CC BY
81
ideas of various algorithms for optimization of placement, both single-criteria and multi-criteria, are presented. The advantages and disadvantages of some algorithms are described.
Key words: distributed computing, cloud computing, task scheduling, location optimization, workflow.
Sergei Alexandrovich Semenistyi, 2nd category programmer, semenistyi@,sfedu. ru, Southern Federal University, Russia, Taganrog, Scientific Research Institute of multiprocessor computing systems
УДК 004.896
ПРИМЕНЕНИЕ АЛГОРИТМОВ SLAM ПРИ ПОСТРОЕНИИ ТРЕХМЕРНОЙ МОДЕЛИ ПОДЗЕМНЫХ ГОРНЫХ ВЫРАБОТОК
К.А. Богданова
В работе рассматривается проблема применения алгоритмов SLAM в условиях подземных горных выработок. Кратко изложена суть концепции SLAM и классификация алгоритмов. Приведен обзор современных алгоритмов SLAM, реализованных для применения лидаров в качестве сенсоров, для построения модели замкнутого пространства. Выявлены факторы, усложняющие применение алгоритмов SLAM при подземной разработке месторождений. Проанализированы существующие решения в данной области для построения модели окружающего пространства и определения координат устройства в условиях подземных горных выработок.
Ключевые слова: подземная разработка месторождений, определение местоположения, навигация, SLAM, лидар.
Подземная разработка месторождений является одним из наиболее сложных способов добычи полезных ископаемых с точки зрения технологии добычи, безопасности персонала и экономической эффективности предприятия. Этим в настоящий момент обуславливается интерес к концепциям умных и интеллектуальных шахт [1,2], что подчеркивает необходимость активно исследовать возможности автоматизации и циф-ровизации процессов, связанных с добычей полезных ископаемых. Одной из наиболее сложных для реализации идей остается внедрение беспилотного транспорта в подземные горные выработки. В отличие от открытой поверхности, где источником дополнительной информации о местоположении могут служить сигналы спутниковой навигационной системы, в подземных горных выработках это невозможно, отчего возникает необходимость исследования других способов решения данной задачи.
Концепция SLAM (Simultaneous Localization and Mapping), которой в последнее время уделяется большое внимание исследователей, может существенно способствовать как внедрению беспилотного транспорта, так и созданию актуальной модели подземного пространства. Идея SLAM подразумевает объединение двух процессов: построение модели окружающего пространства (mapping, как указано в наименовании концепции) и определение местонахождения устройства в этой модели (localization). В отличие от данного метода при традиционных способах навигации любых средств передвижения необходимо иметь карту пространства, в пределах которой прокладывается маршрут транспортного средства, до начала его движения. В случае навигации с помощью SLAM определение местоположения устройства и построение модели окружающего пространства это два взаимосвязанных процесса, осуществление которых происходит практически одновременно. Благодаря этому возможна навигация средства передвижения в заранее неизвестной местности, а соответственно возможно сократить
134
количество предварительных работ по составлению плана местности, что в условиях подземной добычи полезных ископаемых является трудоемким процессом, которым занимается маркшейдерская служба предприятия.
Впервые проблема осуществления одновременного определения местоположения и реконструкции окружающего пространства представлена в 1986 году в работах [3,4].На данный момент концепция SLAM объединяет большое количество алгоритмов, которые можно классифицировать по области их применения (открытые или замкнутые пространства), по способу реализации (визуальный, с помощью активных зондирующих систем или их сочетание), по способу представления создаваемой модели (одноги-потезное, многогипотезное, с помощью графов) [5]. Однако суть идеи каждого из них остается неизменной: на основании входных данных с датчиков устройство получает ориентиры, относительно местоположения которых определяет свои координаты в пространстве в определенный момент времени, затем, перемещаясь, повторяет операцию, выполняя поиск соответствий. Схема описанного алгоритма представлена на рисунке (на примере двух сенсоров).
