CC BY
238
Раздел II. Системы технического зрения
УДК 007:621.865.8
В.Н. Казьмин, В.П. Носков
ВЫДЕЛЕНИЕ ГЕОМЕТРИЧЕСКИХ И СЕМАНТИЧЕСКИХ ОБЪЕКТОВ В ДАЛЬНОМЕТРИЧЕСКИХ ИЗОБРАЖЕНИЯХ ДЛЯ НАВИГАЦИИ РОБОТОВ И РЕКОНСТРУКЦИИ ВНЕШНЕЙ СРЕДЫ
Предложены и рассмотрены решения центральных для автономной робототехники задач определения координат и построения модели окружающего пространства, основанные на выделении геометрических и семантических объектов в дальнометрических изображениях, получаемых бортовой СТЗ в процессе движения в условиях индустриально-городской среды. Обоснована актуальность создания и использования автономных робототехнических комплексов различного назначения для таких сред, обусловленная ограничениями использования традиционных средств навигации и дистанционного управления. Проведен анализ различных алгоритмов выделения линейных и семантических объектов в дальнометрических изображениях. Показано, что алгоритмы, учитывающие структурированность исходных данных СТЗ, являются наиболее эффективными. Изложен математический аппарат решения навигационной задачи и построения модели внешней среды путем выделения и распознавания подобных линейных геометрических и семантических объектов в последовательности дальнометрических изображений, получаемой бортовой СТЗ в процессе движения. Приведены результаты работы созданных алгоритмов и программно-аппаратных средств, решающих поставленные задачи в темпе движения мобильного робота в реальных условиях. На основе анализа результатов теоретических и экспериментальных исследований сделано заключение, что предлагаемый подход обеспечивает переход от больших объемов исходной видеоинформации к компактным семантическим описаниям внешней среды, содержащих навигационные данные, что позволяет эффективно решать задачи автономного управления движением мобильных роботов и беспилотных летательных аппаратов.
Автономный мобильный робот; система технического зрения; навигация; реконструкция внешней среды; управление движением.
V.N. Kazmin, V.P. Noskov
DETECTING GEOMETRIC AND SEMANTIC OBJECTS IN RANGE IMAGE FOR ROBOT NAVIGATION AND ENVIRONMENT RECONSTRUCTION
Solutions for problems of robot localization and constructing a map of an unknown environment, which are central in autonomous robotics, based on detecting geometric and semantic objects in range-finder data images obtained with on-board sensors while moving in industrial and urban environments, are proposed and discussed. The urgency of creation and usage of autonomous robotic systems of various purposes for such environments argued, due to limits of the usage of traditional means of navigation and remote control. The analysis of various algorithms for detecting geometric and semantic objects in range image is performed. It is shown that algorithms that take into account the structured nature of original sensor's data are most effective. The mathematical apparatus for solution of problems of robot localization and constructing a model of the environment through the detecting and recognition of linear geometric and semantic objects in a sequence of range images obtained with on-board sensors in motion is provided. The results of the work of created algorithms, software and hardware, solving the task in the rate of motion of the mobile robot in the real world, are shown. Based on the analysis of theoretical and experimental studies
it concluded that the proposed approach provides a transition from large amounts of original range-finder data to a compact semantic description of an environment and can effectively solve the problem of autonomous motion control of mobile robots and unmanned aerial vehicles.
Autonomous mobile robot; vision system; navigation; environment reconstruction; motion control.
Введение. В настоящее время существующие наземные робототехнические комплексы (РТК) и беспилотные летательные аппараты (БЛА) различного назначения оснащены в основном системами дистанционного управления. Доля операций и мероприятий, проводимых в городских условиях и в зданиях (городские и промышленные зоны, кинотеатры, вокзалы и аэропорты, энергоблоки атомных станций и пр.), с привлечением роботизированных средств достаточно велика и по оценкам экспертов наблюдается устойчивая тенденция ее роста [1]. В данных условиях РТК и БЛА с дистанционным управлением имеют ряд принципиальных ограничений, обусловленных недостатками канала связи (малый радиус действия или полное отсутствие канала связи вследствие экранирования строениями). Поэтому перспективными для этих условий являются РТК и БЛА с полуавтономными и полностью автономными системами управления. Как показал теоретический и практический опыт [2-4], центральными и наиболее сложными задачами при создании автономных систем управления являются тесно связанные между собой задачи навигации (определение текущих линейных и угловых координат объекта управления) и реконструкции (построения объемной модели) окружающего пространства.
