Содержание к диссертации
Введение
ГЛАВА 1. Подходы к построению информационной модели среды при решении задачи локальной навигации автономными мобильными роботами с нейросетевой системой управления 10
1.1 Анализ известных алгоритмов построения информационной модели среды для решения задачи локальной навигации 10
1.2. Особенности построения информационной модели среды для нейросетевой планировщика траектории движения АМР 29
1.3 Способы обработки зрительной информации в биологических системах зрения животных 35
1.4 Выводы 41
ГЛАВА 2. Синтез бионических алгоритмов построения информационной модели среды для нейросетевого планировщика 45
2.1 Обработка, интерпретация и представление дистантных данных для бионических алгоритмов 45
2.2 Синтез и исследование алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки 54
2.3 Оптимизация алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки 65
2.4 Синтез и исследование алгоритма формирования убывающих полей задержек вокруг выделенных объемных препятствий на базе математической модели информационной деятельности ганглиозных Off- клеток сетчатки 73
2.5 Синтез алгоритма построения информационной модели внешней среды для нейросетевого планировщика 77
2.6 Синтез алгоритма комплексирования данных от нескольких сенсоров для построения информационной модели внешней среды 80
2.7 Выводы 83
ГЛАВА 3. Экспериментальное исследование разработанных алгоритмов для решения задачи локальной навигации автономными мобильными роботами 87
3.1 Разработка программно-аппаратного комплекса верификации алгоритмов 87
3.2 Экспериментальные исследования на программно-аппаратном комплексе разработанных алгоритмов в условиях полигонов различной степени сложности 93
3.3 Практическое использование разработанных алгоритмов 102
3.4 Выводы 104
Заключение 107
Библиографический список 111
- Особенности построения информационной модели среды для нейросетевой планировщика траектории движения АМР
- Способы обработки зрительной информации в биологических системах зрения животных
- Синтез и исследование алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки
- Экспериментальные исследования на программно-аппаратном комплексе разработанных алгоритмов в условиях полигонов различной степени сложности
Введение к работе
Актуальность проблемы. В настоящее время мобильная робототехника востребована практически во всех отраслях деятельности человека, начиная от культурно-массовых предприятий и медицинских учреждений, заканчивая исследовательскими и военными проектами. Особенно остро стоит проблема применения автономных мобильных роботов (AMP) в условиях повышенной опасности и агрессивности внешней среды. Примерами таких условий могут быть возникающие в результате техногенных катастроф зоны химического или радиационного поражения, мониторинг и патрулирование труднодоступных мест, например, нефтепровод, пролегающий по шельфу морского дна, совместная работа AMP с людьми в условиях производственных помещений или складов с токсичными, взрывоопасными и радиоактивными материалами и т.п. Во всех этих случаях необходима автономная навигация мобильного робота в естественной, априори неформализованной динамически изменяющейся внешней среде.
Автономная навигация мобильных роботов подразумевает решение задач построения информационной модели внешней среды на основе данных, полученных от сенсоров, и планирования с помощью неё траектории движения AMP. Различным аспектам решения указанных задач посвящены работы как отечественных (Ю.В. Черну-хин, В.Х. Пшихопов, И.А. Каляев, Е.И. Юревич, В.П. Носков, И. В. Рубцов и др.), так и зарубежных (S.Thrun, R.Glasius, A.Komoda, SimonX. Yang, M. Ollis, K.Konolige, M.Otte) ученых. Несмотря на то, что разработаны достаточно эффективные алгоритмы автоматического планирования траектории движения AMP, методы их использования для организации адаптивного управления AMP, и требования к представлению внешней среды, широкому практическому применению данных методов препятствуют ограничения существующей алгоритмической базы оперативного построения адекватных и полных информационных моделей сред функционирования AMP. Адекватность и полнота информационной модели среды, прежде всего, необходима при локальной навигации AMP в условиях с повышенными требованиями к безопасности, а именно в производственных или складских помещениях с объемными препятствиями и работающими там людьми.
