Алгоритм ориентирования на местности беспилотных летательных аппаратов с использованием машинного зрения

Введение. Одной из проблем, решаемых разработчиками беспилотных летательных аппаратов с автономным управлением, является задача определения летательным аппаратом своего точного местоположения над местностью без помощи глобальных спутниковых навигационных систем. Существующие для малогабаритных беспилотных аппаратов массогабаритные и энергетические ограничения приводят к необходимости использования в их вычислительных устройствах относительно простых алгоритмов. В работе рассмотрены методы навигации беспилотных летательных аппаратов с помощью средств компьютерного зрения, реализуемого бортовыми оптическими и вычислительными устройствами. Применяемое машинное зрение обеспечивает автономность малоразмерных летательных аппаратов при отсутствии или неустойчивом канале связи с центром управления и/или системой спутниковой навигации.
Метод. Предлагаемый алгоритм решает задачу идентификации участка местности, наблюдаемого с беспилотного летательного аппарата, с изображением местности, заложенным в памяти системы управления. Местоположение аппарата определяется по минимальной (максимальной) величине невязки между наблюдаемым текущим изображением и изображением участка местности, находящимся в запоминающем устройстве. Решение задачи идентификации основано на концепции иммунокомпьютинга, использующего сингулярное разложение матрицы признаков идентифицируемых объектов. Такой подход позволяет обеспечить высокие показатели качества идентификации за счет разложения матрицы признаков на три простых преобразования для перехода в новое признаковое пространство, которое не идентифицируемо, но компоненты которого являются статистически значимыми.
Основные результаты. Проведена оценка показателей качества разрабатываемого алгоритма в сравнении с известным методом идентификации изображений путем вычисления корреляционной функции между двумя массивами признаков. Осуществлена серия испытаний, в которых для единых исходных данных оценивались вероятность правильного определения местоположения и быстродействие алгоритмов. Показано, что при предварительной подготовке «эталонного» изображения, хранимого в запоминающем устройстве беспилотного летального аппарата, быстродействие разработанного метода на порядок превышает производительность метода, основанного на вычислении корреляционной функции сравниваемых изображений. Средняя абсолютная ошибка правильного определения местоположения при использовании предлагаемого метода находится в диапазоне от 0,109 до 0,153.
Обсуждение. Предложенный алгоритм может найти применение у разработчиков систем навигации для малоразмерных беспилотных летательных аппаратов благодаря его низким требованиям к ресурсам при сохранении уровня точности, достаточного в контексте решения задач ориентирования на местности. Устройства, реализующие предложенный алгоритм ориентации, обладают лучшими энергетическими и массогабаритными характеристиками.

1. Кабалдин Ю.Г., Киселёв А.В., Шатагин Д.А. Концепция разработки маршрута движения беспилотного транспортного средства в условиях Арктики // Евразийский Союз Ученых. 2016. № 31-1. С. 63–66.

2. Wells D., Beck N. Guide to GPS positioning. Canadian GPS Assoc, 1987. 600 p.

3. Бочкарев А.М. Корреляционно-экстремальные системы навигации // Зарубежная радиоэлектроника. 1981. № 9. С. 28–53.

4. Белоглазов И.Н., Тарасенко В.П. Корреляционно-экстремальные системы. М.: Советское радио, 1974. 392 с.

5. Тарасенко В.П., Тимофеев А.В. Доверительное оценивание точности совмещения в корреляционно-экстремальных системах // Автометрия. 1990. № 4. P. 106–111.

6. Казьмин В.Н., Носков В.П. Выделение геометрических и семантических объектов в дальнометрических изображениях для навигации роботов и реконструкции внешней среды // Известия Южного федерального университета. Технические науки. 2015. № 10(171). С. 71–83.