Решение полной навигационной задачи с требуемой точностью с помощью традиционных навигационных средств в рассматриваемых условиях невозможно из-за экранирования навигационных полей (например - GPS) и искажения магнитного поля Земли, а также из-за недостаточной точности инерциальных и одомет-рических систем. В этих условиях перспективными являются методы экстремальной навигации, основанные на обработке последовательности дальнометрических изображений, получаемых сканирующим лазерным дальномером в процессе движения [5-10], тем более, что для реконструкция окружающего пространства используются эти же данные [8-10].
Использование непосредственно исходных облаков точек [11, 12], формируемых дальнометрической СТЗ, требует значительных вычислительных ресурсов. Например, 3D-лазерный сенсор HDL-32E формирует 700 ООО точек, а сенсор Asus Xtion Pro - 307 2ОО точек 3О раз в секунду. При таком большом потоке информации даже при использовании высокопроизводительной вычислительной техники возникают проблемы ее хранения и обработки в реальном времени. Поэтому актуальной становится задача сжатия исходной информации. Одним из возможных и перспективных путей сжатия исходных дальнометрических изображений искусственных сред (различных помещений, заводских и городских территорий) является их представление в виде совокупности геометрических примитивов: плоскостей, граней, линий, отрезков, ребер, вершин, углов [6, 7]. По сравнению с исходным изображением такие линейные геометрические объекты характеризуются значительно меньшей размерностью и зашумленностью, а также возможностью нахождения различных отношений между ними и перехода к семантическому описанию окружающего пространства. Например, вместо координат множества точек, попавших на одну плоскость, достаточно запомнить уравнение этой плоскости, ее семантическое описание ("стена Si", "потолок", "пол", "аппарель Aj", "ступенька Sk") и уравнения линий-границ, что значительно снижает объем хранимой информации, необходимой для описания внешней среды. Такой подход позволяет более эффективно решать задачи класса SLAM (навигация мобильных роботов и формирование объемной карты окружающего пространства). Кроме того, семантическое
описание («понимание») внешней среды позволяет не только более успешно решать задачи автономного движения, но и дает возможность реализации «поведенческого» уровня управления.
Основные этапы обработки последовательности изображений. Обработку получаемой в процессе движения последовательности дальнометрических изображений для решения поставленных выше задач можно разделить на следующие 4 основных этапа.
1. В новом изображении (кадре) выделяются линейные объекты, например, плоскости, как подмножества принадлежащим им точек, и определяются их параметры (для плоскостей три коэффициента и свободный член).
2. Для каждого выделенного объекта определятся соответствующий ему из имеющейся базы данных (множества объектов, выделенных в предыдущих кадрах) по критерию близости параметров на основе предположения о совершённом перемещении - повороте и смещении сенсора (мобильного робота). Предположение о совершённом движении делается на основе бортовых датчиков линейных и угловых перемещений.
3. Вычисление перемещения по параметрам определенных на предыдущем этапе пар линейных объектов. Для плоскостей достаточно выделить не менее трех пар, у которых нормали не параллельны.
4. Обновление и уточнение базы данных и модели внешней среды по параметрам новых выделенных объектов с учетом найденного на предыдущем этапе перемещения. Для случая плоскостей уточняются параметры ранее выделенных плоскостей (уравнения и границы) и добавляются новые.
Выделение плоскостей в дальнометрическом изображении. Для неструктурированных (неупорядоченных) данных можно применять алгоритмы типа RANSAC (RANdom SAmple Consensus) и его модификаций [14, 15]. В этом случае в облаке точек итерационными методами ищутся подмножества точек, принадлежащие отдельным плоскостям с заданным допуском. Алгоритмы типа RANSAC устойчивы к шумам входных данных, но становятся медлительными при увеличении числа точек в облаке и количества плоскостей в кадре.
Выделенные алгоритмом типа RANSAC в дальнометрическом изображении, приведенном на рис. 1, подмножества точек, соответствующих плоскостям, изображенным на фотографии фрагмента внешней среды (рис. 2), приведены на рис. 3.