Известно, что задача обработки и интерпретации дистантных данных для построения метрических карт проходимости среды связана с времяемкими и вычислительно затратными операциями преобразования результатов измерений из системы координат сенсора в декартовую систему координат, что влечет за собой необходимость учета различных погрешностей, а также необходимость разрешения противоречивых данных, полученных в условиях динамически изменяющейся внешней среды. В свою очередь перспективные методы представления внешней среды, в которых информационная модель среды строится непосредственно в системе координат массива сенсорных данных, позволяют избежать ошибок и погрешностей при проециро-
вании данных между различными системами координат. Однако известные алгоритмы построения таких информационных моделей в условиях с объемными препятствиями не удовлетворяют критерию адекватности, что ведет к погрешностям при автоматическом синтезе траектории движения AMP. В то же время, результаты исследований в области обработки информации биологических зрительных систем, представленные в виде моделей клеток сетчатки и зрительной коры, позволяют интерпретировать и обрабатывать сенсорные данные в базисе, обладающем рядом преимуществ по сравнению с традиционными методами: параллельная природа вычислений, пространственная конфигурация параметров моделей и эффективное кодирование результирующих данных. В связи с этим возникает проблема разработки бионических алгоритмов, обеспечивающих построение адекватных и полных информационных моделей сред функционирования AMP в реальном масштабе времени.
Несмотря на актуальность отмеченной проблемы, исследования в области информационных моделей среды направлены на оптимизацию вычислительных затрат и увеличение размера охватываемой области восприятия внешней среды, что, однако, не позволяет качественным образом повлиять на оперативность построения и адекватность информационной модели. В связи с этим представляет интерес информационная модель проходимости внешней среды, используемая в бионическом нейросете-вом методе планирования, который был разработан в Таганрогском радиотехническом институте на кафедре вычислительной техники профессором Ю.В. Чернухиным. Информационная модель в данном методе однозначно определяет степень проходимости участков внешней среды, а существующие алгоритмы реализации критерия безопасности позволяют на её основе синтезировать траекторию движения AMP для условий повышенных требований к безопасности. Благодаря высокой производительности и относительной простоте аппаратной реализации нейросетевого планировщика траектории движения AMP, применение данного метода является перспективным. Задача разработки алгоритмов, обеспечивающих построение адекватной и полной информационной модели внешней среды для данного метода, и как следствие, позволяющих осуществлять планирование безопасных траекторий при локальной навигации AMP в сложной среде с объемными препятствиями, является весьма актуальной.
Целью диссертационной работы является разработка и исследование алгоритмов обработки, интерпретации и комплексирования сенсорных данных, алгоритмов построения информационной модели среды для решения задачи локальной навигации AMP с нейросетевым планировщиком траектории движения в реальном масштабе времени в условиях помещений с объемными препятствиями при повышенных требованиях к безопасности при перемещении. Примерами таких сред могут быть складские или производственные помещения, с работающими людьми.
Для достижения данной цели в диссертационном исследовании была поставлена задача разработки и исследования следующих бионических алгоритмов:
-
Алгоритм выделения объемных препятствий по дистантным данным с возможностью фильтрации препятствий с размером меньше заданного.
-
Алгоритм формирования конфигурируемых по размеру и протяженности убывающих полей задержек вокруг выделенных препятствий с размером больше заданного.
-
Алгоритм построения информационной модели априори неформализованной динамически изменяющейся внешней среды с объемными препятствиями для нейросетевого планировщика, обеспечивающего планирование траектории движения AMP на максимально безопасном расстоянии от препятствий.
-
Алгоритм комплексирования данных от нескольких сенсоров, один из которых используется для определения местоположение объектов препятствий, а другой для определения местоположения целевого объекта, позволяющее производить отображение целевого объекта в информационную модель среды с учетом полей зрения используемых сенсоров.
-
Создать программно-аппаратный комплекс для верификации разработанных алгоритмов и провести на нем натурные эксперименты на полигонах с объемными препятствиями.