7. Marinho L.B., Rebouças Filho P.P., Almeida J.S., Souza J.W.M., Souza Jr A.H., de Albuquerque V.H.C. A novel mobile robot localization approach based on classification with rejection option using computer vision // Computers & Electrical Engineering. 2018. V. 68. P. 26–43. https://doi.org/10.1016/j.compeleceng.2018.03.047

8. Murray D., Little J.J. Using real-time stereo vision for mobile robot navigation // Autonomous Robots. 2000. V. 8. N 2. P. 161–171. https:// doi.org/10.1023/A:1008987612352

9. Lulio L.C., Tronco M.L., Porto A.J.V. JSEG-based image segmentation in computer vision for agricultural mobile robot navigation // Proc. of the IEEE International Symposium on Computational Intelligence in Robotics and Automation — (CIRA). 2009. P. 240–245. https://doi.org/10.1109/cira.2009.5423201

10. Hussein A., Marin-Plaza P., Martin D., de la Escalera A., Armingol J.M. Autonomous off-road navigation using stereo-vision and laser-rangefinder fusion for outdoor obstacles detection // Proc. of the IEEE Intelligent Vehicles Symposium (IV). 2016. P. 104–109. https://doi.org/10.1109/ivs.2016.7535372

11. Sozzi M., Kayad A., Marinello F., Taylor J., Tisseyre B. Comparing vineyard imagery acquired from Sentinel-2 and Unmanned Aerial Vehicle (UAV) platform // OENO One. 2020. V. 54. N 2. P. 189–197. https://doi.org/10.20870/oeno-one.2020.54.1.2557

12. Pastonchi L., Di Gennaro S.F., Toscano P., Matese A. Comparison between satellite and ground data with UAV-based information to analyse vineyard spatio-temporal variability: This article is pub-lished in cooperation with the XIIIth International Terroir Congress November 17-18, 2020, Adelaide, Australia. Guest editors: Cassandra Collins and Roberta De Bei // OENO One. 2020. V. 54. N 4. P. 919–934. https://doi.org/10.20870/oeno-one.2020.54.4.4028

13. Lu Z., Liu F., Lin X. Vision-based localization methods under GPSdenied conditions // arXiv. 2022. arXiv:2211.11988. https://doi.org/10.48550/arXiv.2211.11988

14. Lu K., Xu R., Li J., Lv Y., Lin H., Liu Y. A vision-based detection and spatial localization scheme for forest fire inspection from UAV // Forests. 2022. V. 13. N 3. P. 383. https://doi.org/10.3390/f13030383

15. Tarakanov A., Skormin V., Sokolova S. Immunocomputing: Principles and Applications. New York, NY: Springer, 2003. 193 p.

16. Tarakanov A., Nicosia G. Foundations of immunocomputing // Proc. of the IEEE Symposium on Foundations of Computational Intelligence. 2007. P. 503–508. https://doi.org/10.1109/foci.2007.371519

17. Tarakanov A.O. Mathematical models of intrusion detection by an intelligent immunochip // Communications in Computer and Information Science. 2013. V. 1. P. 308–319. https://doi.org/10.1007/978-3-540-73986-9_26

18. Соломатин А.Ю., Зикратов И.А. Метод идентификации человека по изображению лица в системах видеонаблюдения на основе научно-методического аппарата иммунокомпьютинга // Информация и космос. 2015. № 2. С. 47–51.

19. Соломатин А.Ю., Люберт А.С., Зикратов И.А. Идентификация движущегося человека в системах видеонаблюдения // Научнотехнический вестник информационных технологий, механики и оптики. 2014. № 4(92). С. 124–131.

20. Губин А.Н., Литвинов В.Л., Филиппов Ф.В. Использование метода главных компонент для распознавания графических объектов // Труды учебных заведений связи. 2016. Т. 2. № 3. С. 27–31.

21. Litvinov V.L., Kozlova L.P., Filippov F.V. The use of a matrix decompositions for dimension reduction of training sample // Proc. of the IEEE II International Conference on Control in Technical Systems (CTS). 2017. P. 282–284. https://doi.org/10.1109/CTSYS.2017.8109546

22. Alieva O., Gangan E., Ilyushin E., Kachalin A. Automatic evaluation of recommendation models // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 2. С. 398–406. https://doi.org/10.25559/SITITO.16.202002.398-406

23. Минин А.С. Применение сингулярного разложения для понижения размерности в анализе данных // Тенденции развития науки и образования. 2023. № 99-7. С. 55–58. https://doi.org/10.18411/trnio-07-2023-377

24. Studio encoding parameters of digital television for standard 4: 3 and wide-screen 16: 9 aspect ratios: Recommendation ITU-R BT.601-7 (03/2011).

25. Тимофеев А.В. Инвариантный к линейным конформным преобразованиям алгоритм обнаружения размытого изображения целевого объекта малого размера // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21. № 2. С. 206–224. https://doi.org/10.17586/2226-1494-2021-21-2-206-224