Вазаев, К.Ю. Машков, В.П. Носков, И.В. Рубцов
Рассмотрена сложная проблема классификации зоны маневрирования по критериям геометрической и опорной проходимости с учетом характеристик движителя, геометрии рельефа и опорных свойств грунта. Описаны существующие методы и алгоритмы, а также приведены результаты экспериментальных исследований по решению следующих основных задач данной проблемы: классификации зоны маневрирования по критерию геометрической проходимости по данным бортовой системы технического зрения на основе ЗБ-лазерного сенсора; распознавания типов грунтов по данным комплексированной системы технического зрения, состоящей из взаимно-юстированных ЗБ-лазерного сенсора, цветной видеокамеры и тепловизора, имеющих общую зону обзора; использования аппарата нейронных сетей для повышения достоверности распознавания типов грунтов; определения опорных характеристик грунта по измерениям реакций движителя в процессе движения. Сформулированы перспективные направления дальнейших исследований в части комплексирования тактильной и зрительной информации для повышения достоверности классификации участков зоны маневрирования по комплексному критерию геометрической и опорной проходимости.
Ключевые слова: движитель, рельеф, грунт, геометрическая и опорная проходимость, модель внешней среды, система технического зрения.
Основным перспективным направлением дальнейшего совершенствования робототехнических комплексов (РТК) специального и военного назначения является повышение их автономности за счет интеллектуализации бортовых систем управления. Создание автономных систем управления, способных функционировать при необходимости без участия человека-оператора, позволит исключить недостатки и ограничения (ограниченный зоной уверенного радиообмена радиус действия; невозможность использования в экранированных зонах, которыми изобилует индустриально-городская среда, в том числе и здания; повышенная уязвимость для средств радиоэлектронного и огневого противодействия противника вследствие постоянно работающего канала связи; человеческий фактор), присущие принимаемым в настоящее время на вооружение дистанционно-управляемым РТК.
Как показано в [1], повышение автономности целесообразно проводить в последовательном переходе сначала от существующих в настоящее время простейших систем дистанционного управления к интеллектуальным системам дистанционного управления, обеспечивающим повышенную информативную осведомленность оператора, контролирующим его действия и выполняющим часть его функций, а затем - к интеллектуальным системам автономного управления, обеспечивающим автономное функционирование в режиме "молчания", в экранированных зонах и за пределами дальности средств радиосвязи. Создание интеллектуальных си-
стем дистанционного и автономного управления, в свою очередь, позволит перейти к решению задач группового управления уже на практическом уровне.
Основой повышения автономности РТК через интеллектуализацию бортовых систем управления как при управлении движением [2 - 7], так и при управлении навесным оборудованием [8] является решение бортовыми средствами задач формирования модели внешней среды и определения координат объекта управления. Наличие модели внешней среды и текущих координат объекта управления позволяет автоматизировать планирование и отработку траектории движения, что и обеспечивает автономное функционирование РТК.
Для обеспечения целенаправленного безопасного движения необходимо учитывать геометрию рельефа и опорные характеристики грунта [9,10]. При этом, чем полнее и точнее сформированная модель описывает данные параметры и характеристики, тем меньше требуется участия человека-оператора в процессе управления и тем большей автономностью обладает РТК. Рассмотрим с этой точки зрения методы формирования модели внешней среды по данным бортовых средств и перспективы их дальнейшего развития.
Классификация зоны маневрирования по критерию геометрической проходимости. Для классификации зоны маневрирования по критерию геометрической проходимости необходимо сначала построить ее геометрическую модель.
При наличии геометрической модели в виде трехмерного облака точек (1=1,2,...,п), сформированного в подвижной системе ко-
ординат, связанной с корпусом шасси и приведенной к местной вертикали, классификация зоны маневрирования по критерию геометрической проходимости может быть эффективно выполнена с использованием функции геометрической проходимости [3]. Функция геометрической проходимости Щ) (рис. 1) содержит информацию о предельно допустимых наклонах корпуса (/м) по углам крена и дифферента и предельную высоту преодолеваемой ступеньки ^м) для данного объекта управления.