Методы исследования: теоретические с использованием нейронных сетей, дискретных вычислительных систем, цифровой обработки изображений, элементов теории алгоритмов, и экспериментальные на основе специально разработанного программно-аппаратного комплекса.
Достоверность результатов диссертационного исследования подтверждается корректным математическим обоснованием предложенных бионических алгоритмов, результатами их программного моделирования и натурных экспериментов.
Научная новизна заключается в разработке:
-
алгоритма выделения объемных препятствий по дистантным данным, отличающегося от известных тем, что он не требует преобразования результатов измерений в метрическое представление в декартовой системе координат, и обеспечивает возможность фильтрации препятствий с размерами меньше заданного за счет использования математической модели рецептивного поля ганглиозных On- / Off- клеток сетчатки;
-
алгоритма формирования убывающих полей задержек вокруг выделенных препятствий, отличающегося от известных тем, что он предоставляет возможность конфигурации протяженности, размеров и скорости убывания поля задержек, а также фильтрации препятствий с размерами меньше заданного, за счет использования математической модели рецептивного поля Off- клеток сетчатки;
-
алгоритма построения информационной модели среды для нейросетевого планировщика, отличающегося от известных, тем, что он позволяет обеспечивать движение между препятствиями на максимально безопасном удалении от них без перехода в метрическое представление в декартовой системе координат;
4) алгоритма комплексирования данных от нескольких сенсоров, отличающегося от известных тем, что он является инвариантным к способу определения целевого объекта в канале технического зрения, и позволяет производить его отображение в информационную модель среды с учетом полей зрения используемых сенсоров.
Полученные в ходе диссертационного исследования результаты соответствуют пунктам «Применение бионических принципов, методов и моделей в информационных технологиях» и «Исследование информационных структур, разработка и анализ моделей информационных процессов и структур» паспорта специальности 05.13.17 «Теоретические основы информатики».
Научные результаты, выносимые на защиту:
-
Алгоритм выделения объемных препятствий по дистантным данным.
-
Алгоритм формирования убывающих полей задержек вокруг выделенных препятствий.
-
Алгоритм построения информационной модели среды для нейросетевого планировщика движения AMP.
-
Алгоритм комплексирования данных от нескольких сенсоров при построении информационной модели среды для нейросетевого планировщика движения AMP.
Практическая значимость полученных результатов диссертационной работы заключается в том, что они ориентированы на использование при автоматизации задач безопасного перемещения автономных мобильных транспортных роботов с опасными грузами в условиях ограниченного пространства маневрирования, например в условиях производственных или складских помещений.
Практическое использование полученных результатов. Разработанный в процессе диссертационного исследования программный комплекс имеет свидетельство о государственной регистрации программы для ЭВМ, практические результаты также отражены в соответствующих актах о внедрении в НИР № 01201260083 проводимой на кафедре Вычислительной Техники Южного Федерального Университета, а также в НИР ОАО «Научно-конструкторское бюро вычислительных систем».
Апробация результатов работы. Основные научные результаты диссертационной работы докладывались и обсуждались на международных научных конференциях (XV Международной конференции по нейрокибернетике, 2010, XVI Международной конференции по нейрокибернетике, 2012), научно-технических конференциях («Техническое зрение в системах управления» 2012, 2013 Институт космических исследований РАН), всероссийских НТК с международным участием: «Компьютерные и информационные технологии в науке, инженерии и управлении» (КомТех 2012, КомТех 2013), всероссийской научной конференции (ИТСАУ 2011). Основные результаты диссертации опубликованы в 6 статьях, 2 из которых включены в перечень изданий, рекомендованных ВАК.
Структура и объём работы. Диссертация состоит из введения, трех глав, заключения, библиографического списка и двух приложений. Основное содержание
диссертации изложено на 115 страницах, содержит 73 рисунка и 6 таблиц. Список использованных источников включает 42 ссылки на научную библиографию по теме проводимых исследований в диссертационной работе.