Рис. 1. Дальнометрическое изображение внешней среды
Рис. 2. Фотография фрагмента внешней среды
Рис. 3. Выделенные методом RANSAC плоскости
Практически для всех существующих сенсоров данные в дальнометрических изображениях структурированы и для каждой точки можно определить соседние. Структурированность данных облегчает и ускоряет процесс выделения плоскостей. Например, для каждой точки можно вычислять локальные нормали, а затем, используя методы сегментации, выделять плоскости, объединяя точки с близкими нормалями [16-21]. На рис. 4 приведён пример работы алгоритма поиска локальных нормалей для того же фрагмента внешней среды.
Рис. 4. Выделение локальных нормалей
Как правило, дальнометрические данные одного кадра структурированы линейно по одному или даже обоим углам сканирования (азимуту и возвышению), т.е. сканирование пространства выполняется подмножествами лучей, лежащими в одной плоскости, или в 2-х взаимно-перпендикулярных плоскостях сканирования, которые пересекаются с линейными объектами внешней среды по линиям-отрезкам. Линейная структурированность исходных дальнометрических изображений позволяет предложить эффективные алгоритмы выделения линейных объектов, основанные на поиске подмножеств точек, принадлежащих линиям-отрезкам, лежащих в плоскостях сканирования, с последующим поиском подмножеств линий-отрезков, принадлежащих одной плоскости. В основу таких алгоритмов могут быть положены, например, статистические методы, основанные на вычислении частот выделения одних и тех же линий-отрезков, порождаемых точками, принадлежащими одной плоскости сканирования [6, 7]. На рис. 5 приведен результат работы такого алгоритма для того же фрагмента внешней среды.
Рис. 5. Выделение линий в дальнометрическом изображении
Продемонстрируем работу созданных алгоритмов и программ выделения линейных объектов и на их основе реконструкцию фрагмента внешней среды и определение координат сенсора (робота) для случая обработки одного дальнометри-ческого изображения. На рис. 6 приведены исходные видео и дальнометрическое изображения внешней среды. На рис. 7,а,б приведены выделенные подмножества точек, принадлежащие отдельным плоскостям, и сами плоскости (П) с реперными отрезками (Л) и точками (Т).
а б
Рис. 6. Исходные видео и дальнометрическое изображения сцены: а - видеоизображение сцены; б - раскрашенное облако точек
а б
Рис. 7. Результат работы созданного программного обеспечения: а - выделенные подмножества точек; б - выделенные линейные объекты
Совокупность выделенных линейных объектов уже представляет собой реконструкцию (объемную модель) внешней среды (см. рис. 7,б). Рассмотрим выделенные плоскости П0 (0.995x+0.095y+0.037z-1.27=0), П2 (-0Ш8x+0.053y-0.998z-1.45=0) и П4 (-0.172x+0.98y+0.104z-5.33=0), представленные в нормальном виде. Если известны (например, из предыстории) семантические признаки выделенных объектов (П1 - потолок; П2 - пол; П0, П3, П4 - вертикальные стены), то плоскость пола П2 позволяет сразу определить координату Z сенсора по свободному члену и углы крена и дифферента по направляющим косинусам, плоскость стены П0 при известных уже крене и дифференте - курс относительно этой стены (а при известной ориентации стены - истинный курс), система уравнений плоскостей П0, П2 и
П4 - определить координаты точки Т0 в системе координат сенсора (а при известных уже углах крена, дифферента и курса и известных координатах точки Т0 в неподвижной системе координат - все линейные координаты сенсора в неподвижной системе координат). Приведенный пример обработки дальнометрического изображения реальной внешней среды наглядно демонстрирует переход от исходного облака точек, требующего для хранения больших объемов памяти, к компактному семантическому описанию, содержащему в явном виде информацию о координатах объекта управления.
Результатом этапа выделения плоскостей в дальнометрическом изображении является список из N найденных плоскостей (возможно с их семантическими признаками), которые могут быть представлены уравнениями в векторной форме в локальной системе координат (ЛСК), связанной с сенсором:
П,
- рЬ = 0, 1 =
где П. - вектор нормали ьй плоскости; р{ - расстояние от i-й плоскости до начала координат; ГЬ - радиус-вектор любой принадлежащей плоскости точки.
