CC BY
28
УДК 004.93'1
Б01: 10.15587/2312-8372.2018.147861
ДОСЛ1ДЖЕННЯ МЕТОД1В I ТЕХНОЛОГ1Й ВИЗНАЧЕННЯ ПОЛО-ЖЕННЯ МОБШЬНОГО ОБ'СКТА В ПРОСТОР1
Нечипоренко О. В., Корпань Я. В.
1. Вступ
Робототехшка е традицшною сферою застосування комп'ютерного зору. Сучасна робототехшка вимагае виршення широкого кола задач комп'ютерного зору, що включае, зокрема:
- набiр задач, пов'язаних з орiентацiею в зовнiшньому простор^ визна-ченням вiдстаней до об'еклв i т. д.;
- задачi з розпiзнавання рiзних об'ектiв i iнтерпретацii сцен в цiлому;
- задачi з виявлення людей, розшзнаванню iх облич i аналiзу емоцш. Визначення свого положення в просторi - одн„ з найскладнiших задач, не-
обхiдних для системи керування мобiльного робота. Ця задача входить до чо-тирьох основних еташв функцiонування системи мобiльного робота:
- отримання даних (робот повинен задiяти певш датчики для отримання значущих даних);
- обробка даних (робот повинен визначити свое положення в навколиш-ньому середовищ^;
- прийняття ршення (по результатам обробки робот повинен визначити-ся, як дiяти для досягнення поставленоi задачi);
- дiя (робот повинен задiяти необхщш вузли механiзмiв для здiйснення поставленоi задачi).
Ще бiльш масовими в порiвняннi з робототехнiкою е задачi комп'ютерного зору для персональних мобшьних пристроiв, таких як смартфони, планшети i т. д. Зокрема, число мобшьних телефошв неухильно зростае i вже практично перевищило за чисельшстю населення Землi [1].
Тому актуальним е дослщження питань iдентифiкацii мобшьним об'ектом свого положення в простор^ а також комп'ютерна емуляцiя навколишнього середовища.
2. Об'ект досл1дження та його технолопчний аудит
Об'ект дослгдження - процес вщстеження положення мобшьного об'екта в просторi. Особливо це е важливим питанням для щентифшаци свого положення мобiльним роботом.
При управлшш рухом автономного мобiльного робота або групи роботiв часто покладаються на точну оцiнку стану робота в просторi або точну шфор-мацiю про навколишне середовище. Однак у великiй кiлькостi ситуацiй дана шформащя може бути вiдсутня. В цьому випадку для виршення задач плану-вання траекторii при виконанш мiсii автономним роботом необхiдно в першу чергу визначити його мюце розташування i оцiнити навколишне оточення.
Вщстеження положення (positional tracking) являе собою поеднання апара-тних засобiв i програмного забезпечення, яке дозволяе визначити абсолютне положення об'екта в простор^ Дана технологiя е критично важливою для досяг-нення ефекту занурення у вiртуальну реальнiсть, а також для управлшня рухом автономного мобшьного робота.
В умовах, коли немае точок вщику, наприклад, стацiонарних маяюв, тра-дицiйнi засоби навiгацii: енкодери, шерцшш датчики, GPS, радiомаяки, дале-комiри, не завжди забезпечують досить точне вимiрювання поточних координат робота. Тому, враховуючи сучаснi тенденцii розвитку робототехшки, якi вима-гають тдвищення автономностi мобiльних роботiв (особливо в умовах недете-рмiнованого середовища), одним з ключових моментiв е використання ними доступу до якомога бшьшого числа засобiв навiгацii.
Одним з найбтьш слабких мiсць в системах вщстеження положення мобшьного об'екта в прост^ е проблема усунення неоднозначносп визначення ключових точок при скануванш навколишнього середовища. Ця проблема особливо важлива при од-ночасному застосуванш деклькох методш (або технологш) вщстеження положення. З'являеться потреба в додатковому калiбруваннi та налагодженнi.
3. Мета та задачi дослiдження
Мета роботи - дослщження методiв i технологш вiдстеження положення об'екта у простора
Для досягнення мети потрiбно виршити наступнi задачi:
1. Проаналiзувати методи i пiдходи до рiшення завдання визначення положення об'екта у простор^
2. Провести порiвняльний анаиз iснуючих алгоритмiв SLAM.
3. Визначити оптимальш технологii навiгацii мобiльного робота та мож-ливi шляхи подальшого розвитку.
4. Дослiдження iснуючих р1шень проблеми
Задача побудови емуляцii навколишнього середовища роботом е перспективною та активно дослщжуеться. Багато робгг пов'язаш iз щiльними та натв-вiльними методами одночасно!' локалiзацii та картографування (англ. Simultaneous localization and mapping - SLAM) по зображенням з одше1' камери [2-4]. В робот [5] представлена одна з класифкацш алгорштв SLAM та тдхщ реконф^урацп для перемикання мiж юнуючими реалiзацiями SLAM.
