CC BY
265
Раздел II. Системы технического зрения и бортовые вычислители
УДК 007:621.865.8
А.В. Вазаев, В.П. Носков, И.В. Рубцов, С.Г. Цариченко
РАСПОЗНАВАНИЕ ОБЪЕКТОВ И ТИПОВ ОПОРНОЙ ПОВЕРХНОСТИ ПО ДАННЫМ КОМПЛЕКСИРОВАННОЙ СИСТЕМЫ ТЕХНИЧЕСКОГО
ЗРЕНИЯ
Ввиду присущим дистанционно управляемым робототехническим комплексам (РТК) принципиальным недостаткам и ограничениям, обусловленным наличием канала связи, дальнейшее развитие военной и мобильной робототехники связано с переходом от дистанционно управляемых РТК к автономным. Для автономных систем управления мобильных роботов одной из центральным является задача формирования бортовыми средствами такой модели внешней среды, на которой возможно проигрывать и оптимизировать различные варианты будущего поведения и движения и эффективно решать навигационные задачи. Для искусственных сред и твёрдых грунтов построение модели может быть выполнено только по геометрическим данным, однако в естественных средах присутствуют также преодолимые препятствия и непреодолимые ровные участки, поэтому необходимо учитывать и опорные характеристики грунта. Для формирования наиболее полной и достоверной модели предлагается использовать данные комплексированной СТЗ, включающей взаимно-юстированные SD-лазерный сенсор, цветную телевизионную камеру и тепловизор. Такое сочетание сенсоров обеспечивает получение геометрической модели внешней среды с распределением на ней цветового и температурного полей, что позволяет более просто и более достоверно решать задачи распознавания объектов и классификации зоны маневрирования не только по критерию геометрической, но и по критерию опорной проходимости. Gриведен математический аппарат определения типа поверхности (на примере четырёх типов поверхности: растительности, асфальта, песка, щебёнки) и выделения типовых объектов (на примере водной поверхности и открытого пламени). Представлены результатыг работы созданного программного обеспечения в части сегментации комплексированного изображения с целью распознавания на опорной поверхности растительности и асфальта; распознавания в случае, когда внешние условия не гарантируют штатную работу какого-либо сенсора или когда в поле зрения попадают объекты, нерегистри-руемые каким-либо сенсором; выделения водной поверхности и открытого пламени на комплек-сированном изображении. Приведенные в работе результаты натурных экспериментальных исследований позволяют сделать вывод, что использование комплексированных "тепло-видео-дальнометрических" изображений позволяет существенно расширить спектр решаемых по данным СТЗ задач распознавания-навигации и повысить эффективность их решения.
Мобильный робот; автономная система управления; комплексированная СТЗ; модель внешней среды; распознавание, классификация.
A.V. Vazaev, V.P. Noskov, I.V. Rubtsov, S.G. Tsarichenko
OBJECT DETECTION AND GROUND TYPE CLASSIFICATION WITH COMBINED COMPUTER VISION SYSTEM
Due to current remote controlled mobile robotic systems principal shortcomings caused by communication channel further development of mobile robotics is connected with autonomous control system utilization. One of the most important problems for autonomous robot control system is generating environment model based on on-board sensors that is accurate enough for plan-
ning future movement and behavior and for providing robot navigation. Model construction for industrial environments can be done by using only geometrical data, but rough terrain may contain passable obstacles and impassable flat areas. In this paper using of combined computer vision system data including mutually calibrated LiDAR sensor, color camera and thermovision camera images is proposed. Such a sensor combination provides geometrical environment model with color and thermal information, which provides more accurate and simple solution of object recognition and working area classification tasks not only by geometrical parameters, but also by ground passability criterions. Mathematical tool for ground type classification (by the example of four ground types: vegetation, asphalt, sand, gravel) and object detection (by the example of water surface and naked flame) is provided. Created software efforts is provided in: image segmentation for vegetation and asphalt detection; detection in case of improper single sensor operation or in case of distinct sensors' fields of view; water surface and naked flame detection on combined image from computer vision system. Full-scale experiment results given in this paper admit to make a conclusion that using of combined color-thermal-distance images allows to significantly expand range of tasks that can be solved by computer vision system and to increase solving efficiency.