Аргументом функции геометрической проходимости является рас-
J2 2
— + (уг _Уу) между проверяемой парой точек
{хьуьх{) и {хрУуТ)) в горизонтальной плоскости, а значением - предельно допустимый перепад высот опорной поверхности на этом расстоянии. Функция геометрической проходимости определена на интервале 0 < 1 < L ^ - максимальный размер шасси в горизонтальной плоскости). Классификация в рассматриваемом случае сводится к вычислению модуля разности высот Дхц = — проверяемой пары точек и сравнения его со значением функции проходимости Щу) (если Дхц > Щц), то соответствующий участок зоны маневрирования является препятствием). При 1у = 0 проверяются вертикальные ступеньки, при 0 < 1у < L - наклоны рельефа. Результат такой классификации приведен на рис. 2 (зеленые участки - разрешено движение, красные - препятствия, серые - зона неизвестности).
а б
Рис. 2. Результат классификации по критерию геометрической проходимости: а - фотопанорама внешней среды; б - формальная модель внешней среды
Если объект управления имеет несколько скоростей движения, то для классификации рельефа необходимо использовать систему функций геометрической проходимости (рис. 3).
В этом случае участки формальной модели будут "раскрашены" разрешенными скоростями движения. Например (см. рис. 3), если для проверяемой пары точек {х^у^ж^ и , находящихся друг от друга в горизонтальной проекции на расстоянии 1ц, перепад высот Ьлц больше £з(1у), но меньше (г(1ц), то соответствующий участок рельефа запрещен для движения со скоростью Уз (Уз > Уг > VI).
Метод классификации внешней среды с использованием функции геометрической проходимости успешно проверен в реальных условиях и реализован в программно-аппаратных средствах ряда действующих экспериментальных и макетных образцов РТК, созданных при выполнении НИОКР.
Классификация зоны маневрирования только по критерию геометрической проходимости корректна для относительно твердых грунтов, в общем же случае необходимо учитывать и несущие характеристики грунта.
Распознавание типов грунтов. Существенным приближением к решению задачи классификации зоны маневрирования по критерию опорной проходимости является решение задачи распознавания типов грунтов (песок, гравий, глина, асфальт, растительность и др.). В [5 - 7] предложен метод дистанционного распознавания типов грунтов по данным бортовой комплексированной СТЗ, состоящей из взаимно юстированных 3D-лазерного сенсора, цветной видеокамеры и тепловизора, имеющих общую зону обзора (рис. 4).
Рис. 4. Комплексированная система технического зрения: 1 - лазерный сенсор SICK LMS151; 2 - опорно-поворотное устройство;
3 - видеокамера GoPro Hero 4; 4 - тепловизор Flir Lepton
Данные юстировки позволяют совмещать в единой системе координат дальнометрические, видео- и тепловизионные изображения, в результате чего получается геометрия рельефа опорной поверхности в виде облака точек с распределением на нем цветового и температурного полей: Т = [Ti] = [<ai,ßi,di,Ii,Ri,Gi,Bi,Yi >], i = 1,2, ..., n,
43
где п - число точек; - углы соответственно горизонтальной и вер-
тикальной развёртки 3D-лазерного сенсора; ^ - измеренная дальность; 11 - измеренная интенсивность отражённого зондирующего сигнала; Я1,С1,В1 - три компоненты цвета пиксела, полученные с телевизионной камеры; - температура пиксела, полученная с тепловизионной камеры. Для каждой произвольной ьй точки сцены вычисляются степени достоверности (вероятности) принадлежности к каждому к-му типу поверхности (к = 1,2, ..., т):
1
р —_ги рцв \и ртемп рдисп\
г 1к . .. .. ^ц^ 1к ^ итемпг 1к ~ идиспг 1к ),
°цв^ °темп "т" °дисп
Рцв птемп г»дисп • ~ 1
¡к , Мк , Мк - вероятность принадлежности ьй точки к к-му типу поверхности по результатам анализа соответственно цвета (компонент К},С},В{), температуры (компоненты ) и дисперсии высоты точек в области фиксированного радиуса вокруг ьй точки (определяется с использованием компонент ); Ьцв, Ьтемп, Ьдисп - весовые коэффициенты, определяющие степень влияния данных сенсоров на итоговую вероятность.
Вероятности РЦв, Рпемп, РДИ™ принадлежности ьй точки к к-у типу грунта определяются по степени близости (в смысле евклидова расстояния) вектора признаков к эталонному вектору признаков для к-го типа грунта в многомерном пространстве признаков. Эталонные вектора признаков для различных типов грунтов определяются экспертом в результате проведения опытных экспериментальных исследований в реальных условиях. На рис. 5 приведен результат распознавания типов грунтов описанным выше методом в реальных условиях.