Задача автоматичного визначення положення i орiентацii тривимiрних об'еклв з використанням систем технiчного зору важлива в таких областях, як контроль технолопчних процешв в промисловосп, охороннi системи, людино-машинна взаемодiя, навiгацiя транспортних засобiв, iндустрiя розваг i т. д. Ви-ршення цiеi задачi в автоматичному режимi дозволить забезпечити автоном-нiсть функцюнування систем, пiдвищити точнiсть контролю, збшьшити проду-ктивнiсть роботи, знизити витрати на пiдготовчi операцii i обслуговування.
Великий штерес представляють новi додатки, як ранiше були вiдсутнi на ринку. Широкий клас таких додатюв для персональних мобiльних пристро1'в пов'яза 'й з завданнями доповнено1' реальности якi можуть бути дуже рiзними.
Сюди вщносяться irpoBi програми (що вимагають узгодженого вiдображення вiртуальних об'еклв над зображенням реально!' сцени при перемщенш камери) та рiзнi розважальнi програми в цшому, туристичнi програми (розтзнавання пам'яток з виведенням iнформацii про них). А також багато шших додатюв, по-в'язаних з шформацшним пошуком i розпiзнаванням об'еклв:
- розтзнавання напишв на iноземних мовах з вщображенням ix перекладу;
- розтзнавання вiзитниx карток з автоматичним занесенням шформацн в телефонну книгу;
- також розтзнавання облич [6, 7];
- розтзнавання постерiв фiльмiв i т. д.
Системи доповнено! реальностi можуть створюватися у виглядi спешашзова-них пристро!!в типу Google Glass, що ще бтьше збтьшуе iнновацiйний потеншал методiв комп'ютерного зору. Глобальний ринок занурюючо!! технологи все ще пе-ребувае в стадп росту. В [8] вказуеться, що технологи змшано! i доповнено! реа-льностi, як i ранiше, розглядаються рiзними секторами промисловост Особливо цi технологи важливi в таких областях, як виробництво. I це зростання, ймовiрно, буде продовжуватися. Технологи «полши "ного бачення» скоротили робоче нава-нтаження i полiпшили продуктивнiсть. У доповiдi наголошуеться, що широке по-ширення шоломiв доповнено! реальностi в даний час стримуеться проблемами з часом автономно! роботи i латентнiстю зображення. Хоча в мiру розвитку техно-логш i нових рiшень, таких як визначення глибини i одночасна локашзан^ та по-рiвняння, такi пристро! стають широко поширеними.
Одним iз способiв навiгацii робота, що перемщуеться на вiдкритiй мюце-востi, е глобальна супутникова нав^андя [9]. Для цього на робоп повинен бути встановлений приймач GPS, який дозволяе вщразу отримати абсолютш коор-динати робота. Досить записувати Hi координати з деяким штервалом часу, а попм слiдувати за ними в зворотному порядку. Але застосування глобально! нав^аци не завжди може виршити задачу просторово! орiентанii об'екту. В [9, 10] вщзначено, що GPS не найкраще рiшення для локально! нав^аци робота на невеликих вщстанях i в примiщенняx. По-перше, недорог маленькi приймачi дають занадто низьку точшсть. Точнiсть може бути ютотно полiпшена дифере-ннiальним приймачем, але такий приймач дорожче i бшьше. I чим бiльшу точшсть потрiбно отримати вiд GPS, тим дорожче i бiльше буде приймач. Точност i частоти вимiрювання глобальних координат може не вистачати для вщпрацю-вання локально! траекторий До того ж супутникова нав^атя чутлива до наяв-ностi об'ектiв на шляху сигналу. Якщо робот рухаеться уздовж будiвель або в примщенш, координати вимiрюються з великою помилкою.
Глобальна супутникова навiганiя може бути замшена локальною абсолютною нав^ацшною системою, наприклад, з радiо або ультразвукових маяюв [11]. Для цього по периметру територи заздалегiдь повинш бути встановленi маяки, а в робот приймач !!х сигналу. Робот вимiрюе абсолютнi власнi координати в системi координат, пов'язано! з маяками. Це дозволяе записати пройдений шлях i повернутися за ним. Перевага такого тдходу - помилка не накопичуеться з плином часу. Робот може здшснювати в такому детермшованому просторi нео-бмежену кiлькiсть маневрiв без зниження точностi вимiрювання координат. До
очевидних недолтв вщноситься необхiднiсть встановлювати маяки i !х обме-жений радiус дii, особливо при русi в середовишд з великими об'ектами i в при-мiщеннях.
Таким чином, результати анаизу лiтературних даних дозволяють зробити висновок про те, що описаш в них системи мають низьку суттевих недолiкiв:
1) точносл i частоти вимiрювання просторових координат може не виста-чати для здшснення автоматичного перемiщення мобiльного об'екту;
2) дуже часто з'являеться необхщнють у встановленш маякiв (особливо, при рус в середовищi з великими об'ектами i в примiщеннях), а вони мають обмежений радiус дп.
Вiдсутнiсть оптимального вирiшення задачi усунення цих недолшв пщк-реслюе перспектившсть обрано1' мети дослiдження.
5. Методи дослщження
Сукупнють методiв i пiдходiв до вирiшення задачi визначення положення об'екта в просторi можна подшити на кiлька груп [12-14]:
- акустичш;
- радiочастотнi;
- магштш;
- оптичнi;
- iнерцiйнi;
- пбридш.
