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

Том 33 №3

Содержание

  1. АЛГОРИТМ ИМИТАЦИИ ЗРЕНИЯ ДИХРОМАТОВ И ЕГО ПРИМЕНЕНИЕ ДЛЯ ВЫЯВЛЕНИЯ АНОМАЛИЙ ЦВЕТОВОСПРИЯТИЯ
  2. РАЗЛИЧЕНИЕ СИГНАЛОВ С ГРЕБЕНЧАТЫМИ СПЕКТРАМИ ПРИ УЧАСТИИ СПЕКТРАЛЬНОГО И ВРЕМЕННОГО МЕХАНИЗМОВ ЧАСТОТНОГО АНАЛИЗА
  3. УЧАСТИЕ ПРОТЕИНКИНАЗЫ С В РЕЦЕПТОР-ОПОСРЕДОВАННЫХ СИГНАЛЬНЫХ ПРОЦЕССАХ
  4. СПЕКТРАЛЬНАЯ МОДЕЛЬ СИГНАЛА ОДНОКАНАЛЬНЫХ РЕНТГЕНОВСКИХ ИЗМЕРИТЕЛЬНЫХ ПРИБОРОВ, ИСПОЛЬЗУЮЩИХ ПОЛИХРОМАТИЧЕСКОЕ ЗОНДИРУЮЩЕЕ ИЗЛУЧЕНИЕ
  5. БЕЗОПАСНОЕ УПРАВЛЕНИЕ СКОРОСТЬЮ НАЗЕМНОГО БЕСПИЛОТНОГО ТРАНСПОРТНОГО СРЕДСТВА В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ СОБСТВЕННОГО ПОЛОЖЕНИЯ
  6. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. XIII. НОВЫЕ МЕТОДЫ ПРОЕКТИВНО ИНВАРИАНТНОГО ОПИСАНИЯ ОВАЛОВ С ИСПОЛЬЗОВАНИЕМ T-ПОЛЯРЫ

БЕЗОПАСНОЕ УПРАВЛЕНИЕ СКОРОСТЬЮ НАЗЕМНОГО БЕСПИЛОТНОГО ТРАНСПОРТНОГО СРЕДСТВА В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ СОБСТВЕННОГО ПОЛОЖЕНИЯ

© 2019 г. В. И. Кибалов1, О. С. Шипитько1, Н. С. Коробов1,2, А. С. Григорьев1

Институт проблем передачи информации им. А.А. Харкевича РАН, 127051 Москва, Большой Каретный переулок, д.19, Россия
kibalov@visillect.com
Московский физико-технический институт (государственный университет), 141701 Московская обл., Долгопрудный, Институтский пер., д. 9, Россия

Поступила в редакцию 17.01.2019 г.

В данной работе предложена система управления скоростью беспилотного наземного транспортного средства (БПНТС), основанная на математической модели БПНТС, системе траекторного управления движением и алгоритме локализации Монте- Карло. Планируемая траектория движения преобразуется системой управления в управляющие сигналы, которые поступают на вход математической модели. Выход модели – предсказанная траектория транспортного средства. Рассчитанная в режиме реального времени опережающая траектория движения применяется к каждой частице – гипотезе системы позиционирования о текущем положении транспортного средства. На основе предсказаний траекторий частиц также рассчитывается вероятность столкновения для опережающего отрезка траектории и принимается решение о максимальной допустимой скорости движения. Предлагаемый алгоритм был протестирован на реальном БПНТС. Результаты экспериментов демонстрируют, что разработанная математическая модель позволяет точно прогнозировать траекторию движения БПНТС, а система управления скоростью движения снижает скорость БПНТС до безопасного значения при выполнении маневров и проезде узких проемов. Наблюдаемое поведение системы аналогично снижению скорости водителем при управлении транспортным средством в сложных и неоднозначных дорожных ситуациях.

Ключевые слова: безопасность движения, управление скоростью, вероятность столкновения, оценка риска, беспилотное наземное транспортное средство, математическая модель, локализация Монте-Карло, фильтр частиц

DOI: 10.1134/S0235009219030041

Цитирование для раздела "Список литературы": Кибалов В. И., Шипитько О. С., Коробов Н. С., Григорьев А. С. Безопасное управление скоростью наземного беспилотного транспортного средства в условиях неопределенности собственного положения. Сенсорные системы. 2019. Т. 33. № 3. С. 222-237. doi: 10.1134/S0235009219030041
Цитирование для раздела "References": Kibalov V. I., Shipitko O. S., Korobov N. S., Grigoryev A. S. Bezopasnoe upravlenie skorostyu nazemnogo bespilotnogo transportnogo sredstva v usloviyakh neopredelennosti sobstvennogo polozheniya [Safe speed control of unmanned ground vehicle under ego-position uncertainty]. Sensornye sistemy [Sensory systems]. 2019. V. 33(3). P. 222-237 (in Russian). doi: 10.1134/S0235009219030041