Mobile robot; autonomous control system; combined computer vision system; environment model; recognition; classification.
Введение. Широко используемым в настоящее время дистанционно управляемым робототехническим комплексам (РТК) присущи принципиальные недостатки и ограничения, обусловленные наличием канала связи (применение возможно только в условиях уверенного радиообмена между пунктом и объектом управления, повышенная уязвимость при применении противником радиоэлектронного и боевого противодействия). Поэтому дальнейшее развитие военной и специальной мобильной робототехники связано с переходом от дистанционно управляемых РТК к автономным, для которых привлечение к процессу управления человека и использование канала связи минимально или полностью исключается.
Для автономных систем управления одной из центральных является задача построения такой модели внешней среды, на которой возможно проигрывать и оптимизировать различные варианты будущего поведения и движения МРК и эффективно решать навигационные задачи [1-5].
Для искусственных сред (помещения, здания и подавляющее большинство промышленно-городских сред) и твердых грунтов построение модели может быть выполнено только по геометрическим данным, получаемым от сканирующего лазерного дальномера [1-4]. Однако естественная среда кроме геометрических имеет и другие характеристики и факторы, влияющие на движение МРК [5]. Одним из таких факторов является наличие преодолимых препятствий (высокая трава, кустарник, разрушаемые объекты) и наоборот - наличие непреодолимых ровных участков (слабонесущий грунт, тонкий лед, рыхлый и глубокий снег, болото, водные преграды). Таким образом, при формировании модели естественной среды на основе исключительно геометрических оценок [2] ее использование в системе автономного управления может значительно снизить эффективность работы МРК и его безопасность при движении.
Комплексирование различных сенсоров. Определить опорные характеристики грунта только по геометрическим параметрам практически невозможно. Поэтому перспективным является комплексирование [6-8] различных сенсоров (видеокамер [9-13], сканирующих лазерных дальномеров [14-18], радиолокаторов, тепловизоров, спектроанализаторов, ...), поставляющих не только геометрические, но и другие характеристики и свойства опорной поверхности [19]. Комплексирование сенсоров различной физической природы позволит формировать более полные модели внешней среды и в перспективе решить актуальную задачу дистанционного определения опорной проходимости. Однако прежде чем выполнить классификацию участков опорной поверхности по критерию опорной проходимости необходимо распознать, к какому типу поверхности (песок, глина, растительность, асфальт, бетон и др.) они относятся.
Для получения экспериментальных данных и проверки разработанных алгоритмов и программ совместной обработки данных от сенсоров различной физической природы создан действующий макет комплексированной СТЗ (рис. 1) закрепленный на подвижном объекте.
Рис. 1. Макет комплексированной СТЗ
В состав макета входят:
1) сканирующий 3D-лазерный дальномер HDL-32E;
2) сканирующий 2D-лазерный дальномер Hokuyo UTM-30LX на опорно-поворотном устройстве;
3) телевизионная камера Arecont Vision AV2115DN;
4) телевизионная камера GoPro Hero 4;
5) тепловизионная камера FLIR SR-19;
6) интегрированная инерциально-спутниковая навигационная система Ком-панав-2МТ;
7) устройства сопряжения с ЭВМ.
Алгоритм распознавания. Для возможности комплексного использования данных от вышеперечисленных сенсоров выполнена их взаимная юстировка, заключающая в определении относительных линейных и угловых смещений координат сенсоров, а также геометрических искажений объективов видеокамер и тепловизора [6, 20]. 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 Т, с распределением на нем цветового и температурного полей:
Т = [T] = [< ai,pi,di,Ii,Ri,Gi,Bi,Yi >], i = 1,2, ..., n,
где n - число точек; ai,pi - углы, соответственно, горизонтальной и вертикальной развёртки 3D-лазерного сенсора; di - измеренная дальность; Ii - измеренная интенсивность отражённого зондирующего сигнала; Ri, Gi, Bi - три компоненты цвета пиксела, полученные с телевизионной камеры; Yi - температура пиксела, полученная с тепловизионной камеры.