В свою чергу оптичш методи заснованi на використаннi маркерних технологш:
- пасивних (використовують датчики, яю вщбивають падаюче на них свггло);
- активних (свiтло випускаеться маркерами);
- безмаркерних технологш:
1) трекерiв (вщстежують стан об'екта вщ кадру до кадру);
2) детекторiв (визначають положення об'екта в поточному кадрi без ура-хування стану в попередшх кадрах).
Крiм того видшяють два пiдходи для вщстеження положення:
1. Outside-in tracking (присутшсть нерухомого зовнiшнього спостерiгача, що визначае положення рухомого об'екту по характерних точках).
2. Inside-out tracking (передбачае наявнють на об'екл, що рухаеться опти-чного сенсора, який вщстежуе рух щодо нерухомих точок).
Розглянемо технологи нав^аци робота за даними про абсолютш координа-ти. До них вщносяться: глобальна супутникова нав^ащя GPS, радiо i ультраз-вуковi маяки, що встановлюються, а також одночасна локалiзацiя i картографу-вання SLAM.
Одночасна локаизащя i картографування - це задача побудови та онов-лення карти невщомого середовища i одночасного визначення положення робота на цш картi [15]. Задача SLAM - одна з найперспектившших задач сучасно1' робототехнiки, i сьогоднi над ii вирiшенням працюе величезна кiлькiсть людей, про що свщчить поява безлiчi публiкацiй з найрiзноманiтнiшими пiдходами до вирiшення. Загалом, для побудови карти робиться опис об'еклв поруч з роботом, визначаються координати цих об'еклв, об'екти наносяться на карту. А коли
робот знову виявляеться в тому ж мющ, щ об'екти розпiзнаються за записаними ознаками i обчислюються поточш координати робота на KapTi. Для опису об'еклв одночасно використовуються всiлякi джерела iнфоpмaцiï:
- профшь середовища з лазерного дaлекомipa i ультразвукових датчиюв;
- одиночне або стерео зображення об'екта з телекамери;
- шформащя про нaявнiсть перешкод з контактних датчиюв;
- уточнення глобального положення по GPS i компасу;
- коригування вимipювaння малих зсувiв за вiдносними датчикам i т. д.
Перевага такого тдходу - отримання aбсолютноï нaвiгaцiйноï системи без
накопичення помилки з часом в недетермшованому середовишд без необхщнос-тi установки додаткового обладнання.
Важливою особливiстю SLAM е те, що велика частина алгоршшв може бути реаизована тiльки в статичному середовишд, тобто пpимiшення або пло-ща, на якш знаходиться робот, не повинш змiнювaтися.
На даний момент юнуе безлiч piзних aлгоpитмiв SLAM, що вiдpiзняються як за типом вхiдноï iнфоpмaцiï, поданням навколишнього простору у виглядi карти, так i за методами обробки ще!' шформацп. наведемо клaсифiкaцiю алго-pитмiв локаизацп по pозмipностi картографуемого простору:
- двовимipнa локaлiзaцiя на площинi (2D-SLAM);
- тpивимipнa локaлiзaцiя в пpостоpi (3D-SLAM);
- колipнa локaлiзaцiя по R, G, B компонентах зображення (Colour-SLAM);
- колipнa тpивимipнa локаизащя в пpостоpi (6D-SLAM).
Цi характеристики залежать безпосередньо вiд використовуваного сенсора. При використанш нaйбiльш простих лазерних дaлекомipiв вхiдною шформащ-ею для алгоритму е двовимipний горизонтальний пеpеpiз рельефу нaвколишнiх об'ектiв, вiдповiдно для обробки застосовуеться 2D-SLAM. При наявност дода-тково1' осi сканування можна отримати тpивимipну хмару точок, що дае пред-ставлення об'ектiв примщення з урахуванням 1'х взаемного розташування в пpостоpi, тому тут можна застосувати 3D-SLAM. Алгоритми колipноï локаиза-цй' оцiнюють стан робота по зображенню з встановлено1' на ньому кольорово1' вiдеокaмеpи. Однак зараз набирають популяpнiсть сенсори, що дозволяють отримати тpивимipне кольорове зображення об'ектiв, наприклад, TOF-камери, Kinect i 1'м подiбнi. Для обробки таких зображень з метою локаизацп та побудови карти застосовуються алгоритми 6D-SLAM. Слщ зазначити, що переважна бiльшiсть алгоршшв локaлiзaцiï на площинi можуть бути розширеш на триви-мipний прослр.
Кpiм того, слiд pозpiзняти глобальну локaлiзaцiю i послiдовну. Глобальна локаизащя дозволяе визначити положення робота на карл без початкового на-ближення. Ще одна особливiсть aлгоpитмiв SLAM даного типу - це можливють замикання цикив, тобто pозпiзнaвaння вже пройдено1' дiлянки карти з подаль-шою pелaксaцiею всiеï карти вздовж траекторп робота. Послiдовнa (вiдноснa) локаизащя визначае змiну положення робота мiж двома послiдовними сканами.