Поиск парных плоскостей в имеющейся базе данных. Для каждой из плоскостей, найденных в текущем изображении, необходимо найти соответствующую ей (парную) из имеющейся базы данных (рис. 8). Парная плоскость ищется в базе данных на основе информации о предположительно совершённом движении, которое может определяться приблизительно на основе данных от бортовых датчиков или по управляющим воздействиям на движитель шасси робота. Относительный поворот может быть вычислен по данным бортовых гироскопов (причём возможно использование доступных твёрдотельных датчиков), а относительное смещение можно вычислять по одометру.
Зная уравнение плоскости в ЛСК и примерное положение ЛСК в глобальной
системе координат (ГСК), задаваемое вектором линейного смещения Т и обобщенной матрицей поворотов ( ^, которая определяет ориентацию ЛСК относительно ГСК, можно определить уравнение плоскости в ГСК.
Рис. 8. Выделенные плоскости в двух положениях робота
ь
Введём для ьй плоскости вектор р = р • щ и коллинеарный ему вектор п* = СГП, который в общем случае может не совпадать с вектором щ по направлению (рис. 9).
Рис. 9. Преобразование уравнений плоскостей
Можно определить, что р.=(т ■ п* + , где п* = Г',/т . р. = рь. . То-
гда уравнение плоскости в ГСК с учетом предположительно совершённого движения будет иметь вид: п. - г — Д = 0, где ^ _ Р^ р _ (знак ~ означает, что
величина вычислена примерно). Назовем данную плоскость в ГСК порожденной плоскостью.
Тогда парная плоскость может быть найдена в некоторой окрестности порожденной плоскости варьированием ее параметров.
В результате получается список из M соответствующих друг другу в ЛСК и ГСК пар плоскостей:
< Щ • гъ —рЬ = 0, Щ • г —р = 0 >, I = [1,М].
На этом этапе могут быть найдены несколько альтернативных пар из базы данных, либо пара может быть не найдена вообще. Ошибочные варианты могут быть отброшены на следующем этапе после вычисления всех порожденных плоскостей (в том числе и альтернативных) путем простого сравнительного анализа.
Определение перемещения робота и обновление базы данных. Для определения всех параметров движения (три угловых и три линейных координаты) необходимо минимум три пары плоскостей. Для ьй пары плоскостей, заданных в ЛСК и ГСК соответственно (см. рис. 9), справедливо равенство ръ = 'р. — Щ • Т)СЛЩ, где
С= 'С^ ) 1 = ''С^ ^. Тогда для M пар соответствующих друг другу плоскостей можно записать переопределенную в общем случае систему нелинейных уравнений:
Р1Ь = (Р1 рЬ = (Р2
П ■ Т_) с П ■ Т ) с
Л П1,
Л —
РЪы
= (Рм ~пм ■Т)С\
"Л п
-т ПМ,
решение которой является искомым перемещением.
Обобщенная матрица представляется в виде последовательности поворотов вокруг трех осей: СГ = Я (/)■ Я (Р) ■ Ях (а). Тогда углы поворота ао, во, уо и
вектор линейного смещения Т, которые наилучшим образом удовлетворяют данной системе уравнений, могут быть найдены методами оптимизации, например, итеративным методом Левенберга-Марквардта. В качестве начального приближения используется предположение Т
и С1 ч ]
(ос, /?, у^ 0 совершённом движении,
определённое по бортовым сенсорам на предыдущем этапе. Найденное решение должно удовлетворять всем парам плоскостей с заданной точностью. На основе этого утверждения проверяются разные альтернативные варианты пар плоскостей и отбрасываются ошибочные.
После определения истинного перемещения становится возможным обновление и уточнение базы данных и модели внешней среды по параметрам новых выделенных объектов. Новые плоскости просто вносятся в базу данных, существующие же - уточняются путём усреднения с учётом новых данных, что снижает влияние шумов исходных данных сенсора.
Результаты экспериментальных исследований. Описанные выше методы и алгоритмы реализованы в виде прикладных программ и опробованы в составе СТЗ в реальных условиях. На рис. 11 и 12 представлены фотоизображения фрагментов рабочей зоны и соответствующие им раскрашенные облака точек, полученные из двух различных положений сенсора. Будем считать, что ЛСК первого (начального) положения совпадает с ГСК. На обоих дальнометрических изображениях выделены соответствующие плоскости, уравнения которых представлены в таблице.