Для каждой произвольной i-й точки сцены вычисляются степени достоверности (вероятности) принадлежности к каждому k-му типу поверхности (k = 1,2, ..., m): 1
р __fh Рцв -L h ртемп , L пДиспл
lk ~ h 4- h 4- h ^ цв ik темпм/с ^ "дисп^/с )> ицв ' итемп ' идисп
где Pifc6Mn, ¿¿Дисп - вероятность принадлежности i-й точки к k-му типу поверхности по результатам анализа, соответственно, цвета (компонент R ¿,Gj,,Sj), температуры (компоненты У) и дисперсии высоты точек в области фиксированного радиуса вокруг i-й точки (определяется с использованием компонент а i,ßi,d ¿); Ьцв, ^темп, ^дисп - весовые коэффициенты, определяющие степень влияния данных сенсоров на итоговую вероятность.
Рациональный выбор весовых коэффициентов (например, опытным путем или методом экспертных оценок) гарантирует корректное итоговое распознавание при неоднозначности распознавания по отдельным признакам.
Для цветного телевизионного изображения в качестве признака целесообразно использовать вектор цвета в пространстве HSV ( Cf51' = [H,Sj, V] , где H - цветовой тон, 5j - насыщенность, V - мера яркости), в котором каждому k-му типу поверхности соответствует связная область, что позволяет вычислить для каждой
точки расстояние | | Д | | до центров этих областей (эталонных векторов С^Т =
[ Яэт_ к > 5эт_ к > к ] )•
| | Д С^5Т | | = V (Я, - Яэт_к) 2 + и>5 (5, - 5э-,._к)2 + (У, - Уэт_к) 2, где 115,1% - весовые коэффициенты, определяющие степень влияния компонент цвета.
После этого вероятности принадлежности можно вычислить по формуле:
О, если \\AC[jfv\\ > ДС,
,HSVjiop -к ;
рДв _
Uk ~
1дсГ|
АС
HSV_nop к
, если \\AC[jfv\\ < ДС,
'к
л пор
где Д Ск ~ - пороговое значение расстояния, при превышении которого точка считается не принадлежащей к-му типу поверхности.
В пространстве признаков область, в которой вероятность принадлежности к типу ненулевая, отобразится в виде эллипсоида, выровненного по координатным
осям (рис. 2).
Рис. 2. Области принадлежности к различным типам поверхности в пространстве признаков при распознавании по цвету
Для тепловизионного изображения можно сначала вычислить расстояние между эталонным значением температурного признака для к-го типа поверхности У]т, и температурным признаком ьй точки:
а затем - искомую вероятность:
О, если \\АУк1
■уэт I
гк I
> дСр;
птемп _
-
1№|
дупор
если ||ДYfe¿
где Д У^ - пороговое значение расстояния, при превышении которого точка считается не принадлежащей к к-му типу поверхности.
Соответствующие функции принадлежности для различных типов поверхности показаны на рис. 3.
Рис. 3. Функции принадлежности к различным типам поверхности при распознавании по температуре
Для дальнометрического изображения в качестве признака целесообразно использовать дисперсию высоты (координаты ) точек в области фиксированного радиуса с центром в ьй точке:
О1 = 1 =1 2,
где - высоты точек из области, - число точек в области, - среднее значение высоты в области.
Для введенного признака искомую вероятность можно вычислить по формуле:
О, если ||ДБ^!
А . ппор ~> если \\М)м\
к
где - пороговое значение расстояния, при превышении которого точка счи-
тается не принадлежащей к к-у типу поверхности; | | ДО кг | | = | — О] \ (0]т - эталонное значение дисперсии для к-го типа поверхности).
Соответствующие функции принадлежности для различных типов поверхности показаны на рис. 4.