Алгоритми цього типу, як правило, дають бшьш точний результат визначення положення мобшьного робота, в поpiвняннi з глобальними алгоритмами SLAM, але повинш виконуватися в реальному чаш. Однак, якщо даний алго-
ритм не зшшовся хоча б один раз, подальше його використання неможливе без додаткових поправок. Для досягнення найкращого результату по точност i на-дiйностi локалiзацii необхiдно використовувати обидва алгоритму спшьно. Ме-тоди глобальноi локалiзацii заснованi на видшенш ор!ентир!в зi скана i ix розт-знаваннi, щоб отримати геометричне положення робота. До методiв даного типу вщносяться: Марковська локаизащя, локалiзацiя за допомогою узагальнено-го фшьтра Калмана (EKF), локалiзацiя методом фшьтра частинок.
Процес послiдовноi локаизацп мае кiлька варiантiв назв: зютавлення ска-нiв (scan matching) або реестращя сканiв (scan registration), тому що алгоритм спочатку був призначений для послщовного сканування деякого об'екта з метою отримання його тривимiрноi геометричноi моделi. Видiляють наступш ос-новнi алгоритми послiдовноi локаизацп [5]:
- iтеративний алгоритм найближчих точок (Iterative Closest Point);
- леративний алгоритм найближчих точок з подвшною вщповщшстю (Iterative Dual Correspondences);
- алгоритм Hector Mapping;
- перетворення нормальних розподшв (Normal Distributions Transform);
- методи екстремально!' навiгацii;
- алгоритм GMapping;
- метод рекурентного фiльтру.
Iterative closest point (ICP). Даний алгоритм базуеться на методi послщов-них наближень для значно!' мiнiмiзацii суми квадралв вiдстаней мiж вщповщ-ними точками двох скашв. Основним недолшом ICP е те, що найближча точка в загальному випадку не вщповщае тiй же самiй точщ скануемо1' поверxнi, особливо якщо два результати отриманi з вщдалених одна вiд одно! позицiй.
Iterative Dual Correspondences (IDC). Основною метою е прискорення збь жност кута повороту оцшки положення, при порiвняннi двовимiрниx дально-метричних сканiв. Алгоритм IDC реаизуеться двома правилами для пошуку вiдповiдностей. На кожнiй ггерацп виконуеться оцiнка вiдносного перемiщення спостер^ача за допомогою мiнiмiзацii вiдстанi найближчих точок двох скашв. Проводиться пошук точок вщповщност з новим критерiем - збiгом вiдстаней вiд спостер!гача до точки. Критерiй використовуе полярш координати з центром, що зб!гаеться з положенням спостерiгача, i задаеться рiзницею вщста-ней до вщповщних точок двох сканiв всерединi деякого кутового дiапазону.
Алгоритм Hector Mapping використовуе в якосл моделi робочого середовища всю накопичену карту. Карта представлена у вигляд! сiтки зайнятосл, де значення функцii карти дорiвнюе 1, якщо у вiдповiднiй клггинщ знаходиться об'ект, i дор!в-нюе 0, якщо осередок втьний. Щоб змоделювати iмовiрнiсний характер розподшу точок, що належать до об'еклв на карт!, розробники даного алгоритму пропонують використовувати бшншну iнтерполяцiю. При цьому функц!я карти стае безперерв-ною, i легко обчислити ii гращент в будь-якш точц! В якосл запобiжного збпу скана i карти використовуеться середньоквадратична помилка всх точок скана. Тод! для оцшки положення мобшьного робота необхщно скористатися методом най-менших квадралв. З огляду на простоту обчислення гращента, мшм!зац!я дано1' функцп в .конуеться методом Гауса-Ньютона.
Normal Distributions Transform (NDT). У цьому алгоршш моделюеться ймо-вipнiсть знаходження точки рельефу в певному положенш за допомогою лшшно1' комбiнaцiï нормальних pозподiлiв. Такий пiдхiд дае можливють використовувати стандартш методи оптимiзaцiï для пошуку вiдповiдностi з кpос-коpеляцiйноï фун-кцп. Додатковою перевагою побудови нормальних розподшв е можливiсть використовувати накопичену iнфоpмaцiю в тому ж виглядi без збтьшення обчислюва-льно1' склaдностi, тобто побудова карти закладено в основi даного алгоритму. Так як точки опорного скана зютавляються не безпосередньо, немае необхiдностi у використанш обчислювально-складних методiв пошуку вщповщних точок, як, на-приклад, в методi ICP. Обчислення нормальних розподшв - це завдання, яке ви-конуеться один раз для точок опорного скана при зчитуванш шформацп сенсора, i немае необхщносл перераховувати на кожнш iтеpaцiï алгоритму. До недолшв даного алгоритму можна вщнести сильну зaлежнiсть збiжностi вiд початкового наближення i дискретизацп простору.
Методи екстремалъно'1 навiгацiï. В основi таких методiв лежить зютавлен-ня двох послщовних скaнiв шляхом оптимiзaцiï крос-кореляцшно1' функцiï. Ви-дiляють три методи - перетворення скана в три пстограми (кута повороту та двох перемщень вздовж осей системи кординат перемщення), виpiшення за-дaчi локаизацп робота в тpивимipному пpостоpi, ймовipнiсний пiдхiд для порь вняння скашв. Варто вiдзнaчити, що помилка, яка накопичуеться, досить мала, i можна використовувати щ методи без складних евристичних пpийомiв зами-кання цикшв. Взaгaлi, використання кpос-коpеляцiйних функцiй для реестрацп скaнiв в задачах SLAM е перспективним напрямком, i це лежить в основi практично вшх сучасних алгоршшв нaвiгaцiï.