Таблица
Уравнение выделенных плоскостей
№ Уравнение в ГСК Уравнение в ЛСК
1 0.265х + 0.029у + 0.9647 - 4.04 = 0 0.407х + 0.000у + 0.9147 - 3.48 = 0
2 0.000х + 0.993у + 0.1177 - 1.46 = 0 0.002х + 0.993у + 0.1197 - 1.47 = 0
3 -0.993х - 0.028у + 0.137 - 0.99 = 0 -0.942х + 0.026у + 0.3367 - 2.82 = 0
Начальное приближение было принято равным:
Г = [1.5 О 0.5]г, =Дг(0)-ЯД-гО0)-1^(0) • В результате решения соответствующей системы нелинейных уравнений было найдено истинное смещение сенсора, равное:
Т = [1.85 -0.01 0.05]г, СГЛ = Я (0.90) ■ Я (-9.80) ■ ЯД2.60).
Рис. 11. Фотография области пространства и выделенные плоскости для первого
положения
Рис. 12. Фотография области пространства и выделенные плоскости для
второго положения
На рис. 13 показано вычисленное взаимное расположение сенсоров в рабочей
зоне.
Рис. 13. Взаимное расположение сенсоров в рабочей зоне
Заключение. Полученные результаты теоретических и экспериментальных исследований позволяют сделать заключение, что предлагаемый подход обеспечивает переход от больших объемов исходной информации, поступающей от даль-нометрических СТЗ, к компактным геометрическим и семантическим описаниям внешней среды, которые в явном виде содержат навигационные данные. Это позволяет эффективно решать задачи автономного управления движением мобильных роботов и беспилотных летательных аппаратов в индустриально-городской среде и зданиях.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Лапшов В.С., Носков В.П., Рубцов И.В., Рудианов Н.А., Рябов А.В., Хрущев В.С. Бой в городе. Боевые и обеспечивающие роботы в условиях урбанизированной территории // Известия ЮФУ. Технические науки. - 2011. - № 3 (116). - С. 142-146.
2. Каляев А.В., Носков В.П., Чернухин Ю.В., Каляев И.А. Однородные управляющие структуры адаптивных роботов. - М.: Наука, 1990. - 147 с.
3. Носков В.П., Рубцов И.В. Опыт решения задачи автономного управления движением мобильных роботов // Мехатроника, автоматизация, управление. - 2005. - № 12. - C. 21-24.
4. Лакота Н.А., Носков В.П., Рубцов И.В., Лундгрен Я.-О. Мур Ф. Опыт использования элементов искусственного интеллекта в системе управления цехового транспортного робота // Мехатроника, автоматизация, управление. - 2000. - № 4. - С. 44-47.
5. Носков В.П., Носков А.В. Система экстремальной навигации цехового транспортного робота // Сб. научн. тр. «Искусственный интеллект в технических системах». - М.: Гос. ИФТП, 1998. - С. 136-144.
6. Носков А.В., Носков В.П. Распознавание ориентиров в дальнометрических изображениях // Сборник «Мобильные роботы и мехатронные системы». - М.: Изд-во МГУ, 2001.
- C. 179-192.
7. Носков В.П., Носков А.В. Навигация мобильных роботов по дальнометрическим изображениям // Мехатроника, автоматизация, управление. - 2005. - № 12. - C. 16-21.
8. 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.
9. Казьмин В.Н., Носков В.П. Объемное зрение в системе навигационного обеспечения беспилотного летательного аппарата // Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. - 2012. - Вып. Специальная робототехника. - С. 113-121.
10. Загоруйко С.Н., Казьмин В.Н., Носков В.П. Навигация БПЛА и 3D-реконструкция внешней среды по данным бортовой СТЗ // Мехатроника, автоматизация, управление. - 2014.
- № 8. - C. 62-68.
11. Segal A., Haehnel D., Thrun S. Generalized-ICP // Proc. of Robotics: Science and Systems, RSS, 2009.
12. Mitra N., Gelfand N., Pottmann H., Guibas L.J. Registration of Point Cloud Data from a Geometric Optimization Perspective // Proceedings of the 2004 Eurographics/ACM SIGGRAPH symposium on Geometry processing. - 2004. - P. 22-31.