Особенности построения информационной модели среды для нейросетевой планировщика траектории движения АМР
Как видно имеются алгоритмические проблемы, связанные с тем, что информационная модель среды неоднозначно определяет степень проходимости и не позволяет реализовать перемещение АМР на максимально безопасном удалении от препятствий.
Наряду с традиционными алгоритмами поиска пути на графе типа A , D или же различных модификаций полей потенциалов, известны и нейросе-тевые методы планирования [8; 9; 23; 27]. В работе [8] представлен бионический нейросетевой метод планирования траектории движения АМР, который обладает высокой производительностью (в случае аппаратной реализации вычислительная сложность O(N)), а функциональные состояния элементов нейронной сети формально-логического типа позволяют адекватно отражать состояние внешней среды: препятствие, цель, проходимый участок с заданной степенью проходимости. Отличительными особенностями бионического нейросетевого метода планирования являются высокая производительность, простота аппаратной реализации, а также сопоставление степени проходимости участков внешней среды времени задержки при распространении волны возбуждения в нейросети. Экспериментальные исследования и верификация метода производились на различных макетах, СТЗ АМР одного из которых была представлена в виде радиального светочувствительного датчика (см. рисунок 1.13 [9]). Расположение фасеток в датчике взаимно-однозначно определяло положения препятствий (черные плоские объекты) и цели (яркий объект) во внешней среде относительно текущего положения АМР. Информационная модель внешней среды находится в квазистационарном состоянии, т.е. время необходимое для восприятия информации о внешней среде сенсорной подсистемой дистантного типа и время необходимое для обработки информации о внешней среде бортовым вычислителем и для принятия решения о направлении движения, значительно меньше времени движения робота в выбранном направлении [8]. Рисунок 1.13 – Интеллектуальный мобильный робот, решающий задачу локальной навигации на полигоне с препятствиями, представленными черными плоскими объектами, и целью, представленной яркой лампой Совместно с существующими алгоритмами реализации критерия безопасности [13], основывающимися на воспроизведении в нейронной сети убывающих полей задержек объектов-препятствий, данный метод позволяет синтезировать траекторию движения АМР в условиях повышенных требований к безопасности при наличии сформированной информационной модели внешней среды. В связи с этим возникает задача разработки и исследования алгоритмов обработки и интерпретации дистантных данных с целью построения информационной модели априори неформализованной динамически изменяющейся среды с объемными препятствиями для нейросетевого планировщика траектории движения АМР. 1.2. Особенности построения информационной модели среды для нейросетевой планировщика траектории движения АМР
Нейросетевой метод планирования траектории, описанный в работе [8], подразумевает построение информационной модели среды в эгоцентрической системе координат, это означает, что информационная модель внешней среды всегда формируется для текущего положения АМР в пределах восприятия расположенных на борту АМР сенсоров. Информационная модель среды, автоматически формируемая в процессе функционирования АМР, представляет собой граф с определенным шаблоном соседства, где каждая вершина графа уникально определяет состояние участка внешней среды функционирования робота: целевой участок, непроходимый (препятствие) или проходимый. Процесс планирования представляет собой волновой процесс прохождения сигналов через свободные вершины, причем источником распространения служит целевая вершина. Фиксация фронта волны производится в вершине соединенной с вершинами нижней строки графа. Полученное направление совпадает с единичным шагом оптимальной траектории движения АМР [8].
Обеспечения критерия максимально безопасного планирования траектории движения АМР осуществляется с помощью убывающих полей задержек объектов-препятствий (см. рисунок 1.14), формируемых в процессе построения информационной модели внешней среды [13]. Пример влияния таких полей на формируемую траекторию движения АМР представлен на рисунке 1.15. Как видно из рисунка, синтезированная траектория пролегает на максимально удалении от препятствий, что минимизирует риск столкновения. Поля задержек объектов-препятствий, представляют собой коэффициенты задержки волны возбуждения для нейроэлемента в нейросети формальнологического типа. Формирование полей производится вокруг препятствий, а значения коэффициентов уменьшаются при удалении от препятствий.