Алгоритм GMapping. В основi даного алгоритму лежить метод рекурентно1' фiльтpaцiï частинок Рао-Блеквелла на гpaтчaстiй кapтi. Кожна частинка е поте-нцiйною тpaектоpiею робота i мiстить в собi iнфоpмaцiю про стан карти робо-чого середовища в поточний момент часу. Було запропоновано два тдходи, як дозволяють збiльшити пpодуктивнiсть фшьтра для можливостi виpiшення завдання SLAM в реальному чаш, це допомiжнa функшя pозподiлу i техшка адаптивного pесемплiнгу. Алгоритм призначений для фшьтрацп оцiнки положення робота, яка обчислюеться деяким методом реестрацп скашв, i служить для шд-вищення точносл локашзацп. Перевагою даного алгоритму е висока точшсть побудови карти. Однак недолж полягае в тому, що розглянутий алгоритм мае досить високу обчислювальну складшсть.
Метод рекурентно1' фшътрацИ Метод визначення пapaметpiв руху спо-стеpiгaчa (дaлекомipa, встановленого на робол) по сеpiï скашв. Розглянуто двi моделi руху робота: кшематична модель тpиколiсного робота з умовою непрос-лизання колiс щодо шдлоги i модель довiльного руху на площиш. Метод реку-рентно1' фiльтpaцiï заснований на викоpистaннi: piвнянь власного руху;
- piвнянь, що описують вщносний рух точок;
- складових нерухомо1' частини видимого сенсорною системою робота рельефу.
У процеш руху робота шсля отримання кожного скана вщновлюються кутова
i лшшна швидкостi робота, пiсля чого будуеться карта рельефу в aбсолютнiй сис-
темi координат, яка збтаеться зi зв'язаною системою координат робота в початко-вий момент часу. Основною перевагою методу рекурентно!' фiльтрацii, безсумшв-но, е простота обчислень, яка шд силу недорогим бортовим обчислювачам. До не-долiкiв слiд вiднести накопичення помилки iнтегрування оцiнюваних значень ль нiйноi i кутово1' швидкостi для отримання поточного становища робота.
6. Результати досл1дження
В робототехнiцi видшяють три види навiгацiйних систем [16]:
1) глобальна - визначення абсолютних координат пристрою;
2) локальна - визначення координат пристрою щодо базово1' точки;
3) персональна - позицюнування роботом частин свого тла i взаемодш з при-леглими предметами, що важливо для пристро1'в, забезпечених манiпуляторами.
Системи навiгацii класифiкуються ще за однiею ознакою - вони можуть бути пасивними i активними. Пасивна система навiгацii виконуе прийом шфо-рмацii про власнi координати i iншi характеристики свого руху вiд зовнiшнiх джерел, а активна розрахована на визначення мюця розташування тiльки сво1'ми силами. Як правило, вс глобальнi схеми навiгацii пасивш, локальнi бувають i тими, i iншими, а персональнi схеми - завжди активнi.
Найпростiшим варiантом нав^ацшного пристрою е одометр. У 50-л роки минулого сторiччя набула широкого поширення пасивна схема нав^ацп по ра-дiомаяках, а потiм - системи супутниково1' навiгацii. Аналогiчна концепщя для локально1' системи навiгацii полягае в розмщенш в зонi дш робота джерел уль-тразвукових сигнаив, якi обробляються бортовим мiкропроцесором. Для побу-дови образу простору найчастше застосовуеться лазерний далекомiр або ульт-развуковий датчик. При цьому у кожно! системи е сво! переваги i недолiки.
Результати аналiзу базових принцитв, на яких побудованi перераховаш вище методи наведено в табл. 1.
Аналiз методiв визначення положення об'екта в просторi дозволяе викори-стовувати оптимальний алгоритм в залежностi вщ поточних умов навколиш-нього середовища.