13. Fischler M.A., Bolles R.C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography // Communications of the ACM.
- 1981. - No. 24 (6). - P. 381-395.
14. Konouchine A., Gaganov V., Veznevets V. AMLESAC: A New Maximum Likelihood Robust Estimator // Graphicon 2005 proceedings. http://www.graphicon.ru/html/2005/ proceed-ings/papers/konouchin.pdf.
15. Klasing K., Althoff D., Wollherr D., and Buss M. Comparison of Surface Normal Estimation Methods for Range Sensing Applications // In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Kobe, Japan, May 12-17 2009.
16. Holz D., Holzer S., Rusu R B., Behnke S. Real-Time Plane Segmentation using RGB-D Cameras // In Proceedings of the 15 th RoboCup International Symposium, Istanbul, July 2011.
17. Comaniciu D., Meer P. Mean Shift: A Robust Approach Toward Feature Space Analysis // IEEE Transactions on Pattern Analysis and Machine Intelligence - PAMI. - 2002. - Vol. 24, No. 5. - P. 603-619.
18. Berkmann J., Caelli T. Computation of Surface Geometry and Segmentation Using Covariance Techniques // IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI). - November 1994. - No. 16 (11). - P. 1114-1116,
19. Niloy J. Mitra and An Nguyen. Estimating surface normals in noisy point cloud data // In Proc. of The 19th ACM Symposium on Computational Geometry (SCG). - San Diego, California, USA, June 2003. - P. 322-328.
20. Велижев А., Шаповалов Р., Потапов Д., Третьяк Е., Конушин А. Автоматическая сегментация облаков точек на основе элементов поверхности // C6opHrn «Труды конференции GraphiCon-2009». - 2009. - C. 241-245.
REFERENCES
1. Lapshov V.S., Noskov V.P., Rubtsov I. V., Rudianov N.A., Ryabov A. V., Khrushchev V.S. Boy v gorode. Boevye i obespechivayushchie roboty v usloviyakh urbanizirovannoy territorii [The battle in the city. Combat and support robots in a urban area], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2011, No. 3 (116), pp. 142-146.
2. Kalyaev A.V., Noskov V.P., Chernukhin Yu.V., Kalyaev I.A. Odnorodnye upravlyayushchie struktury adaptivnykh robotov [Homogeneous control structures of adaptive robots]. Moscow: Nauka, 1990, 147 p.
3. 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.
4. Lakota N.A., Noskov V.P., Rubtsov I.V., Lundgren Ya.-O. Mur F. Opyt ispol'zovaniya elementov iskusstvennogo intellekta v sisteme upravleniya tsekhovogo transportnogo robota [Experience in the use of artificial intelligence elements in control system workshop transport robot], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2000, No. 4, pp. 44-47.
5. Noskov V.P., Noskov A.V. Sistema ekstremal'noy navigatsii tsekhovogo transportnogo robota [Extremal navigation system of transport robot], Sb. nauchn. tr. «Iskusstvennyy intellekt v tekhnicheskikh sistemakh» [Proc. of the SIPTP "Artificial Intelligence in Engineering Systems"]. Moscow: Gos. IFTP, 1998, pp. 136-144.
6. Noskov A.V., Noskov V.P. Raspoznavanie orientirov v dal'nometricheskikh izobrazheniyakh [Features recognition in range-finder images], Sbornik «Mobil'nye roboty i mekhatronnye sistemy» [Proc. of MSU "Mobile robots and mechatronic systems"]. Moscow: Iz-vo MGU, 2001, pp. 179-192.
7. Noskov V.P., Noskov A.V. Navigatsiya mobil'nykh robotov po dal'nometricheskim izobrazheniyam [Robots navigation based on range-finder images], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2005, No. 12, pp. 16-21.
8. Noskov A.V., Rubtsov I. V., Romanov A.Yu. Formirovanie ob"edinennoy modeli vneshney sredy na osnove informatsii videokamery i dal'nomera [Formation of a unified model of the environment on the basis of information from video camera and rangefinder], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2007, No. 8, pp. 2-5.
9. Kaz'min V.N., Noskov V.P. Ob"emnoe zrenie v sisteme navigatsionnogo obespecheniya bespilotnogo letatel'nogo apparata [Surround vision in the navigation support system unmanned aerial vehicle], Vestnik MGTU im. N.E. Baumana. Ser. Mashinostroenie [Proc. of Bauman MSTU "Machine building. Special robotics"], 2012, pp. 113-121.