пДИСП _
Чк ~
■ - растительность ■ — песок
■ - асфальт ■ - щебёнка
рДисп
Рис. 4. Функции принадлежности к различным типам поверхности при распознавании по дисперсии высоты
Результаты экспериментальных исследований. Рассмотрим для примера результат работы созданного программного обеспечения, решающего задачи сегментации комплексированного изображения с целью распознавания на опорной поверхности растительности и асфальта. На рис. 5 показаны исходные дальномет-рическое, цветное телевизионное и тепловизионное изображения одного и того же участка опорной поверхности, полученные комплексированной СТЗ. Данный участок является областью пересечения зон обзора сенсоров комплексированной СТЗ. Изображения приведены в одном масштабе и в одной и той же проекционной (камерной) системе координат.
Рис. 5. Исходные изображения: а - дальнометрическое; б - цветное телевизионное; в - тепловизионное изображения сцены
а
б
в
На рис. 6 в единой системе координат приведены горизонтальные проекции зоны обзора, полученные, соответственно, по данным телевизионной камеры, тепловизора и 3D-лазерного сенсора, с выделенными на них искомыми областями. Из рисунка видно, что сегменты с растительностью (асфальтом) практически полностью совпадают по всем для данного СТЗ признакам в области пересечения зон обзора сенсоров.
Рис. 6. Сегментация по цвету, температуре и СКО координаты X (вид сверху): а - распознавание по цвету; б - распознавание по температуре; в - распознавание
по дисперсии высоты.
Аналогичные результаты получены и для других типов опорной поверхности (глина, песок, гравий, бетон, снег, лед) для различных погодных условий и времени суток.
Необходимо отметить, что результаты распознавания могут быть индуцированы (распространены) и участки, смежные с областью пересечения зон обзора сенсоров. Например, на участки, попавшие в зону обзора дальнометрического сенсора и не попавшие в зону обзора телевизионного и (или) тепловизионного сенсоров, но смежные с ней и имеющие тот же геометрический признак (рис. 6,а,б) выделены серым цветом).
Использование комплексированной СТЗ позволяет также решать задачи распознавания и в тех случаях, когда внешние условия не гарантируют штатную работу какого-либо сенсора или когда в поле зрения попадают объекты, нерегистри-руемые каким-либо сенсором. В первом случае это низкое соотношение сигнал/шум для телевизионного и тепловизионного сенсоров (например, низкая освещенность для телевизионного сенсора) или малые изменения геометрического признака (дисперсии высоты) различных типов поверхности для дальнометрического сенсора. Второй случай характерен для лазерного сенсора, когда в зону обзора попадают водные поверхность или пламя, не дающие возвращаемого отраженного сигнала (гладкая водная поверхность срабатывает как зеркало и при косоугольном сканировании не возвращает сигнал, а плазма пламени полностью поглощает лазерное излучение).
Для отмеченных точек указаны значения дисперсии высоты точек в области радиуса 0,2 м
Для отмеченных точек указаны значения цвета в пространстве НБУ
Для отмеченных точек указаны значения компоненты У (температуры)
| - растительность Ц - асфальт
Рассмотрим более подробно эти случаи.
На рис. 7 представлено цветное телевизионное изображение сцены (а) и дальнометрическое изображение этой же сцены в горизонтальной проекции с наложением соответственно цветовых (б) и температурных (в) полей (точки облака, которые не попали в поле зрения теле- и тепловизионой камер, отмечены серым цветом). В данной сцене различить асфальт и песок по дисперсии высоты невозможно, поскольку укатанный песок и грунт по разбросу высоты практически совпадают с асфальтом (рис. 7,г выделены синим цветом). Однако распознавание с использованием всех признаков производится успешно (рис. 7,д) за счёт надёжного распознавания по данным телевизионной камеры и тепловизора.