Общая схема алгоритма SLAM
В качестве основных датчиков для реализации SLAM алгоритмов используются камеры [6], лидар [7,8] или их сочетание [9,10]. Для снижения неизбежно накапливающихся ошибок координат устройства в ходе его движения часто используют сигналы глобальной спутниковой систем [11]. Однако в виду недоступности сигналов GNSS в условиях замкнутых пространств или плотно застроенных территорий применяют другие источники дополнительной информации, такие как одометрические данные [12] и данные датчиков инерциальных навигационных систем [13].
Характеристика условий среды. Подземные горные выработки имеют ряд неблагоприятных характеристик, которые ограничивают применение алгоритмов SLAM. К ним относятся:
- повышенная влажность и запыленность отрабатываемого пространства;
- резкие перепады температур, связанные с режимом вентиляции, удаленностью выработок от ствола шахты, работой оборудования;
- плохие условия освещения;
- неправильная форма сечения откаточных и добычных горных выработок;
- общая геометрия горных выработок.
Высокая влажность и перепады температур накладывают ограничения на использование оптических устройств. Также в условиях недостаточной освещенности и запыленности камеры видимого диапазона не способны сгенерировать снимок требуемого качества [14].
Неправильная форма сечений усложняет обработку данных, не позволяя использовать геометрические фигуры правильной формы при построении модели снимаемого пространства.
Общая геометрия горных выработок представляет собой в большинстве случаев довольно вытянутые пространства (выработки могут достигать нескольких километров только на одном горизонте месторождения) с небольшой формой сечения по отношению к длине выработок, что однозначно вызовет накопление ошибок измерений, которое необходимо корректировать с помощью источников дополнительной информа-
ции. А однотипность снимаемого пространства, то есть малое количество характерных точек в выработках, затрудняет процесс сопоставления смежных сканов или снимков. Таким образом, существует большое количество факторов, усложняющих применение SLAM алгоритмов в условиях подземных горных выработок.
Обзор существующих алгоритмов. Первые работы, направленные на обследование заброшенных подземных горных выработок с помощью автономных роботизированных комплексах, появились еще в начале 2000х годов [15-17], однако данная тематика до сих пор не теряет актуальности [18]. На данный момент ведутся разработки алгоритмов для ориентации внутри замкнутых пространств. Однако большинство из них ориентировано на использование в помещениях правильной геометрической формы сравнительно небольшой площади и соответственно, при небольших длинах полигонов. Среди алгоритмов, использующих лидар в качестве основного источника данных, можно привести следующие алгоритмы: HectorSLAM [19], GMapping [20], Kar-toSLAM [21], LagoSLAM [22] и GoogleCartografer [23].
Алгоритм HectorSLAM использует данные лидара и инерциальной навигационной системы, формируя таким образом двумерную модель окружающего пространства. Данный алгоритм не требует значительной вычислительной мощности и может применяться при уравнивании небольших полигонов, а также в сценариях, где необходима высокая скорость обновления данных.
GMapping - пример алгоритма, который использует многогипотезное построение карты в виде сетки занятости при помощи рекурсивного фильтра частиц Рао-Блэквелла [24]. Является одним из наиболее широко используемых алгоритмов в робототехнике.
GoogleCartografer выполняет двумерное построение модели окружающего пространства в виде сетки при помощи графов с расширением карты 5 см. Данный алгоритм позволяет успешно строить карту окружения, которое имеет похожие друг на друга участки, что обычно представляет сложность для остальных алгоритмов SLAM. Алгоритмы KartoSLAM, LagoSLAM также представляют собой графовые алгоритмы.
