ЛАРС

Аннотация:

Целью проекта является разработка подхода к выбору оптимальных формаций модульных робототехнических систем (РС) в зависимости от геометрических характеристик сложных поверхностей участков пути РС, что позволит добиться повышения эффективности движения РС и проходимости по подобным участкам.

На первом этапе реализации проекта была сформирована методика выбора оптимальных формаций модульных РС исходя из специфики внешнего окружения. Посредством предложенной методики могут быть извлечены пространственные положения точек, принадлежащих исследуемой поверхности, что позволяет однозначно определить классы и иные параметры исследуемой поверхности. Передача полученной информации, а также значений признаков, связанных с требуемыми показателями качества движения РС, в качестве входных данных для предварительно обученной модели выбора оптимальных формаций позволяет реализовать процесс определения оптимальных формаций модульных РС исходя из специфики внешнего окружения.

В соответствии с предложенной методикой в ходе реализации проекта научным коллективом была предложена классификация сложных поверхностей, представляющих отдельные участки рельефа помещений, исходя из их геометрических характеристик. Основываясь на предложенной классификации, впоследствии был разработан специализированный подход к классификации и оценке параметров сложных поверхностей по изображениям, отличающийся возможностью извлечения геометрических характеристик исследуемых поверхностей. Предложенный подход, основан на применении предобученной сегментационной нейросетевой модели HRNet, осуществляющей выделение на изображении целевого участка сложной поверхности, и ряде аналитических алгоритмов, реализующих оценку пространственного положения исследуемого участка поверхности. Согласно результатам проведенного тестирования, усредненные показатели точности (accuracy, recall, precision) классификации по углу наклона и по типу перепадов высот на тестовом наборе данных со-ставили {0.74, 0.68, 0.67} и {0.76, 0.68, 0,74} соответственно, при этом усредненная доля корректно классифицированных поверхностей по обоим классификациям составила 62,6%. Таким образом, предложенное решение позволяет успешно классифицировать различные поверхности по типу угла наклона и по типу перепадов высот, и, кроме того, осуществлять извлечение ряда геометрических характеристик сложных поверхностей, включая параметры, описывающие оптимальный вариант плоскостной аппроксимации пространственного распределения точек, принадлежащих сложной поверхности, а также набор параметров, характеризующих протяженность исследуемой поверхности.

На втором этапе реализации проекта рамках решения одной из основных задач проекта были разработаны специализированные алгоритмы, позволяющие формировать модели искусственных нейронных сетей, направленных на решение ОЗК различных формаций модульных РС. Анализ результатов проведенных экспериментов показал, что предложенное решение позволяет достичь высокой точности решения ОЗК у различных формаций РС с отличающимися кинематическими структурами. Ключевым преимуществом предложенного решения является возможность автоматической генерации обучающих выборок на основе кинематической структуры формации РС и ее дочерних подструктур, что позволяет получить модели искусственных нейронных сетей, направленные на решение обратной задачи кинематики сразу для целого ряда формаций модульной РС.

Также на данном этапе проекта в соответствии с предложенной ранее методикой были разработаны алгоритмы автоматической генерации элементов внешнего окружения (сложных поверхностей) с заданными параметрами. Данные алгоритмы позволяют создавать модели таких типов поверхностей, как горизонтальные плоские поверхности, плоские поверхности с произвольным наклоном, дугообразные поверхности, а также лестницы. При этом в качестве входных данных предложенные алгоритмы запрашивают лишь некоторые ключевые точки генерируемой поверхности относительно базовой системы координат, а также значения параметров, определяющих рельефность генерируемой поверхности. Алгоритмы специально разработаны для применения их выходных результатов в средах робототехнического моделирования и отличаются сравнительно низкой вычислительной сложностью, а также высокой вариативностью конфигураций генерируемых поверхностей. Кроме того, в ходе выполнения второго этапа проекта, согласно предложенной методике, был разработан метод оценки оптимальности характеристик механического движения формаций модульных РС по различным участкам рельефа помещений, представленных сложными поверхностями. Предложенный метод на основе таких параметров, как степень отклонения РС от расчетной траектории движения, степень отклонения скорости движения РС от целевого значения в процессе движения, степень равномерности движения РС, а также общее время движения РС по траектории позволяет осуществлять оценку оптимальности механического движения модульной РС в заданной формации. В рамках экспериментальной оценки предложенного решения были проведены симуляции движения формаций модульной РС по различным типам поверхностей с последующим применением разработанного метода. Также были получены экспертные оценки качества движения данной системы для всех проведенных симуляций. Было установлено, что экспертные оценки в большинстве случаев совпадают с результатами применения предложенного метода, а усредненное по типам поверхностей относительное отклонение между соответствующими оценками, не превышало 0,32 на тестовом наборе симуляций.