р а) видеоизображение сцены
6) горизонтальная проекция
дальнометрического изображения с наложением цвета
в) горизонтальная проекция
дальнометрического изображения с наложением температур
Зоны отсутствия информации Зона неуверенного от лазерного сенсора распознавания песка
г) результат распознавания по дисперсии высоты
д) результат распознавания по комплексиро ванному изображению
Н - растительность
Рис. 7. Изображения сцены и результаты распознавания
Как видно из рис. 7,д, в дальнометрическом изображении участки, соответствующие водной поверхности, являются зонами неизвестности (для них нет даль-нометрических измерений), высоты же границ данных участков одинаковы вследствие горизонтальности водной поверхности (см. рис. 8,а). Горизонтальность границ зон неизвестности, выявляемая по данным дальнометрического изображения, в сочетании с цветовыми и температурными признаками позволяет достоверно распознать водные поверхности (рис. 8,б).
б
Рис. 8. Распознавание водной поверхности: а - две зоны неизвестности (синяя и зеленая) с границами одинаковой высоты; б - результат распознавания водной поверхности (выделена фиолетовым цветом)
На рис. 9,а представлено цветное телевизионное изображение сцены с открытым пламенем. Как уже отмечалось выше, плазме пламени на дальнометрическом изображении будет соответствовать зона неизвестности. Зона неизвестности в рассматриваемом случае будет иметь цветовые и температурные признаки, соответствующие пламени. Так как зона горения начинается снизу, то местоположение видимой части пламени можно определить как нижнюю точку границы зоны неизвестности, а форму - как часть вертикальной плоскости внутри границы зоны неизвестности (рис. 9,б).
\ /У У..У
акт
»1 1 пр 1
а
б
Рис. 9. Распознавание и восстановление геометрии пламени: видеоизображение сцены; результат распознавания и восстановления геометрии пламени
Очевидно, что анализ зон неизвестности в обоих случаях (распознавание водной поверхности и пламени) необходимо выполнять после пересчета комплек-сированного изображения в систему координат с местной вертикалью с учетом крена и дифферента СТЗ (робота).
Заключение. Описанные метод использования комплексированной СТЗ и алгоритмы обработки комплексированных изображений для дистанционного определения характеристик опорной поверхности и распознавания объектов успешно работают только в конкретных условиях внешней среды, для которых правильно выбраны эталонные признаки и весовые коэффициенты, определяющие степень влияния измеренных признаков на итоговую вероятность. При других условиях внешней среды вектор настройки эталонных признаков и весовых коэффициентов необходимо подобрать заново. Задача подбора нового вектора настройки, наилучшим образом соответствующего новым условиям внешней среды, не является тривиальной и ее решение достаточно трудоемко. В частности, создание полной базы векторов настройки только для какого-то конкретного района (или для нескольких однотипных районов) требует выполнения большого объема экспериментальных работ в данном районе в различное время года и суток при различных погодных условиях. Кроме того, требуется также набор датчиков, результаты измерения которых позволят определить состояние внешней среды и обеспечат правильный выбор соответствующего вектора настройки. Создание же самообучающейся системы требует хотя бы на этапе обучения наличие учителя: человека-эксперта или средств объективного контроля. Например, средств решения обратной задачи тер-ромеханики по определению свойств опорной поверхности на основе анализа силовых и кинематических параметров, возникающих при взаимодействии движителя с грунтом [19].
На основании вышеизложенного с учетом полученных результатов экспериментальных исследований можно сделать вывод, что использование комплексиро-ванных "тепло-видео-дальнометрических" изображений позволяет повысить эффективность решения задач распознавания типов опорной поверхности бортовыми средствами и обеспечивает создание средств дистанционной классификации зоны маневрирования по критериям геометрической и опорной проходимости. Кроме того, возможность распознавания объектов и восстановления их геометрии (например, очагов возгорания) в системе координат СТЗ (робота) позволяет автоматизировать процесс управления навесным оборудованием (например, оборудованием пожаротушения).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Каляев А.В., Чернухин Ю.В., Носков В.П., Каляев И.А. Однородные управляющие структуры адаптивных роботов. - М.: Наука, 1990. - 147 с.
2. Носков В.П., Рубцов И.В. Опыт решения задачи автономного управления движением мобильных роботов // Мехатроника, автоматизация, управление. - 2005. - № 12. - С. 21-24.