а б
Рис. 5. Результат распознавания типов грунтов: а - фотопанорама внешней среды; б - результат распознавания типа
грунтов (Ш - растительность, ■ - асфальт, □ - песок, |! - водная поверхность)
Данный подход обеспечивает достаточно надежное распознавание типов грунтов при относительно стабильных внешних условиях (метеорологические условия, освещенность, время суток, времена года). Однако
44
при изменении этих условий вероятность правильной классификации падает, и эталонные вектора признаков необходимо корректировать. Для автоматизации данного процесса можно использовать аппарат нейронных сетей [7]. В частности, хорошие результаты были достигнуты при использовании свёрточной нейронной сети CaffeNet (аналог известной AlexNet [12]), содержащей пять свёрточных и три полносвязных слоя. Обучение нейронной сети выполнялось на достаточно большой обучающей выборке изображений, полученной на большом промежутке времени в различные времена года при различных метеорологических условиях. Результаты обучения сети приведены в табл. 1.
Таблица 1
Число параметров сети, млн 60,0 8,0 3,1 2,1 1,1 0,7 0,4
Время классификации, мс 42,7 10,7 7,2 6,0 4,8 4,4 3,0
Точность классификации, % 92,2 92,4 91,8 90,2 84,7 89,3 29,4
Ошибка 0,222 0,217 0,211 0,241 0,386 0,267 1,372
На рис. 6. приведены результаты работы обученной нейронной сети (значения на выходах сети) для одной из сцен при различных условиях внешней среды.
а б в
Рис. 6. Результаты классификации: а - лето - 88,85 %, осень - 8,96 %, весна - 2,15 %, зима 0,04 %; б - осень - 59,24 %, весна - 28,04 %, лето -12,35 %, зима - 0,37 % в - зима - 64,93 %, осень - 29,20 %, весна - 5,15 %, лето - 0,72 %
Знание типа грунта позволяет определить из справочных данных ориентировочные значения опорных характеристик данного типа грунта [13,14]. При классификации грунтов и описания их механических свойств согласно ГОСТ 25100-2011 различают свыше 150 наименований различных характеристик, что для практического применения при анализе поведения транспортного средства в прямолинейном движении и в повороте является избыточным. Поэтому для описания процессов взаимодействия движителя с грунтом (рис. 7), используются только следующие три без-
размерных обобщающих коэффициента [15]: коэффициент сопротивления движению f = Rx текущее / Rz, коэффициент сцепления ф = Rx мак / Rz и коэффициент сопротивления повороту ц = RY / Rz. Здесь Rx, , RY, и Rz - силы, возникающие в пятне контакта движителя с грунтом, 8 - угол увода.
Рис. 7. Силы в пятне контакта колесного движителя с грунтом
Значения обобщённых коэффициентов для различных типов грунтов для колёсных и гусеничных движителей приводятся в справочниках [16]. Пример справочных данных для коэффициента сцепления приведен в табл. 2. Для коэффициентов сопротивления движению и повороту также имеются аналогичные таблицы.
Таблица 2
Максимальные значения коэффициента сцепления_
Наименование Трак с необрези-ненной поверхностью Трак с обрезинен-ной поверхностью Шины высокой проходимости
Дорога с асфальтовым покрытием 0,35 - 0,45 0,7 -0,8 0,65 - 0,85
Сухая бетонная дорога 0,25 -0,35 0,71-0,8 0,7 - 0,8
Мокрая бетонная дорога 0,2 - 0,3 0,5 -0,6 0,5 - 0,6
Сухая грунтовая дорога 0,6 -0,7 0,6 -0,7 0,5 - 0,6
Обледенелая дорога 0,15 -0,2 0,12 -0,14 0,12 - 0,14
Грунтовая дорога в период распутицы 0,2 - 0,5 0,2 - 0,4 0,2 - 0,3
Сухой песок 0,4 -0,5 0,4-0,45 0,20 - 0,30
Луг, поросший травой (сухой) 0,9 - 1,0 0,8 - 0,9 0,8 - 0,9
Снег 0,2 -0,8 0,15 -0,6 0,2 - 0,5
Табличные значения опорных характеристик грунтов являются ориентировочными и, как показала практика, не всегда совпадают с реальными в данный момент движения РКТ в данной рабочей зоне при данных
46
условиях. Поэтому востребованы бортовые средства, позволяющие непосредственно в процессе движения уточнять текущие значения опорных характеристик грунта.