Способы обработки зрительной информации в биологических системах зрения животных
Распространение волны возбуждения производится как на нейроэлементы нейросети, так и на нейроэлементы дополнительного слоя. Как и прежде, вход многостабильного триггера, на который приходит фронт волны возбуждения раньше других, определяет оптимальное направление движения робота.
Таким образом, для того чтобы построить информационную модель внешней среды для нейросетевого планировщика траектории движения АМР, требуется произвести классификацию участков среды на препятствия, свободные и целевые участки, сформировать убывающие поля задержек вокруг участков препятствий, после чего произвести комплексирование массивов выделенных препятствий, полей задержек и целевых участков. Обработка массивов дистантных данных традиционными методами с последующим представлением в виде метрической карты не позволяет обеспечить режим работы в реальном масштабе времени, а рассмотренные методы построения информационной модели среды без перехода в декартовую систему координат не производят классификации дискретных участков на препятствия и свободные участки. Исходя из этого, необходимо исследовать альтернативные способы обработки, интерпретации и комплексирования дистантных данных с целью дальнейшего построения информационной модели среды для синтеза траектории движения АМР нейросетевым планировщиком.
Зрительная система многих животных и человека играет ключевую роль в восприятии внешнего мира. С помощью зрительной системы производится извлечение метрической (форма, расстояние до объектов и т.п.), а также семантической (категоризация, распознавание и т.д.) информации из внешней среды в широко варьируемых условиях освещенности. Помимо устойчивости и адаптации к изменчивым условиям освещенности, зрительная система с высокой скоростью преобразовывает и обрабатывает световые стимулы па 36 раллельным образом, что делает привлекательным исследование данных механизмов в ключе применения к формированию информационной модели внешней среды для нейросетевого планировщика траектории движения АМР. Зрительные системы млекопитающих исследовались в течение многих лет учеными медицинских университетов всего мира, в результате чего была накоплена фундаментальная теоретическая база. Ключевые механизмы, связанные с восприятием, кодированием и обработкой зрительной информации отражены в таких работах, как [7; 21; 24; 32].
Для зрительной системы млекопитающих характерна многоуровневая схема (см. рисунок 1.22 [7]) обработки информации, полученной от специализированных светочувствительных рецепторных клеток сетчатки – палочек (активны при слабом освещении) и колбочек (активны при ярком освещении, ответственны за восприятие тонких деталей и цветовое зрение). Палочки и колбочки располагаются на задней поверхности сетчатки (см. рисунок 1.23 [7]), таким образом, свет, прежде чем достигает их, проходит через два слоя нервных клеток сетчатки – биполярного и ганглиозного слоя, ответственных за передачу и кодирование информации.
Рисунок 1.22 – Уровни зрительной системы млекопитающих Следующий после рецепторного биполярный слой содержит нейроны трех типов: биполярные, горизонтальные и амакриновые клетки. Биполярные клетки соединены как с рецепторами, так и с ганглиозными клетками. Горизонтальные клетки соединяют рецепторы и биполярные клетки длительными связями, идущими параллельно сетчаточным слоям, подобным образом амакриновые клетки связывают биполярные клетки с ганглиозными. Рисунок 1.23 – Фрагмент сетчатки, на котором показано относительное расположение слоев Информационный поток от рецепторов внутри сетчатки проходит несколькими путями. Прямой путь пролегает от фоторецепторов к биполярным и далее к ганглиозным клеткам. Спецификой данного пути является малое количество связей между клетками (биполярная клетка имеет связи с одним или несколькими фоторецепторами, аналогично ганглиозная клетка имеет небольшое количество связей от биполярных клеток). Непрямой путь содержит широкие латеральные (боковые) связи, обусловленные включением горизонтальных клеток между фоторецепторами и биполярными клетками, а так же включением амакриновых клеток между биполярными и ганглиозны-ми клетками (см. рисунок 1.24 [7]). Рисунок 1.24 – Поперечный разрез сетчатки с изображенными слоями фоторецепторов, биполярных и ганглиозных клеток Прямой и непрямой путь передачи информации от фоторецепторов формируют рецептивное поле ганглиозной клетки сетчатки, активность которой зависит от возбуждения фоторецепторов, а затем соответственно и биполярных клеток. Под рецептивным полем клетки понимается совокупность нейронов, посылающих данной клетке сигналы через один или большее число синапсов. Размер рецептивных полей и количество фоторецепторов, относящихся к одному рецептивному полю, варьируется в зависимости их расположения на сетчатке глаза. Рецептивные поля минимального размера находятся в области центральной ямки, за счет чего острота зрения в данной области максимальная, а наибольшего размера приходятся на периферию сетчатки, что позволяет быстро оценивать крупные наблюдаемые объекты.
