SLAM КАК ПЕРЕДОВОЙ МЕТОД НАВИГАЦИИ И ЕГО ВИДЫ Текст научной статьи по специальности «Математика»

Список использованной литературы:

1. Кочетков, В.А. Надежность средств связи. Справочные данные и методы расчета. - Орел: Академия ФСО России, 2010. - 127 с.

2. Мизеров, В.В. Создание и развитие отечественных средств многоканальной радиосвязи специального назначения: научно-исторический труд / В.В. Мизеров, А.Г. Миронов, К.В. Шестак. - Орёл: Академия ФСО России, 2015. - 640 с.

3. Шестак, К.В. Комплексы спутниковой связи: учебное пособие. Часть 2/ К.В. Шестак, В.В. Попов. - Орел: Академия ФСО России, 2010. - 303 с.

© Личко Д.А., Самофалов Е.Ю., Кореньков В.И., 2023

УДК 004.896

Луговской В.В.

Студент 2 курса магистратуры механического факультета

ЮРГПУ (НПИ) им. М.И. Платова, Научный руководитель: Круглова Т.Н.

канд. тех. наук, доцент ЮРГПУ (НПИ) им. М.И. Платова, г. Новочеркасск, РФ

SLAM КАК ПЕРЕДОВОЙ МЕТОД НАВИГАЦИИ И ЕГО ВИДЫ

Аннотация

Одновременная локализация и картографирование (SLAM) за последние годы достигло невероятного прогресса и вызвало значительный интерес в сфере автономного управления. SLAM превосходит традиционные методы позиционирования и локализации, так как соответствует строгим критериям автономного управления, таким как большая точность в локализации и управлении.

Данная статья пишется с той целью, чтобы показать наиболее эффективные виды SLAM на данный момент, а также перспективные виды, которые только начинают интересовать исследователей в области автономного управления.

Ключевые слова:

мобильный робот, робот, навигация, карты, slam, lidar, искусственный интеллект.

Автономное управление транспортным средством является важной темой как академических, так и промышленных исследований. В ближайшее десятилетие, аналитики предполагают, что автономные транспортные средства получат большую долю от общего объема продаж автомобилей в мире. Рост числа автономных транспортных средств привлекает внимание к большому количеству их преимуществ, которые могут быть использованы для обслуживания инвалидов или пожилых людей, снижение стресса и затрат водителя, снижение необходимости в традиционном общественном транспорте и тому подобное.

Классическая автономная система транспортного средства состоит из четырех основных частей: локализации, восприятия, планирования и управления. Все эти элементы тесно связаны между собой. Данные о местонахождении как самого транспортного средства, так и объектов, которые его окружают, могут быть получены путем объединения информации о положении, восприятии и данных карты. В то

время, как локализация и картографирование могут быть применены для улучшения восприятия. Точная информация локализации и восприятия используется для правильного планирования пути и управления [1].

Картам, особенно в HD разрешении, отдается несколько ролей в поддержке управления транспортным средством, поэтому они должны соответствовать строгим требованиям к точности, дальности распознавания и информационной насыщенности. Использование карт для автономного управления может быть облегчено с применением некоторых методов, например, таким как одновременная локализация и картографирование (SLAM). SLAM - это процесс, во время которого движущейся механизм создает карту окружающей его среды и одновременно использует ее для определения своего местоположения в пространстве, без предварительных данных об окружении и своем позиционировании.

С момента изобретения SLAM в 1986 году было разработано множество его видов.

Онлайн и оффлайн SLAM

Рисунки 1 и 2 иллюстрируют две типичные реализации SLAM: оффлайн (также называемый полный SLAM), который вычисляет и сохраняет все переменные маршрута наравне с построением карты, и онлайн, который удаляет все позиции, посещенные роботом, кроме последней.

Рисунок 1 - Описание оффлайн SLAM

Рисунок 2 - Описание онлайн SLAM

SLAM на основе фильтров

Данный подход решает проблему построения и локализации в два этапа. На первом этапе происходит прогнозирование карты и положения робота с помощью моделей обработки и управляющих входных данных. На втором этапе, на основе полученных данных с датчиков, происходит коррекция

прогнозируемого положения.

Классическим решением проблемы SLAM в данном подходе является расширенный фильтр Калмана (EKF-SLAM). Он является нелинейной версией фильтра Калмана. До появления фильтра частиц и графа, его по праву можно было считать стандартом в теории нелинейного вычислительного положения и навигационных систем. РКФ основан на приближении функций состояния и наблюдения с использованием их первых производных.

Основным правилом для применения РКФ является то, что шумы должны быть Гауссовскими. В ином случае применяется фильтр частиц (PF), в котором используются вычисления основанные на методе Монте Карло.