10. Zagoruyko S.N., Kaz'min V.N., Noskov V.P. Navigatsiya BPLA i 3D-rekonstruktsiya vneshney sredy po dannym bortovoy STZ [3D vision-based unmanned vehicle navigation and 3D reconstruction of environments], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2014, No. 8, pp. 62-68.
11. Segal A., Haehnel D., Thrun S. Generalized-ICP, Proc. of Robotics: Science and Systems, RSS, 2009.
12. Mitra N., Gelfand N., Pottmann H., Guibas L.J. Registration of Point Cloud Data from a Geometric Optimization Perspective, Proceedings of the 2004 Eurographics/ACM SIGGRAPH symposium on Geometry processing, 2004, pp. 22-31.
13. Fischler M.A., Bolles R.C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography, Communications of the ACM, 1981, No. 24 (6), pp. 381-395.
14. Konouchine A., Gaganov V., Veznevets V. AMLESAC: A New Maximum Likelihood Robust Estimator, Graphicon 2005 proceedings. Available at: http://www.graphicon.ru/html/2005/ proceedings/papers/konouchin.pdf.
15. Klasing K., Althoff D., Wollherr D., and Buss M. Comparison of Surface Normal Estimation Methods for Range Sensing Applications, In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Kobe, Japan, May 12-17 2009.
16. Holz D., Holzer S., Rusu R B., Behnke S. Real-Time Plane Segmentation using RGB-D Cameras, In Proceedings of the 15th RoboCup International Symposium, Istanbul, July 2011.
17. Comaniciu D., Meer P. Mean Shift: A Robust Approach Toward Feature Space Analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence - PAMI, 2002, Vol. 24, No. 5, pp. 603-619.
18. Berkmann J., Caelli T. Computation of Surface Geometry and Segmentation Using Covariance Techniques, IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI), November 1994, No. 16 (11), pp. 1114-1116,
19. Niloy J. Mitra and An Nguyen. Estimating surface normals in noisy point cloud data, In Proc. of The 19th ACM Symposium on Computational Geometry (SCG). San Diego, California, USA, June 2003, pp. 322-328.
20. Velizhev A., Shapovalov R., Potapov D., Tret'yak E., Konushin A. Avtomaticheskaya seg-mentatsiya oblakov tochek na osnove elementov poverkhnosti [Robust LIDAR data segmentation using compact point clusters], Cbornik «Trudy konfe-rentsii GraphiCon-2009» [Proc. of "GraphiCon-2009"], 2009, pp. 241-245.
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.: 89166766057; кафедра специальной робототехники и мехатроники; к.т.н.; доцент; НИИ Специального машиностроения; зав. сектором.
Казьмин Вячеслав Николаевич - e-mail: [email protected]; тел.: +79099050702; кафедра специальной робототехники и мехатроники; аспирант; НИИ Специального машиностроения; инженер.
Noskov Vladimir Petrovich - Bauman Moscow State Technical University; e-mail: [email protected]; 5, 2nd Baumanskaya street, Moscow, 105005, Russia; phone: +79166766057; cand. of eng. sc.; associate professor; Special robotics and mechatronics department, NIISM sector head.
Kazmin Vyacheslav Nikolaevich - e-mail: [email protected]; phone: +79099050702; the department of special robotics and mechatronics department, postgraduate student; NIISM, engineer.
УДК 681.51: 007.52
В.Ю. Корчак, В.С. Лапшов, И.В. Рубцов
ПЕРСПЕКТИВЫ РАЗВИТИЯ НАЗЕМНЫХ РОБОТОТЕХНИЧЕСКИХ КОМПЛЕКСОВ ВОЕННОГО И СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
Роботизация вооружения и военной техники является одним из важнейших направлений повышения качественного уровня технических средств вооруженной борьбы. В условиях современного общевойскового боя эффективность традиционных человекомашинных систем военного назначения зачастую уступает эффективности роботизированных комплексов. Путем роботизации ВВТ предполагается достичь качественного улучшения параметров эффективности существующих и перспективных образцов ВВТ, расширить их функциональные возможно-