3. Ji J., Chen X. From structured task instructions to robot task plans // IC3K 2013; KEOD 2013
- 5th International Conference on Knowledge Engineering and Ontology Development, Proceedings. - 2013. - P. 237-244.
4. Лакота Н.А., Носков В.П., Рубцов И.В., Лундгрен Я.-О. Моор Ф. Опыт использования элементов искусственного интеллекта в системе управления цехового транспортного робота // Мехатроника. - 2000. - № 4. - С. 44-47.
5. Буйволов Г.А., Носков В.П., Руренко А.А., Распопин А.Н. Аппаратно-алгоритмические средства формирования модели проблемной среды в условиях пересеченной местности // Сб. научн. тр. Управление движением и техническое зрение автономных транспортных роботов. - М.: ИФТП, 1989. - С. 61-69.
6. Носков А.В., Рубцов И.В., Романов А.Ю. Формирование объединенной модели внешней среды на основе информации видеокамеры и дальномера //Мехатроника, автоматизация, управление. - 2007. - № 8. - С. 2-5.
7. 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.
8. Milella A. et al. Combining radar and vision for self-supervised ground segmentation in outdoor environments // 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). - 2011. - P. 255-260.
9. Galindo C., Fernandez-Madrigal J.-A., Gonzalez J. Improving efficiency in mobile robot task planning through world abstraction // IEEE Transactions on Robotics. - 2004. - Vol. 20, No. 4. - P. 677-690.
10. Milella A., Reina G., Foglia M.M. A multi-baseline stereo system for scene segmentation in natural environments // 2013 IEEE International Conference on Technologies for Practical Robot Applications (TePRA). - 2013. - P. 1-6.
11. Milella A., Reina G., Underwood J. A Self-learning Framework for Statistical Ground Classification using Radar and Monocular Vision // J. Field Robotics. - 2015. - Vol. 32, No. 1.
- P. 20-41.
12. Slavkovikj V. et al. Image-Based Road Type Classification. IEEE, 2014. - P. 2359-2364.
13. Posada L.F. et al. Semantic classification of scenes and places with omnidirectional vision // 2013 European Conference on Mobile Robots (ECMR). - 2013. - P. 113-118.
14. Arbeiter G. et al. Efficient segmentation and surface classification of range images // 2014 IEEE International Conference on Robotics and Automation (ICRA). - 2014. - P. 5502-5509.
15. Носков А.В., Носков В.П. Распознавание ориентиров в дальнометрических изображениях // Сб. «Мобильные роботы и мехатронные системы». - М.: Из-во МГУ, 2001. - C. 179-192.
16. Anand A. et al. Contextually Guided Semantic Labeling and Search for Three-Dimensional Point Clouds // The International Journal of Robotics Research. - January 2013. - Vol. 32, Issue 1.
17. Al-Moadhen A. et al. Improving the Efficiency of Robot Task Planning by Automatically Integrating Its Planner and Common-Sense Knowledge Base // Knowledge-Based Information Systems in Practice / ed. Tweedale J.W. et al. Springer International Publishing, 2015.
- P. 185-199.
18. Stuckler J., Biresev N., Behnke S. Semantic mapping using object-class segmentation of RGB-D images // 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). - 2012. - P. 3005-3010.
19. Машков К.Ю., Рубцов В.И., Штифанов Н.В. Автоматическая система обеспечения опорной проходимости мобильного робота // Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. Вып. Специальная робототехника. - 2012. - С. 95-106.
20. Zhang A. Flexible New Technique for Camera Calibration // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2000. - No. 22 (11). - P. 1330-1334.
REFERENCES
1. Kalyaev A. V., Chernukhin Yu. V., Noskov V.P., Kalyaev I.A. Odnorodnye upravlyayushchie straktury adaptivnykh robotov [Homogeneous control structures for adaptive robots]. Moscow: Nauka, 1990, 147 p.
