АЛГОРИТМ ВИЗНАЧЕННЯ ШЛЯХУ ДЛЯ АВТОНОМНОГО РУХУ БЕЗПІЛОТНОГО ТРАНСПОРТУ ПО ЛІНІЇ
DOI:
https://doi.org/10.32782/KNTU2618-0340/2020.3.2-1.3Ключові слова:
автономний рух; моделювання; алгоритм; безпілотний транспорт; розпізнаванняАнотація
Створення роботизованих систем та їх програмування представляють мультидисциплінарну сферу, що є підрозділами алгоритмів штучного інтелекту та машинного навчання. Все більш популярною стає тенденція, коли лідери автомобільної промисловості випускають автомобілі з технологією автономного керування. Такі транспортні засоби є більш безпечними, їх використання сприяє зменшенню кількості ДТП, та, відповідно, рівня травматизму. Також вони використовуються як одне з рішень в логістичних задачах «останньої милі» - складність, яка пов’язана з останнім етапом доставки. На сучасному етапі розвитку технологій актуальним є розвиток систем штучного інтелекту і автоматизація таких процесів. Задача автономного керування транспортом потребує використання спеціалізованих методів і загальних алгоритмів машинного навчання, зокрема комп’ютерного зору, що базується на обробці зображень. В статті представлено алгоритм визначення шляху автономного руху безпілотного транспорту по лінії. Розглянуті існуючі методи обробки зображень, алгоритми їх застосування та проблеми, які виникають при обробці зображень. Представлений алгоритм для пошуку шляху на зображенні з камери був апробований на комп’ютерній моделі автомобіля. Такий автомобіль був підготовлений для змагань моделей з автономним керуванням в рамках змагань Robotraffic. Стояло завдання підвищити ефективність функціонування наявних датчиків за допомогою додаткового обладнання у вигляді зовнішньої камери. Відеодані повинні були оброблятися програмно для визначення шляху для автономного руху транспорту. Був створений алгоритм, який працює за принципом дискретизації всього шляху на частини, кожна з яких обробляється окремо. Обробка частини представляє собою усереднення бінарної інформації про ширину шляху: ширина сегменту шляху повинна бути більше ніж наступний сегмент. Усі сегменти в остаточному представленні комбінуються у дерево шляхів з яких обирається один для подальшого руху. алгоритм можна легко модифікувати на віддавання пріоритету лівим або правим шляхам. Алгоритм забезпечує досить швидкий пошук шляху. Усі розрахунки ведуться в режимі реального часу. Перевагами є простота та швидкодія. Тому алгоритм можна використовувати для створення системи автономного керування моделей автомобілів. Представлений алгоритм можна використовувати для створення більш точної системи для керування автономними моделями автомобілів, а також для створення власних систем допомоги керування реальним транспортом з використанням камери та міні комп’ютерів. Також одним із наступних завдань є розробка системи для виявлення дорожніх знаків на зображенні.
Посилання
Xiao B., Cheng J., Hancock E. R. Graph-Based Methods in Computer Vision: Developments and Applications. Hershey: IGI Global. 2013. 395 p. DOI: 10.4018/978-1-4666-1891-6.
Canny J. A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence. 1986. Vol. PAMI-8 . Issue 6. P. 679−698.
Iannino A. Hough transform theory and image processing experiments. Hoboken: Stevens Institute of Technology, 1980. 231 p.
Harris C. G., Stephens M. A Combined Corner and Edge Detector. Proceedings of the Alvey Vision Conference (UK, Manchester, 31 August − 2 September, 1988), pp. 23.1−23.6. DOI:10.5244/C.2.23
Mikolajczyk K., Schmid C. Scale & Affine Invariant Interest Point Detectors. International Journal of Computer Vision. 2004. Vol. 60. Issue 1. P. 63−86.
Lowe David G. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision. 2004. Vol. 60. Issue 2. P. 91–110. DOI:10.1023/B:VISI.0000029664.99615.94.
Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up Robust Features. Proceedings of the European Conference on Computer Vision. (Austria, Graz, May 7-13, 2006). Berlin, Heidelberg: Springer, 2006. P. 404−417.
Гончаренко М. О. Сравнительный анализ методов формирования дескрипторов изображений в контексте задачи сегментации видеопотока. Бионика Интеллекта. 2015. № 2 (85). C. 90–94.
Deore S. P., Pravin A. Histogram of Oriented Gradients Based Off-Line Handwritten Devanagari Characters Recognition Using SVM, K-NN and NN Classifiers. Revue d’Intelligence Artificielle. 2019. Vol. 33. № 6. P. 441−446.
Сосновський В. А., Хлевний А. О. Аналіз та дослідження основних методів розпізнавання обличчя. Computer-Integrated Technologies: Education, Science, Production. 2019. № 35. C. 192−197.
Rojas R. AdaBoost and the Super Bowl of Classifiers a Tutorial Introduction to Adaptive Boosting. Berlin: Freie University, 2009. 6 р.