В исследовании [25] было произведено сравнение работы вышеуказанных алгоритмов, кроме GoogleCartografer. Результаты показали, что каждый алгоритм справился с построением карты, но ошибки построения модели окружающего пространства были наименьшими при использовании KartoSLAM. Причина такого результата заключается в том, что данный алгоритм построения карты использует данные, собранные не только со своего последнего местоположения, но и полученные при прохождении всего пути устройства. Кроме того, авторы сравнили нагрузку на процессор при использовании алгоритмов: все алгоритмы являются эффективными с точки зрения потребляемых ресурсов, хотя LagoSLAM показывает наиболее высокий процент использования ресурсов центрального процессора, отличающийся в несколько раз от остальных алгоритмов.
В работе [26] авторы сравнили 3 алгоритма: GoogleCartografer KartoSLAM и GMapping. Среди них также был выделен KartoSLAM как наиболее выгодный, если учитывать качество построенной модели и работу алгоритма в динамичной среде. Хотя все алгоритмы справились с построением модели окружающего пространства было выявлено, что GoogleCartografer лучше использовать с постобработкой данных в известной среде, в то время как KartoSLAM и GMapping могут успешно работать в заранее неизвестной окружающей обстановке.
Несмотря на то, что в приведенных исследованиях выявлены лучшие алгоритмы для построения модели окружающего пространства в закрытых помещениях, существует необходимость проверить их работу на более длинных дистанциях. Для применения технологии SLAM в производственных условиях потребуется выполнение съемки при помощи алгоритмов на более протяженных расстояниях, чем в вышеуказанных работах. В то же время накопление ошибок измерений может привести к получению недостоверной информации.
В настоящее время предпринимаются попытки использования технологии SLAM в условиях подземных горных выработок. Однако количество таких работ гораздо меньше, чем для алгоритмов, работающих в офисных помещениях.
В работе S. Blaser [27] предлагается портативная система для построения модели окружающей среды BIMAGE Backpack, состоящая из нескольких сенсоров: 2 лида-ров, 1 IMU датчика, а также панорамной камеры. Данная система была испытана на двух участках тоннелей. При сравнении координат, полученных с помощью данной системы, с известными координатами нескольких предварительно закрепленных точек авторы установили, что устройство может создавать модель в пределах сантиметровой точности. Стоит отметить, что работа системы проверялась на короткой дистанции и дает хорошее решение при условии замыкания полигона. В качестве недостатков данного подхода можно отметить следующие факторы: использование нескольких сенсоров делает устройство дорогостоящим, а применение панорамной камеры возможно только при хорошем освещении пространства.
Аналогичное решение представлено в исследовании [28]. Данная система ориентирована на использование как внутри изолированных пространств, так и на открытой поверхности. Она представляет из себя переносную систему, состоящую из каркаса в виде рюкзака и следующих датчиков: лидар, инерциальный навигационный блок, антенна GNSS и панорамная камера. Однако авторы сосредоточили свое внимание преимущественно на точности построения модели окружающей среды, а не определения местоположения устройства. Неизвестным также остается качество работы системы в средах неправильной геометрической формы и плохими условиями освещения, таких как горные выработки.
Решение для позиционирования и проведения визуального мониторинга в подземных выработках предлагают в работе [29]. В качестве сенсоров используются датчик наклона, IMU, а также камера. Достоинствами данной системы являются её портативность, возможность расчета траектории и использования результатов съемки в режиме реального времени. Однако в статье не приведены количественные данные о точности построения модели и определения координат, что не позволяет оценить возможности применения данного устройства для позиционирования в подземных месторождениях.
Трехмерное моделирование пространства подземной горной выработки на основании технологии SLAM было произведено в работе [30]. С помощью портативного вращающегося лидара ZEB-REVO были отсканированы штольня длиной 90 м и камера размерами 30х8х5 м. Сканирование выполнялось в два приема сессиями 15 мин и 35 мин соответственно. Съемка такого пространства традиционными маркшейдерскими методами даже с помощью наземных лазерных сканеров занимает гораздо больше времени. Данный факт говорит в пользу эффективности применения SLAM устройства. Исследование в основном было направлено на оценку внутренней сходимости методов построения моделей, и оно не предоставляет сведений о точности определения местоположения устройства во внешней системе координат при съемке выработки.
