• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 33 №1

Содержание

  1. АНАЛИЗ ПРЕДПОЧТЕНИЙ ПОЛОВОГО ПАРТНЕРА У EURYDEMA ORNATA И E. OLERACEA В УСЛОВИЯХ СВОБОДНОГО ВЫБОРА
  2. ОПТИМАЛЬНАЯ АФФИННАЯ АППРОКСИМАЦИЯ ПРОЕКТИВНОГО ПРЕОБРАЗОВАНИЯ ИЗОБРАЖЕНИЙ
  3. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. XII. О НОВЫХ МЕТОДАХ ПРОЕКТИВНО ИНВАРИАНТНОГО ОПИСАНИЯ ОВАЛОВ В КОМПОЗИЦИИ С ЛИНЕЙНЫМ ЭЛЕМЕНТОМ ПЛОСКОСТИ
  4. СИСТЕМА ПОЗИЦИОНИРОВАНИЯ ВНУТРИ ЗДАНИЙ МОБИЛЬНОЙ РОБОТОТЕХНИЧЕСКОЙ ПЛАТФОРМЫ НА ОСНОВЕ ДЕТЕКЦИИ КРАЕВ
  5. РОБАСТНЫЙ КРИТЕРИЙ ПОИСКА ТОЧКИ СХОДА ПРОЕКЦИЙ ПРЯМОЛИНЕЙНЫХ ТРАЕКТОРИЙ ДВИЖЕНИЯ ДЕТЕКТИРОВАННЫХ В ВИДЕОПОТОКЕ ТРАНСПОРТНЫХ СРЕДСТВ
  6. СОПОСТАВЛЕНИЕ СНИМКОВ В РАДИО И ВИДИМОМ ДИАПАЗОНАХ ЧЕРЕЗ НЕЗАВИСИМУЮ ПРИВЯЗКУ К ВЕКТОРНОЙ КАРТЕ
  7. ПОВЫШЕНИЕ ВЫЧИСЛИТЕЛЬНОЙ ЭФФЕКТИВНОСТИ ПРОЕКТИВНОГО ПРЕОБРАЗОВАНИЯ ИЗОБРАЖЕНИЙ НА SIMD-АРХИТЕКТУРАХ
  8. СРАВНЕНИЕ КЛАССИФИЦИРУЮЩЕЙ И МЕТРИЧЕСКОЙ СВЁРТОЧНЫХ СЕТЕЙ НА ПРИМЕРЕ РАСПОЗНАВАНИЯ ПОЛЯ “ПОЛ” ПАСПОРТА ГРАЖДАНИНА РФ
  9. ОТРАЖЕНИЕ АКТИВНОСТИ СЕРДЦА В ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ КОШЕК В ПЕРИОДЫ МЕДЛЕННОГО СНА
  10. ПОЛИСОМНОГРАФИЧЕСКОЕ ИССЛЕДОВАНИЕ ЦЕНТРАЛЬНОГО АПНОЭ СНА У КОШЕК

СИСТЕМА ПОЗИЦИОНИРОВАНИЯ ВНУТРИ ЗДАНИЙ МОБИЛЬНОЙ РОБОТОТЕХНИЧЕСКОЙ ПЛАТФОРМЫ НА ОСНОВЕ ДЕТЕКЦИИ КРАЕВ

© 2019 г. М. П. Абрамов1,3, О. С. Шипитько1, А. С. Лукоянов1,3, Е. И. Панфилова2,3, И. А. Кунина1,2,3, А. С. Григорьев1

1Институт проблем передачи информации им. А.А. Харкевича РАН, Долгопрудный, Россия
abramov@visillect.com
2Институт системного анализа Федерального исследовательского центра “Информатика и управление” Российской академии наук, ИСА ФИЦ ИУ РАН, Москва, Россия
3Московский физико-технический институт (государственный университет), Долгопрудный, Россия

Поступила в редакцию 17.09.2018 г.