На заключительном этапе выполнения проекта в соответствии с ранее предложенной методикой был разработан и успешно протестирован метод, предназначенный для решения задачи определения оптимальной формации модульной РС из конечного множества формаций, исходя из характеристик отдельных участков рельефа помещений, по которым модульной РС предстоит осуществлять движение. Указанный метод, основан на применении модели машинного обучения, осуществляющей прогнозирование оптимальной формации модульной РС на основании входных данных, включающих характеристики сложной поверхности по которой РС предстоит осуществлять движение, а также данных, отражающих уровень приоритета отдельных характеристик механического движения модульной РС при выборе оптимальной формации. В процессе экспериментов, было обучено и протестировано несколько моделей машинного обучения, наилучшие результаты среди которых показала модель на основе метода случайного леса. По результатам тестирования предложенный метод продемонстрировал достаточно высокий уровень качества идентификации оптимальной формации в различных условиях окружения, достигнув точности в 76,3% по метрике (Averaged Accuracy – AAc) на валидационном наборе данных. Полученные результаты позволяют утверждать, что разработанный метод может успешно использоваться при решении широкого круга прикладных задач, предполагающих адаптивное управление формациями модульных РС в зависимости от специфики внешнего окружения.

В рамках заключительных работ над проектом было проведено комплексное тестирование разработанной методики, методов и алгоритмов посредством симуляции движения модульной РС в различных условиях окружения на отдельных участках смоделированной среды. Данная экспериментальная апробация проводилась с использованием среды виртуального моделирования Gazebo. В качестве исходных данных для моделирования была использована часть набора данных, сформированного для обучения модели машинного обучения, лежащей в основе метода определения оптимальных формаций для модульных РС. Предложенные в рамках проекта решения позволили в ходе тестирования достичь результирующей средней точности определения оптимальной формации модульной РС в 67,8%, что является достаточно высоким уровнем качества решения для столь комплексной задачи.

Таким образом, в ходе исполнения проекта научному коллективу удалось решить основные задачи, поставленные в рамках проекта, а также успешно реализовать и апробировать подход к выбору оптимальных формаций модульных РС в зависимости от геометрических характеристик сложных поверхностей участков пути РС, что в дальнейшем позволит добиться значительного повышения проходимости и эффективности движения модульных РС в подобных условиях.

Важнейшие результаты, полученные при реализации проекта:

1. Предложена методика выбора оптимальных формаций модульных РС исходя из специфики внешнего окружения. Посредством предложенной методики могут быть извлечены пространственные положения точек, принадлежащих исследуемой поверхности, что позволяет однозначно определить классы и иные параметры исследуемой поверхности. Передача полученной информации, а также значений признаков, связанных с требуемыми показателями качества движения РС, в качестве входных данных для модели выбора оптимальной формации модульной РС позволяет реализовать процесс определения оптимальных формаций, исходя из специфики внешнего окружения.

2. Предложена классификация сложных поверхностей, представляющих отдельные участки рельефа помещений, исходя из их геометрических характеристик. Разработанная классификация имеет высокий уровень обобщения, что позволяет унифицировать описание различных типов сложных поверхностей и их признаковое описание с сохранением в каждом конкретном случае данных о специфических особенностях исследуемой поверхности. Кроме того, в ходе реализации проекта был разработан специализированный подход к классификации и оценке параметров сложных поверхностей по изображениям, отличающийся возможностью извлечения геометрических характеристик исследуемых поверхностей. Данный подход основан на применении камеры глубины Intel RealSense D435, реализующей оценку расстояний от объектива камеры до участков сцены в метрических единицах, предобученной сегментационной нейросетевой модели HRNet, осуществляющей выделение на изображении целевого участка сложной поверхности, а также ряде аналитических алгоритмов, реализующих оценку ключевых параметров поверхностей и их классификацию. Согласно результатам проведенного тестирования, предложенное решение позволяет успешно классифицировать различные поверхности по типу угла наклона и по типу перепадов высот в соответствии с предложенной классификацией, и, кроме того, осуществлять извлечение ряда геометрических параметров сложных поверхностей, включая параметры, описывающие оптимальный вариант плоскостной аппроксимации пространственного распределения точек, принадлежащих сложной поверхности, а также набор параметров, характеризующих протяженность исследуемой поверхности.