Контактные методы определения опорных характеристик грунта. Вопросам взаимодействия движителя и деформируемого опорного основания посвящено достаточно много трудов как отечественных, так и зарубежных авторов. В основном эти работы проводились для уже существующих экипажных машин [17,18]. На настоящий момент сложилось полное понимание, что для эффективного управления даже экипажной машиной необходима автоматизация, обеспечивающая управляемое движение не только с учетом конструктивно-кинематических и силовых особенностей машины, но и с учетом взаимодействия движителя с грунтом [19]. Поэтому для обеспечения адаптивного к изменяющимся условиям внешней среды управления необходимо решать обратную задачу терраме-ханики - на основе измерений воздействий со стороны грунта на ходовую систему шасси определять текущие значения коэффициентов, характеризующие опорную проходимость грунта. Для этого можно использовать описывающую совместную динамику корпуса и ходовой части (рис. 8) математическую модель движения шасси по деформируемому грунту [20,21], позволяющую выявлять зависимость между реакциями, возникающими в пятне контакта, и опорными характеристиками грунта. Для снятия динамических воздействий на движитель со стороны грунта (продольная Rx , поперечная Ry и вертикальная Rz силы, крутящий момент Мк, буксование Sк) необходимо использовать силомоментные датчики (например, тензодатчики).
Рис. 8. Динамика прямолинейного движения РТК
Реальные опорные характеристики грунта в этом случае могут быть определены заранее экспериментальным путем по методике «типовых маршрутов» [22], которая предусматривает отработку данным шасси прямолинейного движения и поворотов на типовых для данной местности грунтах при различных климатических условиях с фиксацией эксперимен-
47
тальных данных и последующей обработкой. Вычисленные на основе экспериментальных данных опорные характеристики грунтов могут быть внесены в базу данных (рис. 9) и использованы при эксплуатации РТР в данном районе при различных климатических условиях.
Рис. 9. Опорные характеристики 5 типов грунтов для данного района при различных климатических условиях
Необходимо отметить, что данная методика экспериментального определения опорных характеристик грунта может быть использована и для оперативного уточнения текущих значений опорных характеристик грунта при непосредственной эксплуатации РТК.
Комплексирование тактильной и зрительной информации при классификации зоны маневрирования. Достоверность распознавания типов грунтов тем выше, чем больше датчиков и сенсоров для этого используется [5 - 7]. Тактильное определение опорных характеристик грунта позволяет дополнить пространство признаков, сформированное по данным комплексированной СТЗ, текущими значениями опорных характеристик грунта. Увеличение размерности пространства признаков обеспечивает более достоверную работу классификатора в неблагоприятных условиях, когда один или несколько сенсоров формируют некачественные данные (например, телевизионная камера при низком уровне освещения). А возможность постоянной коррекции значений характеристик опорной проходимости в процессе движения обеспечивает адаптацию системы управления к изменениям условий во внешней среде, например, к таким, как резкое изменение погоды, или появление типов грунтов, не имеющихся в базе данных. Комплексирование тактильной и зрительной информации позволяет не только существенно повысить достоверность классификации, но и быстродействие за счет экстраполяции опорных характеристик грунта, полученных в пятне контакта движителя с грунтом, на всю модель, сформированную дистанционно по данным СТЗ [5]. Кроме того, появляется воз-
48
можность автоматизировать трудоемкие процессы выбора соответствующих текущим условиям внешней среды эталонных векторов признаков грунтов, обеспечивающих достоверное их распознавание в многомерном пространстве признаков [5], а также процессы формирования обучающей выборки и обучения нейронной сети для распознавания типов грунтов по зрительной информации [7].
Дистанционное определение геометрических и опорных характеристик грунта в зоне маневрирования РТК по данным бортовой СТЗ позволяет выполнить ее классификацию по комплексному критерию геометрической и опорной проходимости. Классификацию участков зоны маневрирования по комплексному критерию можно выполнять также с использованием функции геометрической проходимости (см. рис. 1), но скорректированной в соответствии с характеристиками грунта классифицируемого участка. Коррекция функции проходимости в этом случае выполняется аналогично коррекции при изменении скорости (см. рис. 4), т.е. чем более неблагоприятные для движения опорные характеристики грунта, тем меньше допустимые наклоны корпуса уш и предельная высота преодолеваемой ступеньки hм.