Graph SLAM - это один из самых современных подходов к решению проблемы SLAM. Положение робота и элементы карты отражены узлами графа, а перемещения робота и расположение элементов карты относительно него отображаются связями между узлами [2].

SLAM основанный на глубоком обучении

Вышеупомянутые методы достигли большого успеха в последнее десятилетие, прошли множество улучшений, однако по-прежнему сталкиваются с многими проблемами. При крупномасштабном применении данные методы сталкиваются с огромным количеством информации, таким как различные функции и динамические препятствия. В последнее время методы глубокого обучения, такие как подходы в области компьютерного зрения, привлекают все больше внимания. Многие исследователи пытались применить их к разрешению проблем SLAM.

Большая часть работы, производимой в области глубокого обучения, сосредоточена на решении задач Visual SLAM (VSLAM), так как искусственные сети добились значительных прорывов в направлении классификации изображений, распознавании объектов и сегментации изображений. Внедрение методов глубокого обучения позволяет заменить некоторые функции традиционного SLAM, такие как оценка глубины изображения, оценка позиционирования, замыкание цикла и т.д. Но использование данного метода еще далеко до совершенства и, например, для применения с лазерными сканерами или SLAM на основе лидаров еще находится на ранних стадиях изучения.

Применение SLAM для управления движением автономных транспортных средств очень широко, одним из примеров можно выделить создание небольших карт местностей, таких как паркинги. Скорость автомобиля в таких местах маленькая, поэтому технологии визуального контроля будут более надежными, чем в ситуациях, когда наблюдение ведется за высокими скоростями. Парковки могут быть как неизвестными (общественные парковки), так и известными (личные гаражи или придомовые зоны), в обоих случаях SLAM может показать свою эффективность. Учитывая, что SLAM не использует сигналы спутниковых средств навигации, он также подходит и для ориентирования на подземных пространствах, используя лишь датчики восприятия и измерения одометрии (скорость, угол поворота) или данные с IMU.

В случаях, когда для локализации используются заранее подготовленные карты, применяются методы сопоставления «живых» данных с картографической информацией, такие как итеративный алгоритм ближайших точек (ICP), преобразование нормального распределения (NDT) и другие. В задачах SLAM умение системы распознавать ранее нанесенную на карту информацию и управлять транспортным средством в пределах этого пространства необходимо для корректировки карт. Таким образом, повторное использование предварительно сгенерированной карты можно рассматривать как расширение алгоритма SLAM, или, другими словами, как тип «датчика» для помощи в локализации [3].

Список использованной литературы:

1. Litman T. Autonomous vehicle implementation predictions: Implications for transport planning. - 2020.

2. Katrakazas C. et al. Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions //Transportation Research Part C: Emerging Technologies. - 2015. - Т. 60. - С. 416442.

3. Suganuma N., Yamamto D., Yoneda K. Localization for autonomous vehicle on urban roads //Journal of Advanced Control, Automation and Robotics. - 2015. - T. 1. - №. 1. - C. 47-53.

© ^yroBCKOM B.B., 2023

УДК 691.6

Сейитмырадов С.,

Старший преподаватель,

Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан Батыров О., Преподаватель,

Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан Аннамаммедов А., Преподаватель,

Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан Джумамырадов С., Преподаватель,

Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан

ПЛАСТИФИКАТОРЫ И СУПЕРПЛАСТИФИКАТОРЫ БЕТОННЫХ СМЕСЕЙ

Аннотация

Пластификаторы и суперпластификаторы бетонных смесей занимают важное место среди множества химических добавок.

Ключевые слова:

Химические добавки, модификаторы, пластификаторы, суперпластификаторы, бетонные смеси

Важное место среди множества химических добавок (модификаторов) занимают пластификаторы и суперпластификаторы бетонных смесей. Суперпластификаторы позволяют резко снизить время вибрации при укладке бетонной смеси, а в ряде технологий можно исключить высокочастотную вибрацию или заменить её непродолжительным низкочастотным воздействием для улучшения распределения смеси в форме, снизить энергозатраты и трудоемкость, повысить качество конструкций. При этом коренным образом улучшаются условия труда при укладке и уплотнении бетонной смеси. Суперпластификаторы открывают перспективу производства конструкций из высокопрочного бетона без наращивания объёмов выпуска энергоёмких цементов марок 550 и 600, значительно расширяют области применения шлако- и пуццолановых портландцементов. Не все пластифицирующе-водоредуцирующие добавки в одинаковой мере снижают количество воды затворения бетона. Их эффективность зависит от их химического состава и механизма пластификации смеси.

Отсутствие единой теории о взаимодействиях в системе «твёрдая фаза - раствор высокомолекулярных соединений» привело к тому, что до сих пор подбор химических добавок ведётся