Ганглиозные клетки подразделяются на клетки с On- центром и с Off-центром [32] (см. рисунок 1.25 [7]). Клетка с On- центром возбуждается, если световой стимул располагается в области центра рецептивного поля, в результате чего производится импульсация сигналов с высокой частотой (On-реакция). Если световой стимул появляется на определенном расстоянии от центра (на периферии рецептивного поля), то клетка подавляет импульсацию на время предъявления стимула, и разряжается с повышенной частотой после его выключения (Off- реакция).
Синтез и исследование алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки
На рисунках 2.6 и 2.7 показаны результаты работы представленного алгоритма. Как видно из рисунков, области тени слева от препятствий и ошибки измерений были скомпенсированы за счет соседних пикселей изображения. Улучшить качество представленных изображений можно также и за счет интерполяции по соседним пикселям, значения интенсивности которых отличны от 0, однако вычислительная сложность при этом значительно возрастает. Полученные в результате 2D проекции, представляют собой изображения, на которых объекты имеют яркости отличные от фона, представляющего собой подстилающую поверхность. Градиентная природа фона объясняется гладкостью подстилающей поверхности, а также тем, что датчик глубины направлен под определенным углом к поверхности, в результате чего перспективные искажения дают линейно возрастающий градиент значений. В естественной среде, где поверхность имеет значительное число выступов и впадин, линейного распределения, очевидно, не будет, тем не менее, препятствия будут также выделяться из-за разницы высот с подстилающей поверхностью (примерами таких сред могут быть грунтовая дорога, пересеченная местность с камнями и ямами, и т.п.).
Рисунок 2.6 – 2D проекция, полученная гистограммным методом (а), после компенсирования погрешности сенсора (б) Стоит отметить, что в разработанных и представленных ниже алгоритмах используются сенсорные данные в оригинальном формате (16 бит, беззнаковый) для сохранения точности вычислений, однако при этом также используется алгоритм компенсирования погрешностей измерения расстояний датчиком глубины.
Рисунок 2.7 – 2D проекция, полученная нормализацией и приведением к диапазону [0..255] (а), после компенсирования погрешности сенсора (б) Таким образом, дистантные данные, представленные в формате двумерного
массива R, значения ri,j элементов которого являются расстоянием до точки измерения во внешней среде, а расположение элементов массива топологически связаны с соответствующими им положениями измерений, могут быть интерпретированы как изображение с одним цветовым каналом. Такая интерпретация позволяет применять алгоритмы обработки изображения для коррекции ошибок измерений сенсора, выделения объектов, и т.д. Учитывая тот факт, что препятствия на изображении дистантных данных выделены по сравнению с окружающим фоном, их границы представляют собой локальные изменения расстояний, а рассмотренные модели информационной деятельности ганглиозных On- / Off- клеток сетчатки позволяют эффективно определять локальные контрасты и их окрестности, то необходимо разработать на базе этих моделей алгоритмы, позволяющие выделять объемные препятствия и формировать вокруг них (в их окрестности) убывающие поля задержек с целью последующего комплексирования и построения информационной модели среды для нейросетевого планировщика траектории движения АМР. 2.2 Синтез и исследование алгоритма выделения объемных препятствий на базе математической модели информационной деятельности ганглиозных On- \ Off- клеток сетчатки
Предложенная Энрот-Кугелем и Робсоном математическая модель рецептивного поля, аппроксимирующая информационную деятельность ганглиозных клеток сетчатки, представляет собой разность двух распределений по Гауссу (см. рисунок 2.8). В зависимости от параметров гауссиан (стандартное отклонение) и порядка или очередности вычитания, будет сформирована модель рецептивного поля On- или Off- типа. Данная модель не учитывает динамику процессов, происходящих при обработке информации в сетчатке глаза, а также не учитывает непрямые пути передачи информации из удаленных частей сетчатки, но, тем не менее, позволяет воспроизводить механизм выявления локальных контрастов (изменений).