Заключение. Результаты приведенных исследований показывают, что в настоящее время имеются все предпосылки для постановки и решения актуальной комплексной проблемы формирования модели зоны маневрирования по данным бортовых средств РТК с учетом опорно-геометрических характеристик грунта и характеристик движителя. Уровень проработки отдельных задач данной проблемы различен, в частности:
- средства классификации зоны маневрирования по критерию геометрической проходимости по данным бортовой СТЗ реализованы в ряде действующих экспериментальных и макетных образцов РТК, созданных при выполнении НИОКР, и прошли успешные испытания в реальных средах;
- средства распознавания типов грунтов по данным комплексиро-ванной СТЗ реализованы в виде полнофункционального макета и прошли успешные испытания в реальных средах при стационарных климатических условиях;
- получены положительные результаты по использованию аппарата нейронных сетей для повышения достоверности распознавания типов грунтов по данным комплексированной СТЗ в реальной среде при нестационарных климатических условиях;
- в лабораторных условиях проведены стендовые испытания средств решения обратной задачи террамеханики для колесного движителя и получены приемлемые точности определения опорных характеристик для связного и несвязного грунтов.
Для окончательного решения вышеперечисленных задач и решения поставленной проблемы до уровня создания программно-аппаратных средств, пригодных для интеграции в серийные образцы МРК, требуется проведение соответствующих НИОКР.
Список литературы
1. Формирование моделей виртуальной реальности и информационно-навигационных полей для обеспечения автономного функционирования РТК специального назначения / В.С. Лапшов, В.П. Носков, И.В. Рубцов, Н.А. Рудианов, А.В. Рябов, В.С. Хрущев // Известия ЮФУ. Технические науки. 2017. № 1 - 2, С. 142 - 146.
2. Однородные управляющие структуры адаптивных роботов /
A.В. Каляев, В.П. Носков, Ю.В. Чернухин, И.А. Каляев. М.: Наука, 1990. 147 с.
3. Аппаратно-алгоритмические средства формирования модели проблемной среды в условиях пересеченной местности / Г.А. Буйволов,
B.П. Носков, А.А. Руренко, А.Н. Распопин // Управление движением и техническое зрение автономных транспортных роботов: сб. научн. тр. М.: ИФТП, 1989. С. 61-69.
4. Носков В.П., Рубцов И.В. Опыт решения задачи автономного управления движением мобильных роботов // Мехатроника, автоматизация, управление. 2005. №12. С. 21 - 24.
5. Носков В.П., Рубцов И.В., Вазаев А.В. Об эффективности моделирования внешней среды по данным комплексированной СТЗ // Робототехника и техническая кибернетика. 2015. №2(7). С. 51-55.
6. Распознавание объектов и типов опорной поверхности по данным комплексированной системы технического зрения / А.В. Вазаев, В.П. Носков, И.В. Рубцов, С.Г. Цариченко // Известия ЮФУ. Технические науки. 2016. № 2 (175). С. 127 - 139.
7. Вазаев А.В., Носков В.П., Рубцов И.В. Нейросетевой модуль выбора эталонов для распознавания типов опорной поверхности // Сборник материалов 14-й Всероссийской научно-практической конференции «Перспективные задачи и системы управления». Ростов на Дону: Изд-во ЮФУ, 2019. С. 29 - 32.
8. Комплексированная СТЗ в системе управления пожарного робота / А.В. Вазаев, В.П. Носков, И.В. Рубцов, С.Г. Цариченко // Известия ЮФУ. Технические науки. 2017. № 1 (186). С. 121 - 132.
9. Вездеходные транспортно-технологические машины / В.В. Беляков [и др.]. Н. Новгород: Изд-во «Талам», 2004. 960 с.
10. В.А. Чобиток. Теория движения танков и БМП. М.: Воениздат. 1984, 264 с.
11. Космические роботизированные комплексы. Ленинградская -Санкт-Петербургская научно-конструкторская школа / П.С. Сологуб, В.А. Веселов, О.С. Ипатов [и др.]; под общ. ред. В.А. Веселова. СПб.: Военмех. 2016. 200 с.
12. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems 25 / ed. Pereira F., Burges C.J.C., Bottou L., Weinberger K.Q. Curran Associates, Inc., 2012. P. 1097-1105.
50
13. Справочник по военной топографии. Издание второе, переработанное / А.М. Говорухин, А.М. Куприн, А.Н. Коваленко, М.В. Гамезо. М.: Воениздат, 1980. 344 с.
14. Беккер М.Г., Введение в теорию систем местность - машина / пер. с англ. В.В. Гуськова. М.: Машиностроение, 1973. 519 с.