Список литературы:

  • 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
  • Annell S., Gratner A., Svensson L. Probabilistic collision estimation system for autonomous vehicles. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC). IEEE, 2016. P. 473–478
  • Bopardikar S.D., Englot B., Speranzon A. Multiobjective path planning: Localization constraints and collision probability. IEEE Transactions on Robotics. 2015. V. 31 (3). P. 562–577.
  • Broadhurst A., Baker S., Kanade T. Monte Carlo road safety reasoning. IEEE Proceedings. Intelligent Vehicles Symposium. IEEE, 2005. P. 319–324.
  • Du Toit N.E., Burdick J.W. Probabilistic collision checking with chance constraints. IEEE Transactions on Robotics. 2011. V. 27 (4). P. 809–815.
  • Harper C.D., Hendrickson C.T., Samaras C. Cost and benefit estimates of partially-automated vehicle collision avoidance technologies. Accident Analysis & Prevention. 2016. V. 95. P. 104–115.
  • Hoffmann G.M.,Tomlin C.J., Montemerlo M., Thrun S. Autonomous automobile trajectory tracking for offroad driving: Controller design, experimental validation and racing. American Control Conference. IEEE, 2007. P. 2296–2301.
  • Houénou A., Bonnifait P., Cherfaoui V. Risk assessment for collision avoidance systems. 17th International IEEE Conference on Intelligent Transportation Systems (ITSC). IEEE, 2014. P. 386–391.
  • Hu X., Chen L., Tang B., Cao D., He H. Dynamic path planning for autonomous driving on various roads with avoidance of static and moving obstacles. Mechanical Systems and Signal Processing. 2018. V. 100. P. 482–500
  • Janson L., Schmerling E., Pavone M. Monte Carlo motion planning for robot trajectory optimization under uncertainty. Robotics Research. Springer, Cham, 2018. P.343–361.
  • Kuffner Jr J.J., LaValle S.M. RRT-connect: An efficient approach to single-query path planning. ICRA. 2000. V.2.
  • Lambert A., Gruyer D., Saint Pierre G.A fast Monte Carlo algorithm for collision probability estimation. 10th International Conference on Control, Automation, Robotics and Vision. IEEE, 2008 . P. 406–411.
  • Lambert A., Gruyer D., Pierre G.S., Ndjeng A.N. Collision probability assessment for speed control. 11th International IEEE Conference on Intelligent Transportation Systems. IEEE, 2008b. P. 1043–1048.
  • Liu P., Yang R., Xu Z. How Safe Is Safe Enough for Self-Driving Vehicles? Risk analysis. 2018. V. 39(2). P. 315–325.
  • Liu W., Ang M.H. Incremental sampling-based algorithm for risk-aware planning under motion uncertainty. IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2014. P. 2051–2058.
  • Mehta D., Ferrer G., Olson E. C-MPDM: Continuously-parameterized risk-aware MPDM by quickly discovering contextual policies. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2018. P. 7547–7554
  • Patil S., Van Den Berg J., Alterovitz R. Estimating probability of collision for safe motion planning under Gaussian motion and sensing uncertainty. IEEE International Conference on Robotics and Automation. IEEE, 2012. P. 3238–3244
  • Schmerling E., Pavone M. Evaluating trajectory collision probability through adaptive importance sampling for safe motion planning. arXiv preprint arXiv:1609.05399. 2016
  • Schreier M., Willert V., Adamy J. An integrated approach to maneuver-based trajectory prediction and criticality assessment in arbitrary road environments. IEEE Transactions on Intelligent Transportation Systems. 2016. V. 17 (10). P. 2751–2766
  • Thrun S. Particle filters in robotics. Proceedings of the Eighteenth conference on Uncertainty in artificial intelligence. Morgan Kaufmann Publishers Inc., 2002. P.511–518.
  • Thrun S., Montemerlo M., Dahlkamp H., et al. Stanley: The robot that won the DARPA Grand Challenge. Journal of field Robotics. 2006. V. 23 (9). P. 661–692.
  • Van Den Berg J., Abbeel P., Goldberg K. LQG-MP: Optimized path planning for robots with motion uncertainty and imperfect state information. The International Journal of Robotics Research. 2011. V. 30 (7). P. 895–913.
  • Vitus M.P., Tomlin C.J. Closed-loop belief space planning for linear, Gaussian systems. IEEE International Conference on Robotics and Automation. IEEE, 2011. P.2152–2159.