Решение для навигации погрузочно-доставочных машин в подземных месторождениях на основе RFID-меток было предложено в работе [31]. Вместе с использованием данных лидара и датчиков угла поворота колес данный способ позволяет определять местоположение машины в горных выработках. Хотя метод справился с поставленной задачей в ходе экспериментов, создание и поддержание в рабочем состоянии дополнительной инфраструктуры в виде RFID-меток является не самым эффективным решением. Из-за активного ведения горных работ, небольшой площади поперечного сечения выработок возможно механическое повреждение меток, что приведет к недостаточной надежности работы этой технологии. Поэтому авторы продолжили исследования в данной области [32,33], направленные на совершенствование технологии за счет алгоритмов по распознаванию сопряжений выработок.
Оснащение систем навигации дополнительными датчиками (датчик влажности, температуры, детектор газа), например, как в работах [34,35] расширит их функционал и позволит осуществлять полноценный мониторинг за состоянием горных выработок.
Заключение. Из-за большого количества неблагоприятных физических и геометрических условий в подземных горных выработках адаптация существующих алгоритмов сложна и требует дальнейших совершенствований и исследований. Исходя из приведенных ограничений для работы сенсоров наиболее перспективными методами для осуществления навигации является комбинация данных лидара и датчика инерци-альной навигации. Многообещающим выглядит дальнейшее развитие методов в совокупности с применением нейронных сетей для выделения характерных точек на совмещаемых сканах.
Выполненный анализ литературы позволяет также сделать вывод о том, что вопрос SLAM навигации является актуальным для замкнутых пространств и подземных горных выработок. Реализация надежного алгоритма SLAM позволит повысить безопасность ведения горных работ, а также экономическую эффективность горного предприятия.
Список литературы
1. СафиуллинР.Н. Концепция развития систем мониторинга и управления интеллектуальных технических комплексов / Р.Н.Сафиуллин,А.С.Афанасьев, В.В.Резниченко // Записки Горного института. 2019. Т. 237. С. 322-330.
2. Шпенст В.А. Комплексирование телекоммуникационных и электротехнических систем в шахтах и подземных сооружениях // Записки Горного института. 2019. Т.235. С.78-87.
3. Smith R.C., Cheeseman P. On the Representation and Estimation of Spatial Uncertainty // The International Journal of Robotics Research. SAGE Publications Ltd STM, 1986. Vol. 5, № 4. P. 56-68.
4. Smith R., Self M., Cheeseman P. Estimating Uncertain Spatial Relationships in Robotics // Proceedings of the Second Annual Conference on Uncertainty in Artificial Intelligence. UAI '86. University of Pennsylvania, Philadelphia, PA, USA: Elsevier., 1986 pp. 435461.
5. Филатов Ар. Ю., Филатов Ан. Ю., Гулецкий А. Т. , Карташов Д. А., Кринкин К. В. Сравнение современных лазерных алгоритмов SLAM // Известия СПбГЭТУ "ЛЭТИ". 2018. №7. С. 66-73.
6. Taketomi T., Uchiyama H., Ikeda S. Visual SLAM algorithms: a survey from 2010 to 2016 // IPSJ T Comput Vis Appl. 2017. Vol. 9, № 1. P. 16.
7. Liang S. et al. A Novel 3D LiDAR SLAM Based on Directed Geometry Point and Sparse Frame // IEEE Robotics and Automation Letters. 2021. Vol. 6, № 2. P. 374-381.
8. Karam S., Lehtola V., Vosselman G. Strategies to Integrate Imu and Lidar Slam for Indoor Mapping. 2020. Vol. 5, № 1. P. 223-230.
9. Jiang G. et al. A Simultaneous Localization and Mapping (SLAM) Framework for 2.5D Map Building Based on Low-Cost LiDAR and Vision Fusion // Applied Sciences. 2019. Vol. 9, № 10. P. 2105.