Таблиця 1
Аналп метод!в визначення положення об'екта в простор!_
Група метод1в (алгоритмы, системи) Базова технолопя трек1нгу Переваги Недол1ки
1 2 3 4
Акустичш: ISO-900 System, RUCAP UM-5 Використовують ультразвуков! (висо-кочастотн1) звуков1 хвил1. Вим1рюеться ас прольоту звуко-во'1 хвиш в1д переда-вача до приймач1в, або р1зниця фаз си-нусо'1дально'1 звуко-во'1 хвил1 Досить просп, надiйнi, дешевi. Висока швид-кiсть обчислення координат. Простота оброб-ки, невелике енергоспо-живання Мають низьку швид-к1сть оновлення, викли-кану швидюстю звуку в иов1тр1. Збер1гають об-меження, иов'язан1 з кь льк1стю одночасно ви-користовуваних при-стро'1'в, розм1ром робочо-го простору
1 2 3 4
Радючасготш: UWB (UltraWideBand) системи: BW1000, Part, Series. Методи, що викори-стовуються: TDoA/ToA/AoA/ToF Схожi з акустичними методами вщсте-ження. Для визначення мюця розта-шування об'екпв використовуються радiосигнали Збертають ефективнють у примiщеннях зi складною геометрiею. Високий рiвень перешкодозахище-ностi i безпеки. Не мае перешкод для шших ко-мушкацш. Чим вище частота, тим бшьше точнiсть, але менше радiус дп Точнiсть досягае лише близько сантиметрiв. Не застосовнi для вiртуаль-но'1 реальностi. Малий радiус дп (до 10 м). Складна шфраструктура. Перешкода для GPS
Магн1тн1: Rarer Hydra STEM, trakSTAR, Polhemus system Заснованi на вимiрi iнтенсивностi магнь тного поля в рiзниx напрямках Точнiсть досить висока в контрольованих умовах. Вимiрювання координат об'екту можливо за 6-маступенями свободи Схильнi до попршення якостi вiд струмопровщ-них матерiалiв поблизу випромiнювача або датчика, вщ магнiтних по-лiв. Мiнлива чутливiсть сенсорiв в залежносп вiд положення, обмеже-ний робочий проспр
Оптичн1: - пасивш: Smart-DX, Raptor-12HS Digital Real Time System, Bonita, TrackIR; - активш: Certus HD, Visualeyez system, HeadJoy, ART. Outside-in пщхщ використовуеться в Oculus Rift (Constrellation), PSVR, OSVR i множит Motion Capture систем. Inside-out тдхщ використовуеться в Oculus Rift Microsoft Hololens, Project Tango (SLAM), SteamVR Lighthouse Сукупнiсть алгорит-мiв комп'ютерного зору i вiдстежуючих пристро'1'в (камери видимого або шфра-червоного дiапазону, стерео-камери i камери глибини). Засноват на викори-станнi маркерних методiв: пасивних i активних та безмар-керних методiв: тре-керiв i детекторiв. Видшяють два тд-ходи для вщстежен-ня положення: 1. Outside-in тдхщ. 2. Inside-out пщхщ Найбшь- опулярн ме-тоди, широко використо-вуються в робототехнiцi, зручн для мобiльних рiшень в вiртуаль-нiй/доповненiй реально-стi. Дають стабшьну то-чнiсть в тривалi перюди часу. Безмаркернi опти-чнi методи е найбшьш перспективними з точки зору простоти викорис-тання i утверсальносп Велика обчислювальна складнiсть. Не завжди забезпечують досить точне вимiрювання по-точних координат. Не-можливiсть застосування датчикiв при постшному спостереженнi безлiчi сцен, що ютотно обме-жуе ix застосування. Для реалiзацiï пасивних оптичних методiв необ-xiдно використовувати заздалегiдь визначену шформатю про структуру сцени та умови отримання зображення. Застосування конкретного безмаркерного оп-тичного методу зале-жить вiд умов спостере-ження сцени
Закшчення таблиц 1
1 2 3 4 '
1нерц1йн1: IGS-Cobra, MVN Awinda На основ1 MEMS-технологл, комплементарного фшьтра або фшьтра Калмана. Використовують проскопи, визнача-ють не тшьки положення сенсора, але також кут його на-хилу. Дозволяють вщслщковувати орь ентац1ю (roll, pitch, yaw) в простора 1не-рцшний трекшг комбшують з шши-ми методами, як1 перюдично коригу-ють дрифт акселерометра Стшю до перешкод рiз-ного роду, дозволяють вщслщковувати орieнга- < цiю з великою точнiстю i мiнiмальними затримка-ми. Забезпечують високу частоту оновлення да-них. Даш з проскопа i акселерометра устшно коректують один одного i забезпечують точшсть як для короткочасних вимiрювань, так i для тривалого перюду Визначення координат (перемщення) за раху-нок подвшного штегру-вання лшшного приско-рення, обчисленого з даних з акселерометра, не задовольняе вимогам по точност на тривалих перюдах часу. Дрифт тд час руху призводить до накопичення помилки. »исока вартють
Пбриднк алгоритм «Sensor Fusion», розши-рений фшьтр Ка-лмана (EKF -Extended Kalman Filter). TAU Tracker (ма- гштно- шерцшний) Комбшують р1зш методи вщстеження. Будують власний образ середовища, июля чого формують маршрут i рух по ньому, постшно з1с-тавляючи свою карту простору з даними, отриманими вщ при-стро'1'в нав1гацп Гiбриднi методи розумно використовують переваги комбшованих методiв. Використовуються навь гацiйнi засоби всiх видiв. Наявшсть штелектуаль-но! складово! Займаються насамперед оцшкою навколишнього оточення, анал1зом ви-конаного завдання i прийняттям р1шення. Висока вартють
Визначено, що питання обгрунтування чисельних значень показникiв (точ-нiсть локалiзацii, межi стiйкостi, час виршення задачi), при роботi систем вщсте-ження положення об'екту в реальному чаш, на сьогодшшнш день не достатньо до-слiдженi. Авторами розпочато серш попереднiх дослiджень з питань оцiнки точ-ностi визначення положення мобiльного об'екта та впливу накопичення помилки при застосуваннi синтезу зазначених вище методiв, алгоритмiв, систем [17].