Рисунок 2.8 - Графики распределения по Гауссу (синий под номером 1 с а = 4, зеленый под номером 2 с а = 1.5), а также их разницы (красный под номером 3) Выражение (15) одномерного представления функции «Разница по Гауссу» может быть представлено в двумерном виде как [1]:
б) Рисунок 2.9 - График функции «Разница по Гауссу» для стхі = с уі = 2 и Стх2 = сгу2 4, А = 1, х0 = 0, уо = 0, вид сбоку (а) и вид сверху (б) Область, в которой значения функции больше 0 соответствуют центральной зоне рецептивного поля, а кольцеобразная область, в которой значения меньше 0, соответствует периферийной зоне рецептивного поля. Как видно из приведенных графиков, предложенная Энрот-Кугелем и Робсоном модель рецептивного поля ганглиозных клеток On-типа позволяет выделять контрастную область на участке изображения. Размер выделяемой контрастной области определяется размерами ядер и стандартным отклонением гауссиан.
Исходя из того, что препятствия и их границы являются локальными изменениями в двумерном массиве дистантных данных, то применяя фильтр «Разница по Гауссу» будет произведено их выделение по внутреннему контуру. Если требуется выделять небольшие объекты в двумерном массиве дистантных данных (высокочастотные составляющие), необходимо использовать гауссиан с малым стандартным отклонением, для выделения крупных объектов необходимо использовать соответственно большее стандартное отклонение. Неконтрастные области изображения или области контраста меньшие размера ядра фильтра будут либо отфильтрованы, либо представлять собой однородную размытую область, которая будет отфильтрована пороговой обработкой.
На рисунке 2.10 (а) показана визуализация дистантных данных, построенная с помощью приведения к диапазону [0..255], на рисунке (б) представлен результат фильтрации «Разница по Гауссу» с параметрами ядер kj=7, сті = 3, k2=51, a2 = 15, с последующей нормализацией и пороговой обработкой. Как видно из рисунка, выделенные препятствия представлены в виде контрастов разного размера. Наиболее полное выделение характерно для препятствий соразмерных ядру фильтра «Разница по Гауссу». Границы выделенных препятствий после фильтрации имеют сглаженный контур (в связи с тем, что гауссиан из которого производится вычитание, имеет стандартное отклонение аі = 3). Нормализация результатов фильтрации производится только лишь с целью наглядного представления.