10. Dhall A. et al. LiDAR-Camera Calibration using 3D-3D Point correspondences.
P. 20.
11. Li N. et al. Indoor and Outdoor Low-Cost Seamless Integrated Navigation System Based on the Integration of INS/GNSS/LIDAR System // Remote Sensing. 2020. Vol. 12, № 19. P. 3271.
12. Rezende A.M.C. et al. Indoor Localization and Navigation Control Strategies for a Mobile Robot Designed to Inspect Confined Environments. 2020. Vol. 2020-August. P. 1427-1433.
13. Luo X. et al. Research on SLAM System Based on Binocular Vision and IMU Information // Advances in Intelligent Systems and Computing. 2021. Vol. 1296. P. 557-567.
14. Vystrchil M.G. et al. Quality analysis of digital photogrammetric models obtained in low light conditions. 2020. Vol. 1661, № 1.
15. Huber D.F., Vandapel N. Automatic 3D Underground Mine Mapping // Field and Service Robotics / ed. Yuta S. et al. Berlin/Heidelberg: Springer-Verlag, 2006. Vol. 24. P. 497-506.
16. Thrun S. et al. Autonomous exploration and mapping of abandoned mines // IEEE Robot. Automat. Mag. 2004. Vol. 11, № 4. P. 79-91.
17. Shaffer G.K. et al. Position estimator for underground mine equipment // IEEE Transactions on Industry Applications. 1992. Vol. 28, № 5. P. 1131-1140.
18. Fernandes R. et al. Investigation of Visual Reconstruction Techniques Using Mobile Robots in Confined Environments. 2020.
19. Kohlbrecher S. et al. A flexible and scalable SLAM system with full 3D motion estimation // 2011 IEEE International Symposium on Safety, Security, and Rescue Robotics. Kyoto, Japan: IEEE, 2011. P. 155-160.
20. Grisetti G., Stachniss C., Burgard W. Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters // IEEE Trans. Robot. 2007. Vol. 23, № 1. P. 34-46.
21. Konolige K. et al. Efficient Sparse Pose Adjustment for 2D mapping // 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems. Taipei: IEEE, 2010. P. 22-29.
22. Durrant-Whyte H. et al. A Linear Approximation for Graph-Based Simultaneous Localization and Mapping // Robotics: Science and Systems VII. 2012. P.41-48
23. Hess W. et al. Real-time loop closure in 2D LIDAR SLAM // 2016 IEEE International Conference on Robotics and Automation (ICRA). Stockholm, Sweden: IEEE, 2016. P.1271-1278.
24. Grisetti G. et al. Fast and accurate SLAM with Rao-Blackwellized particle filters // Robotics and Autonomous Systems. 2007. Vol. 55, № 1. P. 30-38.
25. Santos J.M., Portugal D., Rocha R.P. An evaluation of 2D SLAM techniques available in Robot Operating System // 2013 IEEE International Symposium on Safety, Security, and Rescue Robotics (SSRR). Linkoping, Sweden: IEEE, 2013. P. 1-6.
26. Le X.S. et al. Evaluation of Out-of-the-Box ROS 2D SLAMs for Autonomous Exploration of Unknown Indoor Environments // Intelligent Robotics and Applications / ed. Chen Z. et al. Cham: Springer International Publishing, 2018. Vol. 10985. P. 283-296.
27. Blaser S., Nebiker S., Wisler D. Portable Image-Based High Performance Mobile Mapping System in Underground Environments - System Configuration and Performance Evaluation // ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. 2019. Vol. IV-2/W5. P. 255-262.
28. Yu P., Wang M., Chen H. Integration and evaluation of SLAM-based backpack mobile mapping system // E3S Web Conf. / ed. Sun J., Nawaz M., Liu X. 2020. Vol. 206. P. 03014.