Необходимой предпосылкой для решения задачи навигации является точное знание собственного положения в пространстве. В работе предлагается метод высокоточного позиционирования мобильной робототехнической платформы внутри зданий. Предсказание положения строится на основе данных бортовых датчиков движения (датчик скорости вращения колес и датчик угловых скоростей платформы). В качестве априорной информации используется план здания, хранимый в виде цифровой многоканальной растровой карты. Оценка правдоподобия положения вычисляется путем сопоставления краев, задетектированных на изображениях, получаемых от монокулярной камеры видимого диапазона, с априорно известной картой. Таким образом, предложенный метод использует особенности, присущие любым помещениям (стыки между стенами и полом), и не требует дополнительной подготовки рабочей среды. Для объединения разнородных наблюдений применяется фильтр частиц, учитывающий мультимодальное распределение вероятностей оценки собственного положения. Так как оценка правдоподобия положения фильтром частиц основана на вероятностной модели измерений сенсоров, точное моделирование ошибок измерений является ключом к улучшению качества позиционирования. В работе предложена модель измерений детектора краев, учитывающая геометрические ошибки детекции и ложные срабатывания детектора. Предложенная система позиционирования была экспериментально протестирована на роботе-макете легкового автомобиля. Результаты экспериментов демонстрируют, что предложенный метод позволяет определять собственное положение робототехнического комплекса с ошибкой, в среднем не превышающей 0.1 м на каждом из 100 тестовых запусков.

Ключевые слова: локализация, позиционирование, детектор краев, модель измерений, фильтр частиц, мобильный робот

DOI: 10.1134/S0235009219010025

Цитирование для раздела "Список литературы": Абрамов М. П., Шипитько О. С., Лукоянов А. С., Панфилова Е. И., Кунина И. А., Григорьев А. С. Система позиционирования внутри зданий мобильной робототехнической платформы на основе детекции краев. Сенсорные системы. 2019. Т. 33. № 1. С. 30-43. doi: 10.1134/S0235009219010025
Цитирование для раздела "References": Abramov M. P., Shipitko O. S., Lukoyanov A. S., Panfilova E. I., Kunina I. A., Grigoryev A. S. Sistema pozitsionirovaniya vnutri zdanii mobilnoi robototekhnicheskoi platformy na osnove detektsii kraev [Edge detection based mobile robot indoor localization]. Sensornye sistemy [Sensory systems]. 2019. V. 33(1). P. 30-43 (in Russian). doi: 10.1134/S0235009219010025

Список литературы:

  • Панфилова Е.И., Кунина И.А. Детектирование линий разметки в задаче распознавания дорожной разметки. Труды 60-й Всероссийской научной конференции МФТИ. МФТИ, 2017. С. 271–273.
  • Canny J. A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence. 1986. P. 679–698.
  • Charmette B., Royer E., Chausse F. Vision-based robot localization based on the efficient matching of planar features. Machine Vision and Applications. 2016. V. 27 (4). P. 415–436.
  • Chen X., Jia Y. Indoor localization for mobile robots using lampshade corners as landmarks: Visual system calibration, feature extraction and experiments. International Journal of Control, Automation and Systems. 2014. V. 12 (6). P. 1313–1322.
  • Dellaert F., Fox F., Burgard W., Thrun S. Monte carlo localization for mobile robots. Robotics and Automation, 1999. Proceedings. 1999 IEEE International Conference on. IEEE, 1999. V. 2. P. 1322–1328.
  • Ershov E., Terekhin A., Nikolaev D., Postnikov V., Karpenko S. Fast hough transform analysis: pattern deviation from line segment. Eighth International Conference on Machine Vision (ICMV 2015). International Society for Optics and Photonics, 2015. V. 9875. P. 987509.
  • Fedorenko F.A., Ivanova A.A., Limonova E.E., Konovalenko I.A. Trainable siamese keypoint descriptors for real-time applications. 2016 International Conference on Robotics and Machine Vision. International Society for Optics and Photonics, 2017. V. 10253. P. 1025306.
  • Floyd R.W. Algorithm 97: shortest path. Communications of the ACM. 1962. V. 5 (6). P. 345.
  • Heredia M., Endres F., Burgard W., Sanz R. Fast and robust feature matching for rgb-d based localization. arXiv preprint arXiv:1502.00500. 2015.
  • Jo K., Jo Y., Suhr J.K., Jung H.G., Sunwoo M. Precise localization of an autonomous car based on probabilistic noise models of road surface marker features using multiple cameras. IEEE Trans. Intelligent Transportation Systems. 2015. V. 16 (6). P. 3377–3392.
  • Kim G., Eom J., Park Y. Investigation on the occurrence of mutual interference between pulsed terrestrial lidar scanners. Intelligent Vehicles Symposium (IV), 2015 IEEE. IEEE, 2015a. P. 437–442. (a)
  • Kim H., Lee D., Oh T., Choi H., Myung H. A probabilistic feature map-based localization system using a monocular camera. Sensors. 2015b. V. 15 (9). P. 21636–21659. (b)
  • Konovalenko I.A., Miller A.B., Miller B.M., Nikolaev D.P. Uav navigation on the basis of the feature points detection on underlying surface. ECMS. 2015. P. 499–505.
  • Leung K.Y.K. Monocular vision based particle filter localization in urban environments. Master’s thesis. University of Waterloo, 2007. P. 10.
  • Mur-Artal R., Tardós J.D. Visual-inertial monocular slam with map reuse. IEEE Robotics and Automation Letters. 2017. V. 2 (2). P. 796–803.
  • Nagy C., Biró-Ambrus Z., Lőrinc Márton. Ultrasoundbased indoor robot localization using ambient temperature compensation. Acta Universitatis Sapientiae Electrical and Mechanical Engineering. 2016. V. 8 (1). P. 19–28.
  • Perez-Grau F.J., Fabresse F.R., Caballero F., Viguria A., Ollero A. Long-term aerial robot localization based on visual odometry and radio-based ranging. Unmanned Aircraft Systems (ICUAS), 2016 International Conference on. IEEE, 2016. P. 608–614.
  • Piciarelli C. Visual indoor localization in known environments. IEEE Signal Processing Letters. 2016. V. 23 (10). P. 1330–1334.
  • Röfer T., Jüngel M. Fast and robust edge-based localization in the sony four-legged robot league. Robot Soccer World Cup. Springer, 2003. P. 262–273.
  • Shipitko O., Grigoryev A. Ground vehicle localization with particle filter based on simulated road marking image. European Conference on Modelling and Simulation. Wilhelmshaven, Germany. 2018. P. 341–347.
  • Thrun S. Particle filters in robotics. Proceedings of the Eighteenth conference on Uncertainty in artificial intelligence. Morgan Kaufmann Publishers Inc., 2002. P. 511–518.
  • Valencia R., Andrade-Cetto J. Active pose slam. Mapping, Planning and Exploration with Pose SLAM. Springer, 2018. P. 89–108.
  • Vlassis N., Motomura Y., Hara I., Asoh H., Matsui T. Edge-based features from omnidirectional images for robot localization. Proceedings of the 2001 IEEE International Conference on Robotics and Automation. 2001. V. 2. P. 1579–1584.
  • Wang C.M. Location estimation and uncertainty analysis for mobile robots. Proceedings of the 1988 IEEE International Conference on Robotics and Automation. 1988. P. 1231–1235.
  • Yang Y., Yang G., Zheng T., Tian Y., Li L. Feature extraction method based on 2.5-dimensions lidar platform for indoor mobile robots localization. Proceedings of the 2017 IEEE International Conference on Cybernetics and Intelligent Systems (CIS) and IEEE Conference on Robotics, Automation and Mechatronics (RAM). 2017. P. 736–741.