СПОСОБЫ ИДЕНТИФИКАЦИИ ЦЕЛЕВЫХ ОБЪЕКТОВ В ПРОСТРАНСТВЕ МОБИЛЬНЫМ РОБОТОМ

METHODS FOR IDENTIFYING TARGETS IN SPACE BY A MOBILE ROBOT

Dmitriy Rozhkov

master's degree In robotics and mechatronics, STANKIN MOSCOW STATE TECHNICAL UNIVERSITY,

Russia, Moscow

Oksana Rozhkova

master's degree, Department of Information technology and computer systems STANKIN MOSCOW STATE TECHNICAL UNIVERSITY,

Russia, Moscow

АННОТАЦИЯ

Цель – идентификация целевого объекта в пространстве, метод – распознавание объектов при помощи сканеров и камер, результат – успешная идентификация простых объектов.

ABSTRACT

The goal is to identify the target object in space, the method is to recognize objects using scanners and cameras, and the result is successful identification of simple objects.

Ключевые слова: идентификация объекта, лазерный дальномер, камера.

Keywords: object identification, laser rangefinder, camera.

Идентификация объектов – комплекс методов построения моделей объектов по данным наблюдения. Модель объекта строится на основе описания его характеристик (габариты, материал) и его поведения в пространстве (движение, покой).

Объект интереса – целевой объект (процесс, явление), над которым запланировано совершить какое-либо действие (идентификация, транспортировка, слежение и т. д.).

В настоящее время данный раздел теории управления имеет широкое применение в робототехнике, поэтому интересна для рассмотрения.

На практике задача идентификации объектов возникает при использовании дальнометрических систем:

• Активных:
  
  • лазерные;
• Пассивные:
  
  • камеры;

В зависимости от метода и цели мониторинга окружающей среды применяются различные методы анализа.

Лазерный дальномер – устройство для измерения расстояния по средствам лазерного луча. На сегодняшний день в робототехнике не так уж и много методов навигации внутри помещений. Определение положения робота в пространстве с использованием лазерного сканера — один из них. Важное достоинство этого метода — он не требует установки в помещении каких-либо маяков.

Фазовые. Свет лазера подвергается модуляции (рис. 1) высокочастотным сигналом. В этом методе лазер работает постоянно, но его излучение амплитудно модулируется сигналом определенной частоты (обычно это частоты меньше 500МГц). Длина волны лазера при этом остается неизменной (обычно выбирается лазер 500 — 1100 нм).

Рисунок 1. Пример амплитудной модуляции

Отраженное от объекта излучение принимается фотоприемником, и его фаза сравнивается с фазой опорного сигнала — от лазера. Наличие задержки при распространении волны создает сдвиг фаз, который и измеряется дальномером.

Импульсные. Они же «времяпролетные» (Time Of Flight – TOF) рис. 2. Они используют наиболее популярный метод измерения расстояния – измерение времени прохождения импульсом до объекта и обратно (принцип заимствован из эхолокации).

Рисунок 2. Принцип действия импульсного лазерного дальномера

Процесс идентификации. Рассмотрим мобильный робот (тележка) оснащённый фазовым лазерным дальномером.

Сканирование осуществляется посредством отражения лазерного луча (пучка) от вращающегося зеркала (диапазон 240 градусов, с угловым разрешением 0,36 градуса). Луч проецируется на поверхность объекта световым пятном, размер которого зависит от положения объекта относительно луча. Если объект почти параллелен лучу, то световое пятно растянуто и погрешность измерения будет большой (быстрее придёт отражённый сигнал от ближней точки пятна, а не от его центра).

Рассмотрим лазерный дальномер Hokuyo URG-04LX (излучает инфракрасный луч). В процессе измерения применяется амплитудно-модулированный сигнал. Пример построенной графической плоской карты по данным датчика (рис. 3) [1].

Рисунок 3. Скан лазерным дальномером

Рассмотрим основные типы представления и обработки данных:

• облако точек;
• графическая карта (обработка графики);
• 3D модель;

Обработка облака точек. Облако точек имеет очень простую конструкцию (массив координат точек), но в то же время мощную коллекцию элементарных геометрических свойств, способных представлять форму, размер, положение и ориентацию объектов в пространстве. Для успешной обработки данных лазерного сканирования и лучшего их понимания сначала обычно выполняют процедуры классификации и сегментации облака точек.

Камеры. Самый распространённый способ получения визуальной информации об окружающей среде – использование камер. Популярность этого способа обусловлена возможностями обработки цифрового изображения. Изображение – двумерная функция f(x;y), где x и y — координаты на плоскости, f – интенсивность изображения. Если x, y и f принимают конечное число дискретных значений, это цифровое изображение. Средством получения цифрового изображения выступает камера.

Перед тем как осуществлять анализ изображения необходимо провести предварительную обработку, с целью удовлетворения некоторым условиям, зависящим от метода анализа. Примерами предварительной обработки являются:

• удаление шумов и помех;
• размытие изображения с целью избавления от искажений изображения (например, по средствам фильтра Гаусса);
• увеличение контрастности;
• масштабирование;
• изменение форматирования изображения (для увеличения скорости обработки);
• изменение экспозиции и т. д.