Подальший розвиток технологiй i моделей мобiльних систем дозволить ро-зширити сферу застосування функцiонально-орiентованих алгоритмiв SLAM. Це дозволить розширити функцюнальш можливостi мобiльних об'ектiв без суттевих змiн !х програмно-апаратних складових.
7. SWOT-аналiз результатiв дослiджень
Strengths. Подальше шдвищення продуктивностi мобiльних процесорiв до-зволяе ставити новi задачi для систем комп'ютерного зору в побутових роботах, число родашв яких по всьому свлу обчислюеться вже мшьйонами примiрни-
юв на рш. Багато з цих задач далею вщ повного виршення i е перспективними з iнновацiйноï точки зору.
У зв'язку з необхщнютю застосування груп мобшьних робопв значно зрю штерес до проблем груповоï навiгацiï та штелектуального управлшня рухом мобшьних робопв як агенпв складних мультиагентних робототехшчних систем, колективно виршуючих загальну задачу. В таких умовах кожен агент вносить свш внесок в побудову карти. Загальна глобальна нав1гащя може здшсню-ватися шляхом розподшеного обчислення.
Збшьшення обсягу завдань перед мобшьними роботами ставить роль мультиагентних робототехшчних систем на новий р1вень. Використання метод1в штучного штелекту дозволить комплексувати шформащю з р1зного роду дат-чиюв, не використовуючи велик обчислювальш потужносп, але в умовах ве-ликоï невизначеносп. Мультиагентшсть системи буде забезпечувати принцип надм1рносл навiгацiйноï iнформацiï, а експертш системи дозволять фшьтрувати шформацш в р1зних умовах роботи мобшьного робота.
Weaknesses. 1снуе два взаемопов'язаних недолши SLAM [15, 18].
Перший недолж - обчислювальна складнють, яка до того ж збшьшуеться при зб1льшенн1 розм1ру карти. Ця проблема проявляеться особливо гостро, як-що система накопичила деяку помилку i знаходиться поруч з однотипними об'ектами, яю складно в1др1знити один в1д одного, наприклад, коли робот руха-еться по дороз1 поруч з деревами. Об'екти на карт1 можуть бути схож1 один на одного. Для знаходження таких об'екпв в несприятливому для SLAM середо-вищд потр1бно застосовувати бшьш складн1 алгоритми обробки даних з датчи-к1в, що посилюеться при збшьшенш карти. У п1дсумку, робот або ор1ентуеться по обмежен1й кшькосл об'ект1в з низькою точн1стю, або не може швидко пере-суватися i будувати велику карту.
Другий недолш - чутливють до змш в середовищ1. Цей недол1к пов'язаний з першим. Якщо застосовувати складш алгоритми обробки iнформацiï та опи-сувати якомога б1льше оточуючих об'екпв, вивчати проспр з ус1х ракурс1в, то нав1ть 1стотн1 зм1ни в середовищд можуть бути коректно оброблеш при повер-ненн1 в ту ж точку. Але через обчислювальш складносп та обмеженост1 робочоï обласп датчик1в, особливо телекамер, при прямолшшному рус1 без зупинок i додаткових рух1в вдаеться описати обмежену кшьюсть об'ект1в. Тому реалiзацiï SLAM реального часу виявляються чутливi до змш в середовищд.
Opportunities. Оскiльки бшьшють вищеописаних теxнологiй все частiше використовують буденш сигнали Wi-Fi, Bluetooth, GPS-пристроïв, а тi, в свою чергу, зустрiчаються майже всюди, можна сказати, що застосування i комплек-сування шформаци з такоï великоï кшькосп датчикiв дозволить збiльшити точ-шсть визначення координат в кiлька разiв. Створення якогось iнформацiйного поля нав^аци i маршрутизацiï дозволить картографувати i локаизуватися на мiсцевостi з великою точнютю. Майбутне за iнтеграцiею шформаци про положення об'екта з рiзниx, за типом отримання даних, приладiв.
Threats. Одним з основних факторiв, що вливае на процес вщстеження положення мобшьного об'екта в просторi е умови, при яких здшснюеться скану-вання навколишнього простору. Для зменшення неоднозначностi сканування
необхщно використовувати дороге прецизшне обладнання. При використанш стандартних дaтчикiв неоднознaчнiсть визначення свого положення piзко зрос-тае. Причому цей показник буде варшватися в великих межах в залежност вщ «забрудненостЬ» навколишнього простору (наявшсть велико1' концентpaцiй пилу, газу, тдвищена температура, piзкi змiнi атмосферного тиску та ш).
8. Висновки
1. Пpоaнaлiзовaнi методи i пiдходи до piшення завдання визначення положення об'екта у пpостоpi з використанням систем техшчного зору. Анаиз розг-лянутих популярних систем i методiв вимipювaння просторового положення об'еклв, а також aлгоpитмiв та технологш нaвiгaцiï мобiльного робота показав, що кожна з розглянутих систем мае сво1' переваги i недолши. Та використову-еться в залежност вiд поставлених перед даною системою цшей.