3. Разработаны специализированные алгоритмы, позволяющие формировать модели искусственных нейронных сетей, направленных на решение ОЗК различных формаций модульных РС. Анализ результатов проведенных экспериментов показал, что предложенное решение позволяет достичь высокой точности решения ОЗК у различных формаций РС с отличающимися кинематическими структурами. Ключевым преимуществом предложенного решения является возможность автоматической генерации обучающих выборок на основе кинематической структуры формации РС и ее дочерних подструктур, что позволяет получить модели искусственных нейронных сетей, направленные на решение обратной задачи кинематики сразу для целого ряда формаций модульной РС.

4. Разработаны алгоритмы автоматической генерации элементов внешнего окружения (сложных поверхностей) с заданными параметрами. Данные алгоритмы позволяют создавать модели таких типов поверхностей, как горизонтальные плоские поверхности, плоские поверхности с произвольным наклоном, дугообразные поверхности, а также лестницы. При этом в качестве входных данных предложенные алгоритмы запрашивают лишь некоторые ключевые точки генерируемой поверхности относительно базовой системы координат, а также значения параметров, определяющих рельефность генерируемой поверхности. Алгоритмы специально разработаны для применения их выходных результатов в средах робототехнического моделирования и отличаются сравнительно низкой вычислительной сложностью, а также высокой вариативностью конфигураций генерируемых поверхностей.
5. Разработан метод оценки оптимальности характеристик механического движения формаций модульных РС по различным участкам рельефа помещений, представленных сложными поверхностями. Предложенный метод на основе таких параметров, как степень отклонения РС от расчетной траектории движения, степень отклонения скорости движения РС от целевого значения в процессе движения, степень равномерности движения РС, а также общее время движения РС по траектории позволяет осуществлять оценку оптимальности механического движения модульной РС в заданной формации. Апробация разработанного метода осуществлялась путем проведения серии симуляций движения различных формаций модульной РС по различным типам сложных поверхностей с последующей оценкой оптимальности характеристик механического движения РС в каждой из симуляций. Полученные результаты были верифицированы путем привлечения экспертной группы, выполнившей независимую оценку в отношении каждой из симуляций. В результате было установлено, что результаты экспертной оценки преимущественно совпадают с результатами оценки оптимальности движения формаций посредством разработанного метода. Относительное отклонение результатов работы предложенного метода от оценок, предоставленных экспертной группой для всех рассмотренных типов поверхностей, не превышает 0,32, что позволяет говорить о высоком прикладном потенциале предложенного метода при решении задач по оценке оптимальности характеристик механического движения формаций модульных РС.

6. В соответствии с ранее предложенной методикой разработан и успешно протестирован метод, предназначенный для решения задачи определения оптимальной формации модульной РС из конечного множества формаций, исходя из характеристик отдельных участков рельефа помещений, по которым модульной РС предстоит осуществлять движение. Указанный метод, основан на применении модели машинного обучения, осуществляющей прогнозирование оптимальной формации модульной РС на основании входных данных, включающих характеристики сложной поверхности по которой РС предстоит осуществлять движение, а также данных, отражающих уровень приоритета отдельных характеристик механического движения модульной РС при выборе оптимальной формации. В ходе экспериментальной апробации реализация соответствующей модели машинного обучения на базе случайного леса продемонстрировала достаточно высокий уровень качества идентификации оптимальной формации в различных условиях окружения, достигнув точности в 76,3% по метрики AAc на валидационном наборе данных. Полученные результаты позволяют заключить, что разработанный метод может успешно использоваться при решении широкого круга прикладных задач, предполагающих адаптивное управление формациями модульных РС в зависимости от специфики внешнего окружения.

Опубликовано 5 статей в научных журналах, индексируемых в базах Scopus/WoS, RSCI и РИНЦ. Результаты проведенных исследований представлены на 4 международных конференциях, с последующим опубликованием материалов в сборниках трудов данных научных мероприятий.