После реализации необходимых подготовительных процедур начинается основная обработка. Первым этапом выделяются характерные (по какому-либо правилу) детали изображения различного уровня сложности: точки, линии, границы, области, фигуры – операция сегментирования сцены.

Вторым этапом производится классификация объектов в области интереса, отделяется целевая информация: выделение набора точек по кривизне, цвету, яркости и т. д.; дополнительная сегментация одного или нескольких участков изображения.

На третьем этапе производится основная обработка. На этом шаге количество информации минимально (координаты пикселей или участка изображения), её можно легко обработать, например произвести фильтрацию по критерию, оценить габариты объекта и его расположение [2].

Далее происходит отслеживание положения объекта в пространстве по установленному характерному внешнему виду или опорным точкам (например, при помощи фильтра Калмана).

Преимущества использования камеры:

• быстродействие;
• точность;
• простота использования;
• небольшие габариты.

Недостатки:

• зависимость от качества освещения;
• ограниченная зона действия;
• сложность математического аппарата.

Использование оптической камеры (любого типа) наиболее подходит для решения задачи идентификации объектов.

Обработка изображения нейронной сетью.

Искусственная нейронная сеть (ИНС) – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма, то есть последовательность нейронов, соединенных между собой синапсами. Различают следующие типы нейросетей: полносвязные и сверточные.

Самая популярная задача нейросетей – распознавание визуальных образов. Для того чтобы распознать изображение, нейронная сеть должна быть изначально обучена на данных. Данные для обучения можно взять из открытых источников или собрать самостоятельно. В качестве образца применяется вектор значений признаков, а совокупность признаков в этих условиях должна позволить однозначно определить, с каким классом образов имеет дело НС.

В целом создание нейронной сети для распознавания изображений включает в себя: сбор и подготовку данных, выбор топологии, подбор характеристик, подбор параметров обучения, процесс обучения, проверка качества обучения, корректировка, вербализация.

Практический алгоритм идентификации (рис. 4) букв на пути робота.

Рисунок 4. Алгоритм обработки изображения нейросетью

Получение изображения с камеры видеопотоком (Bitmap). Бинаризация: перевод изображения в черно-белый формат из цветного (Y – бинаризованный цвет, R – интенсивность красного, G – интенсивность зеленого, B – интенсивность синего).

Полученное значение сравнивается с пороговым значением, если цвет оттенка серого выше - он считается белым, если ниже - считается черным. Так же преобразуем изображение в бинарную матрицу, с которой производятся дальнейшие манипуляции.

Сегментация – разбиение изображения на части, каждая из которых содержит свой уникальных объект. Она осуществляется путем прохода по матрице изображения слева направо, сверху вниз. Все единичные элементы матрицы получают метку (заодно вычисляется площадь изображения).

Вычисление признаков происходит на основе выставленных меток. Для однозначного распознавания объектов (вне зависимости от положения) необходимо привязать параметры к структуре. У каждого бинарного образа можно вычислить несколько признаков, не зависящих от его поворота или размера: эксцентриситет, ориентация. Закрепив уникальную ориентацию объекта, можно произвести поворот относительно центра масс, этот приём даёт инвариантность относительно начального поворота.

Сжатие в матрицу производится для детализации/размытия изображения в зависимости от задачи. Детализация чревата усложнением вычислений=увеличение времени расчётов. Размытие позволяет отбросить блики и помехи от оптики [3; 4].

Для распознавания использовалась многослойная сеть обратного распространения ошибки (рис. 5). Входной слой 256 нейронов (матрица 16*16), выходной слой – 6.

Рисунок 5. Схема нейрона

Итог: цифровые камеры пригодны для решения задачи идентификации объектов в зоне интереса и по сравнению с лазерной идентификацией имеет ряд преимуществ: точность, не зависит от погодных условий и материалов в кадре, наиболее понятный результат работы для человека-оператора, возможность приближения, большое количество качественных алгоритмов обработки;

Все описанные способы идентификации объектов на определённом этапе сводятся к анализу полученного (различными, с точки зрения процесса, способами) изображения (скана, карты). Наилучшим путём реализации системы идентификации объектов в рабочей области является использование камеры.

Список литературы:

1. Лазеры // laserportal.ru [Электронный ресурс] URL: http://www.laserportal.ru/content_1268 (дата обращения: 28.06.2020).
2. Нейронные сети // basegroup.ru [Электронный ресурс] URL: https://basegroup.ru/search?text=нейросеть&f%5B0%5D=type%3Aarticle (дата обращения: 5.07.2020).
3. Распознавание образов мобильным роботом // www.ampersant.ru [Электронный ресурс] URL: http://www.ampersant.ru/glaz/ (дата обращения: 05.07.2020).
4. Наглядное введение в нейросети на примере распознавания цифр // proglib.io [Электронный ресурс] URL: https://proglib.io/p/neural-network-course (дата публикации 28.03.2018) (дата обращения: 06.07.2020).