15. Теория и конструкция танка. Т. 8. Параметры внешней среды, используемых в расчётах танков. М.: Машиностроение, 1987. 196 с.
16. Полотно пути транспортно-технологических машин: учебник / под ред. В.В. Белякова, А.А. Куркина. Н. Новгород: НГТУ им Р.Е. Алексеева, 2014.
17. Красненьков В.И., Харитонов С. А., Шумилин А.В.. Математическая модель криволинейного движения транспортной гусеничной машины по деформируемому основанию // Изв. вузов. Машиностроение. 1989. № 11. С. 94 - 99.
18. Жилейкин М.М., Захаров А.Ю., Паньшин М.В.. Проверка адекватности и точности математической модели взаимодействия эластичного колеса с деформируемым опорным основанием // Труды НГТУ им. Р.Е. Алексеева. 2018. №4. С. 206 - 214.
19. Бекетов А.С.. Теория управляемого движения гусеничных машин. М.: Издательство МГТУ им. Н.Э. Баумана, 2017. 125 с.
20. Метод математического моделирования прямолинейного движения роботизированных транспортных средств по деформируемому грунту / В.Н. Наумов, К.Ю. Машков, Г.О. Котиев, Д.А. Чижов,
B.А. Горелов // Инженерный журнал: наука и инновации. 2012. № 11 (11).
C. 34.
21. Машков К.Ю., Рубцов В.И., Штифанов Н.В. Автоматическая система обеспечения опорной проходимости мобильного робота // Вестник МГТУ им. Н.Э. Баумана. Сер. «Машиностроение». Спец. выпуск «Специальная робототехника и мехатроника». 2012. С. 95 - 106.
22. Mashkov K. Y. Pozdnyakov T. D. Using strain gages to assess the bearing properties of underlying surface with a robot crawler IOP Conference Series // Materials Science and Engineering. 2020. Vol. 820.
Вазаев Александр Викторович, инженер, vazaev@bmstu.ru, Россия, Москва, Московский государственный технический университет им. Н.Э. Баумана,
Машков Константин Юрьевич, канд. техн. наук, доцент, makon111@rambler.ru, Россия, Москва, Московский государственный технический университет им. Н. Э. Баумана,
Носков Владимир Петрович, канд. техн. наук, доцент, noskov_mstu@,mail.ru, Россия, Москва, Московский государственный технический университет им. Н. Э. Баумана,
Рубцов Иван Васильевич, канд. техн. наук, доцент, noskov_mstu@mail.ru, Россия, Москва, Московский государственный технический университет им. Н.Э. Баумана
AN INTEGRATED APPROACH TO THE FORMATION OF THE RTK EXTERNAL ENVIRONMENT MODEL
A.V. Vazaev, K.Y. Mashkov, V.P. Noskov, I.V. Rubtsov
The complex problem of classification of the maneuvering zone according to the criteria of geometric and reference cross-country ability, taking into account the characteristics of the propulsion system, the geometry of the terrain and the supporting properties of the ground, is considered. The existing methods and algorithms are described, as well as the results of experimental studies to solve the following main problems of this problem: classification of the maneuvering zone according to the criterion of geometric patency according to the data of the on-board vision system based on a 3D laser sensor; recognition of soil types according to the data of the integrated technical vision system, consisting of a mutually adjusted 3D laser sensor, a color video camera and a thermal imager with a common viewing area; using the neural network apparatus to increase the reliability of soil type recognition; determination of the reference characteristics of the soil by measuring the reactions of the propel-lant during movement. Promising directions for further research in terms of combining tactile and visual information to improve the reliability of the classification of maneuvering zone sections according to the complex criterion of geometric and reference cross-country ability are formulated.
Key words: chassis, relief, ground, geometric and support passability, external environment model, technical vision system.
Vazaev Alexander Victorovich, postgraduate, vazaev@bmstu.ru, Russia, Moscow, Moscow Bauman State Technical University,
Mashkov Konstantin Yurievich, candidate of technical sciences, docent, makon111@rambler.ru, Russia, Moscow, Moscow Bauman State Technical University,
Noskov Vladimir Petrovich, candidate of technical sciences, docent, noskov_mstu@,mail.ru, Russia, Moscow, Moscow Bauman State Technical University,
Rubtsov Ivan Vasilievich, candidate of technical sciences, docent, noskov_mstu@,mail.ru, Russia, Moscow, Moscow Bauman State Technical University