29. Benecke N. et al. Mobile Solution For Positioning, 3d-Mapping And Inspection In Underground Mining // ISM2016, XVI International Congress for Mine Surveying. P. 9.
30. Wajs J. et al. 3D modeling of underground objects with the use of SLAM technology on the example of historical mine in Ciechanowice (Olowiane Range, The Sudetes) // E3S Web Conf. / ed. Przylibski T.A., Kasza D. 2018. Vol. 29. P. 00024.
31. Larsson J., Broxvall M., Saffiotti A. A Navigation System for Automated Loaders in Underground Mines // Field and Service Robotics / ed. Corke P., Sukkariah S. Berlin, Heidelberg: Springer Berlin Heidelberg, 2006. Vol. 25. P. 129-140.
32. Larsson J., Broxvall M., Saffiotti A. Flexible infrastructure free navigation for vehicles in underground mines // 2008 4th International IEEE Conference Intelligent Systems. Varna, Bulgaria: IEEE, 2008. P. 2-45-2-50.
33. Larsson J., Broxvall M., Saffiotti A. Laser based intersection detection for reactive navigation in an underground mine // 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems. Nice: IEEE, 2008. P. 2222-2227.
34. Kosarev O.V. et al. Modeling of industrial IoT complex for underground space scanning on the base of arduino platform // Topical Issues of Rational Use of Natural Resources - Proceedings Of The International Forum-Contest of Young Researchers, 2018. 2019. P.407-412.
35. Yang Y. et al. Incorporating SLAM and mobile sensing for indoor CO2 monitoring and source position estimation // Journal of Cleaner Production. 2021. Vol. 291.
Богданова Ксения Александровна, аспирант, ks. a. hogdanovaagmail. com, Россия, Санкт-Петербург, Санкт-Петербургский горный университет
APPLICA TION OF SLAM ALGORITHMS FOR THREE-DIMENSIONAL MODELLING
OF MINE WORKINGS
K.A. Bogdanova
The paper deals with the problem of using SLAM algorithms in underground mine workings. The essence of the SLAM concept and the classification of algorithms are summarized. An overview of modern LiDAR-hased SLAM algorithms for indoor modelling is presented. The factors that complicate the use of SLAM algorithms in underground mining are identified. The existing solutions of SLAM in underground mine workings are analyzed.
Key words: underground mining, localization, navigation, SLAM, LiDAR.
Bogdanova Kseniya Aleksandrovna, postgraduate, ks.a. hogdanovaagmail.com, Russia, Saint Petersburg, Saint Petersburg Mining University
УДК 531.2
КОНЦЕПЦИЯ ОБЕСПЕЧЕНИЯ ЭКСПЛУАТАЦИОННОЙ ПРИГОДНОСТИ СПЕЦИАЛЬНЫХ СООРУЖЕНИЙ В УСЛОВИЯХ АВАРИЙНЫХ НАГРУЗОК
И ВОЗДЕЙСТВИЙ
Д.П.Мандрица, Д.А.Авсюкевич
Рассмотрены технические состояния специальных сооружений в условиях и после аварийных нагрузок и воздействий, предлагается новое определение эксплуатационной пригодности несущих конструкций. Для обеспечения надежности и безотказности специальных сооружений в условиях аварийных нагрузок и воздействий предлагается концепция обеспечения эксплуатационной пригодности специальных сооружений с учетом задач по назначению, допустимости повреждений (разрушений) и возможности восстановления в различных условиях эксплуатации.
Ключевые слова: техническое состояние, эксплуатационная пригодность, аварийные состояния, несущая конструкция.
Актуальность исследований обусловлена необходимостью обеспечения надежности и безопасности эксплуатации специальных сооружений в условиях аварийных нагрузок и воздействий.
Проанализируем технические состояния специальных сооружений в условиях и после аварийных нагрузок и воздействий [1-5].
Общая схема развития аварийной ситуации на СК показана на рис.1.
140