2. Проведено поpiвняльний анаиз основних piзновидiв aлгоpитмiв методу SLAM. Перспективи даного методу - використання методiв штучного iнтелекту та розширеного фiльтpa Калмана - покращують швидюсть SLAM-методу. Пщ-твердженням цьому - величезна кшьюсть вiдкpитих пpоектiв по створенню даного типу нашгаци в рамках piзномaнiтних конкуpсiв:
- VSLAM - реашзацш методу SLAM на основi методiв комп'ютерного зору;
- RGBDSLAM - пакет для реестрацп хмари точок з RGBD дaтчикiв, таких як Kinect або стерео-камери;
- hector_mapping - SLAM для платформ без одометра - тшьки на основi даних вщ LIDAR та iн.
3. Визначено оптимальш технологiï нaвiгaцiï мобшьного робота та можли-вi шляхи подальшого розвитку. Створення центpaлiзовaного шформацшного поля нaвiгaцiï i мapшpутизaцiï дозволить картографувати i локaлiзувaтися на мюцевост з великою точнiстю. Майбутне за штеграшею iнфоpмaцiï про положення об'екта з piзних, за типом отримання даних, пpилaдiв.
Лiтература
1. Потапов А. Системы компьютерного зрения: современные задачи и методы // Control Engineering. 2014. №№ 1 (49). С. 20-26.
2. Newcombe R. A., Lovegrove S. J., Davison A. J. DTAM: Dense tracking and mapping in real-time // IEEE International Conferenceon Computer Vision (ICCV). Barcelona, 2011. P. 2320-2327. doi: http://doi.org/10.1109/iccv.2011.6126513
3. Engel J., Schöps T., Cremers D. LSD-SLAM: Large-Scale Direct Monocular SLAM // Lecture Notes in Computer Science. Cham, 2014. P. 834-849. doi: http://doi.org/10.1007/978-3-319-10605-2_54
4. Mur-Artal R., Montiel J. M. M., Tardos J. D. ORB-SLAM: A Versatile and Accurate Monocular SLAM System // IEEE Transactions on Robotics. 2015. Vol. 31, Issue 5. P. 1147-1163. doi: http://doi.org/10.1109/tro.2015.2463671
5. Self-adaptive Synchronous Localization and Mapping using Runtime Feature Models / Werner C. et. al. // Proceedings of the 7th International Conference on Data Science, Technology and Applications. 2018. Vol. 1. P. 409-418. doi: http://doi.org/10.5220/0006945504090418
6. Нечипоренко О. В., Корпань Я. В. Бюметрична iдентифiкацiя i автентифь кацiя особи за геометрiею обличчя // Вюник Хмельницького нацiонального ушвер-ситету. 2016. №№ 4. С. 133-138.
7. Nechyporenko O., Korpan Y. Analysis of methods and technologies of human face recognition // Technology Audit and Production Reserves. 2017. Vol. 5, Issue 2 (37). P. 4-10. doi: http://doi.org/10.15587/2312-8372.2017.110868
8. Мирошниченко Н. Мировой рынок AR достигнет объема в 198 миллиардов долларов к 2025 году. BIS Research // Новости VR индустрии. 2018. URL: https://vrgeek.ru/mirovoj-rynok-ar-dostignet-obema-v-198-milliardov-dollarov-k-2025-godu/2018
9. Santos F. M., Silva V. F., Almeida L. M. A robust self-localization system for a small mobile autonomous robot // International Symphosium on Robotics and Automation. 2002. P. 16. URL: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.134.2502
10. Antoni D., Ban Z., Zagar M. Demining Robots - Requirements and Constraints // Automatika. 2001. Vol. 42, Issue 3-4. P. 189-197.
11. Melo L. F. de, Rosario J. M., Junior A. F. da S. Mobile Robot Indoor Autonomous Navigation with Position Estimation Using RF Signal Triangulation // Positioning. 2013. Vol. 4, Issue 1. P. 20-35. doi: http://doi.org/10.4236/pos.2013.41004
12. Захаров А. А., Тужилкин А. Ю., Веденин А. С. Алгоритм определения положения и ориентации трехмерных объектов по видеоизображениям на основе вероятностного подхода // Фундаментальные исследования. 2014. №2 11-8. С. 1683-1687.
13. Menache A. Understanding motion capture for computer animation. The Morgan Kaufmann Series In Computer Graphics, 2011. 254 p.
14. Tobon R. The Mocap Book: A Practical Guide to the Art of Motion Capture. Forisforce, 2010. 258 p.
15. Nguyen V., Harati A., Siegwart R. Lightweight SLAM algorithm using orthogonal planes for indoor mobile robotics // Intelligent Robots and Systems. 2007. P. 658-663. doi: http://doi.org/10.1109/iros.2007.4399512
16. Юлдашев М. Н. Ультразвуковые системы для определения пространственного положения подвижного объекта // Сборник научных трудов. 17-ая молодежная научно-техническая конференция «Наукоемкие технологии и интеллектуальные системы 2015». Москва: МГТУ им. Н. Э. Баумана. 2015. С. 465-472.
17. Methods and technologies of monitoring of the position of a mobile object in space: Proceedings / Nechyporenko O. V. et. al. // Kompiuterne modeliuvannia ta optymizatsiia skladnykh system (KM0SS-2018). Dnipro: Balans-klub, 2018. P. 193-195.
18. Aulinas J. The SLAM Problem: A Survey // Proceedings of the 2008 Conference on Artificial Intelligence Research & Development. 2008. P. 363-71. URL: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.163.6439