Экспериментальные исследования на программно-аппаратном комплексе разработанных алгоритмов в условиях полигонов различной степени сложности
Стоит отметь, что фильтрация исходного двумерного массива дистантных данных фильтрами «Разница по Гауссу» может производиться параллельным образом. В общем случае, когда размеры фильтров могут быть достаточно большими (от 25 и выше) задача двумерной фильтрации «Разницей по Гауссу» наиболее эффективно решается посредством быстрого преобразования Фурье (сложность O(N logN)), а именно требуется произвести прямое преобразование Фурье изображения и фильтра, поэлементное умножить полученные спектры, и произвести обратное преобразование Фурье. Таким образом, программная реализация данного алгоритма может быть оптимизирована как с помощью параллельного выполнения фильтрации, так что за счет реализации самого процесса фильтрации. В таблице 3 приведены временные характеристики работы алгоритма выделения препятствий при программной реализации на языке C++ с использованием открытой библиотеки компьютерного зрения OpenCV. Характеристики представлены зависимостью времени работы алгоритма от размера двумерного массива данных и размера ядра фильтра «Разница по Гауссу». Оценка временных характеристик производилась на ПЭВМ с процессором AMD Phenom II (тактовая частота 2 ГГц, 4 ядра) под управлением операционной системы Windows 7. В программной реализации не производилась оптимизация с распараллеливанием вычислений по нескольким потокам для фильтрации исходных данных. Как видно из таблицы 2.1, программная реализация без оптимизации позволяет на доступном для бортовых систем процессоре позволяет организовать вычисления в реальном масштабе времени для разрешений 160x120, 320x240, а также 640x480 при размере ядра фильтра до 35. Однако в случае параллельной фильтрации на многоядерных ЦОС данные характеристики могут быть значительно улучшены.
Результатом работы алгоритма является двумерный массив чисел, где нулевое значение элемента массива означает отсутствие препятствия, а значение больше 0, означает наличие препятствия. Интенсивность выделенных препятствий является интегральным показателем оптимальности выбранных параметров ядра фильтра, а также геометрического расположения объекта на поверхности. Полученный двумерный массив топологически соответствует исходному массиву дистантных данных. Это означает что, для выделенных препятствий могут быть получены соответствующие им значения расстояний. Результат работы алгоритма приведен на рисунке 2.15.
Визуализация дистантных данных (a) и изображение, полученное комплексированием изображений с выделенными препятствиями и стыками (б) В случае, когда необходимо интерпретировать рядом стоящие препятствия как одно целое препятствие, может быть использован фильтр «Разница по Гауссу» с параметрами ядра (размер ядра должен быть больше размера промежутка между препятствиями), позволяющими давать On- ответ при наличии промежутка между локальными контрастами, как это показано на рисунке 2.16. Регулируя размеры ядер и пороговое значение, производится настройка на размер промежутка между препятствиями, а также исключается ложное формирование цельного препятствия в случае, когда одно из препятствий находится дальше или ближе от «визуально» находящегося рядом препятствия. Такая интерпретация может быть также полезна для целостного представления препятствий с неоднородной структурой (например, решетка из прутьев, кусты и др. объекты, состоящие из большого числа объектов меньшего размера). В связи с тем, что размеры ядра фильтра «Разница по Гауссу» при этом становятся значительными, то фильтрацию необходимо производить в частотной области.
Таким образом, исходными данными для разработанного алгоритма выделения препятствий является двумерный массив дистантных данных или же карта диспарантности. Дистантные данные представляют собой двумерный массив, где значение каждого элемента представляет собой расстояние от сенсора до точки внешней среды, а расположение элементов массива топологически соответствует точкам измерения во внешней среде (соседние элементы массива имеют соответствующие соседние точки во внешней среде). Объекты внешней среды, частично или полностью попадающие в область измерения сенсора, отражаются в дистантных данных как совокупность элементов с приблизительно равными значениями, а их границы как изменения значений соседних элементов массива.
Модели рецептивных полей ганглиозных клеток сетчатки предоставляют механизм выявления локальных контрастов (изменений) в области определенного размера или же окрестностей локальных контрастов, что позволяет использовать их для выделения объектов произвольных размеров и формы частично или полностью попадающих в область измерения сенсора. В условиях, когда дистантные данные имеют плавный непрерывный характер изменения значений (различные стыки объектов с поверхностью), определение переходов производится за счет использования математической модели рецептивного поля ганглиозных Off- клеток сетчатки. Точность выделения препятствий в двумерном массиве дистантных данных может быть увеличена за счет использования набора ядер фильтра «Разница по Гауссу» с варьируемыми размерами и пространственной конфигурацией.