2. Noskov V.P., Rubtsov I.V. Opyt resheniya zadachi avtonomnogo upravleniya dvizheniem mobil'nykh robotov [The experience of solving the problem of Autonomous motion control of mobile robots], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2005, No. 12, pp. 21-24.
3. Ji J., ChenX. From structured task instructions to robot task plans, IC3K 2013; KEOD 2013 -5th International Conference on Knowledge Engineering and Ontology Development, Proceedings, 2013, pp. 237-244.
4. Lakota N.A., Noskov V.P., Rubtsov I.V., Lundgren Ya.-O. Moor F. Opyt ispol'zovaniya elementov iskusstvennogo intellekta v sisteme upravleniya tsekhovogo transportnogo robota [Experience in the use of elements of artificial intelligence in the control system of the transport robot shop],Mekhatronika [Mechatronics], 2000, No. 4, pp. 44-47.
5. Buyvolov G.A., Noskov V.P., Rurenko A.A., Raspopin A.N. Apparatno-algoritmicheskie sredstva formirovaniya modeli problemnoy sredy v usloviyakh peresechennoy mestnosti [Hardware and algorithmic means for forming a model of the problem environment in rough terrain], Sb. nauchn. tr. "Upravlenie dvizheniem i tekhnicheskoe zrenie avtonomnykh transportnykh robotov " [Collection of scientific papers "motion Control and machine vision Autonomous robot vehicles"]. Moscow: IFTP, 1989, pp. 61-69.
6. Noskov A.V., Rubtsov I.V., Romanov A.Yu. Formirovanie ob"edinennoy modeli vneshney sredy na osnove informatsii videokamery i dal'nomera [The formation of a unified model of the external environment on the basis of information of the video camera and the range finder], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2007, No. 8, pp. 2-5.
7. Noskov V. P., Rubtsov I. V., Vazaev A.V. Ob effektivnosti modelirovaniya vneshney sredy po dannym kompleksirovannoy STZ [On the efficiency modelling of the external environment according to complexed VS], Robototekhnika i tekhnicheskaya kibernetika [Robotics and technical Cybernetics], 2015, No. 2 (7), pp. 51-55.
8. Milella A. et al. Combining radar and vision for self-supervised ground segmentation in outdoor environments, 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2011, pp. 255-260.
9. Galindo C., Fernandez-Madrigal J.-A., Gonzalez J. Improving efficiency in mobile robot task planning through world abstraction, IEEE Transactions on Robotics, 2004, Vol. 20, No. 4, pp. 677-690.
10. Milella A., Reina G., Foglia M.M. A multi-baseline stereo system for scene segmentation in natural environments, 2013 IEEE International Conference on Technologies for Practical Robot Applications (TePRA), 2013, pp. 1-6.
11. Milella A., Reina G., Underwood J. A Self-learning Framework for Statistical Ground Classification using Radar and Monocular Vision, J. Field Robotics, 2015, Vol. 32, No. 1, pp. 20-41.
12. Slavkovikj V. et al. Image-Based Road Type Classification. IEEE, 2014, pp. 2359-2364.
13. Posada L.F. et al. Semantic classification of scenes and places with omnidirectional vision, 2013 European Conference on Mobile Robots (ECMR), 2013, pp. 113-118.
14. Arbeiter G. et al. Efficient segmentation and surface classification of range images, 2014 IEEE International Conference on Robotics and Automation (ICRA), 2014, pp. 5502-5509.
15. Noskov A.V., Noskov V.P. Raspoznavanie orientirov v dal'nometricheskikh izobrazheniyakh [The recognition of landmarks in telematicheskikh images], Sb. «Mobil'nye roboty i mekhatronnye sistemy» [Proc. "Mobile robots and mechatronic systems"]. Moscow: Iz-vo MGU, 2001, pp. 179-192.
16. Anand A. et al. Contextually Guided Semantic Labeling and Search for Three-Dimensional Point Clouds, The International Journal of Robotics Research. January 2013, Vol. 32, Issue 1.
17. Al-Moadhen A. et al. Improving the Efficiency of Robot Task Planning by Automatically Integrating Its Planner and Common-Sense Knowledge Base, Knowledge-Based Information Systems in Practice / ed. Tweedale J.W. et al. Springer International Publishing, 2015, pp. 185-199.
18. Stuckler J., Biresev N., Behnke S. Semantic mapping using object-class segmentation of RGB-D images, 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2012, pp. 3005-3010.
19. Mashkov K.Yu., Rubtsov V.I., Shtifanov N.V. Avtomaticheskaya sistema obespecheniya opornoy prokhodimosti mobil'nogo robota [Automatic system of providing support patency of the mobile robot], VestnikMGTUim. N.E. Baumana. Ser. Mashinostroenie. Vyp. Spetsial'naya robototekhnika [Herald of the Bauman Moscow State Technical University. Series Mechanical Engineering], 2012, pp. 95-106.
20. Zhang A. Flexible New Technique for Camera Calibration, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, No. 22 (11), pp. 1330-1334.
Статью рекомендовал к опубликованию д.ф.-м.н., профессор А.К. Платонов.
Носков Владимир Петрович - Московский государственный технический университет им. Н.Э. Баумана; e-mail: [email protected]; 105005, г. Москва ул. 2-я Бауманская, 5; тел.: +79166766057; НИИ Специального машиностроения; зав. сектором; кафедра специальной робототехники и мехатроники; к.т.н.; доцент.
Вазаев Александр Викторович - e-mail: [email protected]; тел.:+79153976550; НИИ Специального машиностроения; инженер; кафедра специальной робототехники и мехатроники; аспирант.
Рубцов Иван Васильевич - e-mail: [email protected]; тел.: 84992636019; НИИ Специального машиностроения; начальник отдела; кафедра специальной робототехники и меха-троники; к.т.н.; доцент.
Цариченко Сергей Георгиевич - ФГБУ Всероссийский научно-исследовательский институт противопожарной обороны МЧС России; e-mail: [email protected]; 143903, г. Балашиха, Московская область, мкр. ВНИИПО, 2; тел.: +79037226194; д.т.н.; Центр развития робототехники МЧС России; начальник.
Noskov Vladimir Petrovich - Bauman Moscow State Technical University; e-mail:[email protected]; Russia, 105005, Moscow, 2nd Baumanskaya st., 5; phone: +79166766057; Special robotics and mechatronics department, NIISM sector head.
Vazaev Alexander Viktorovich - e-mail: [email protected]; phone: +79153976550; the department of special robotics and mechatronics; postgraduate student; NIISM; engineer.
Rubtsov Ivan Vasil'evich - e-mail: [email protected]; phone: +74992636019; the department of special robotic and mechtronics; cand. of eng. sc.; associate professor.
Tsarichenko Sergey Vasil'evich - All Russian Fire Research Institute; e-mail: [email protected]; 143903, Balashiha, Moscow Region, VNIIPO, 12; phone: +79037226194; dr. of eng. sc.; Center telerobotic development EMERCOM; general head.
УДК 621.383.525
Э.Е. Блохин, А.С. Пащенко
ИССЛЕДОВАНИЕ ГЕТЕРОСТРУКТУР INAS/GAAS C ПОТЕНЦИАЛЬНЫМИ БАРЬЕРАМИ ALGAAS И GAAS ДЛЯ ФОТОДЕТЕКТОРОВ БЛИЖНЕГО ИК-ДИАПАЗОНА*
Методом ионно-лучевой эпитаксии получены гетероструктуры с массивом квантовых точек InAs заключенных барьерными слоями GaAs (образцы I типа) и AlGaAs (образцы II типа). Толщина барьерных слоев не превышала 30 нм. Показано, что метод позволяет получать квантовые точки с латеральными размерами до 50 нм. при высоте 10 нм. Получен массив квантовых точек плотностью 109 см'2. Исследования фотолюминесценции показали пики основных переходов для квантовых точек в диапазоне 1.1 эВ (1150 нм) для
* Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта 16-38-60127 «код мол_а_дк».
