ВИЗУАЛЬНАЯ НАВИГАЦИЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ С ИСПОЛЬЗОВАНИЕМ СЕМАНТИЧЕСКИХ ОПИСАНИЙ МЕСТНОСТИ
Аннотация
Рассматривается задача визуальной навигации беспилотных летательных аппаратов (БЛА), которая заключается в автоматическом определении текущего положения БЛА (коорди- нат в земной (местной) системе координат), на основе сравнения и идентификации описаний при- нимаемых на борту текущих изображений (ТИ) подстилающей поверхности и эталонных описаний, хранящихся в виде цифровой карты местности в памяти бортового вычислителя БЛА. Целью работы является повышение эффективности применения методов визуальной навигации, с точки зрения повышения вычислительной производительности, устойчивости и точности алгоритмов идентификации изображений в сложных и изменяемых условиях наблюдения, за счет использова- ния семантических описаний наблюдаемых сцен. В данной работе под семантическими описания- ми будем понимать описания, включающие классы наблюдаемых на сцене объектов, атрибуты этих объектов и отношениями между ними. Подготовка семантических описаний карты произ- водится на этапе предполетной подготовки БЛА с помощью предварительно обученных нейрон- ных сетей семантической сегментации. Семантические описания принимаемых ТИ формируются на борту БЛА. При этом использование нейросетевых алгоритмов позволяет реализовать этот процесс в реальном времени для широкого спектра условий наблюдений (различного времени суток и года). Использование семантических описаний карты и ТИ позволяет сократить вычисления по сравнению с традиционным попиксельным сопоставлением растровых изображений. Семантиче- ские описания сравниваются путем сопоставления классов объектов, их атрибутов и отношений. В работе приведены: общий алгоритм визуальной навигации, основные этапы методики формиро- вания семантических описаний и алгоритм сравнения и идентификации семантических описаний ТИ и описаний карты. Предложен иерархический алгоритм сравнения и идентификации изобра- жений, основанный на последовательном применении семантических, и растровых описаний на- блюдаемых сцен. Показано, что использование процедуры сравнения семантических описаний ТИ и карты по присутствующим классам объектов позволяет существенно совратить вычисления, необходимые для идентификации изображений
Список литературы
1. Веремеенко К.К., Желтов С.Ю., Ким Н.В. и др. Современные информационные технологии в
задачах навигации и наведения беспилотных маневренных летательных аппаратов / под ред.
М.Н. Красильщикова, Г.Г. Себрякова. – М.: Физматлит, 2009. – 556 с.
2. Али Б., Садеков Р.Н., Цодокова В.В. Алгоритмы навигации беспилотных летательных аппаратов
с использованием систем технического зрения // Гироскопия и навигация. – 2022. – Т. 30, № 4
(119). – С. 87-105.
3. Красовский А.А., Белоглазов И.Н, Чигин Г.П. Теория корреляционно-экстремальных навигаци-
онных систем. – М.: Наука, 1979.
4. Баклицкий В.К., Бочкарев А.М., Мусьяков М.П. Методы фильтрации сигналов в корреляционно
экстремальных системах навигации. – М.: Радио и связь, 1988.
5. Ким Н.В. Обработка и анализ изображений в системах технического зрения: учеб. пособие.
– М.: Изд-во МАИ, 2001. – 164 с.
6. Горелик А.Л., Скрипкин В.А. Методы распознавания. – М.: Высшая школа, 1989. – 232 с.
7. Команда Лаборатории приборов, 2021, Оценка ошибки вычисления навигации инерциальными
модулями. – https://mp-lab.ru/navigation-error-estimation/?ysclid=lyg5vzaxqg875561868 (21 August
2024).
8. Pazychev D., Sadekov R. Simulation of INS Errors of Various Accuracy Classes. – 2020. – 1-3.
– https://doi.org/10.23919/ICINS43215.2020.9133869.
9. Семантическая сегментация изображений с использованием видимого и ближнего инфракрас-
ного каналов. – URL: https://habr.com/ru/articles/723646/ (дата обращения: 17.10.2024).
10. Vijay Badrinarayanan, Alex Kendall. SegNet: A Deep Convolutional EncoderDecoder Architecture
for Image Segmentation. – 2016. – C. 14.
11. Liang-Chieh Chen, George Papandreou. DeepLab: Semantic Image Segmentation with Deep Convolutional
Nets, Atrous Convolution, and Fully Connected CRFs. – 2017. – C. 14.
12. Shotton J., Winn J., Rother C., and Criminisi A. Textonboost for image understanding: Multi-class
object recognition and segmentation by jointly modeling texture, layout, and context // IJCV. – 2009.
13. Shotton J., Johnson M., and Cipolla R. Semantic texton forests for image categorization and segmentation
// in CVPR. – 2008.
14. Fulkerson B., Vedaldi A., and Soatto S. Class segmentation and object localization with superpixel
neighborhoods // in ICCV. – 2009.
15. Старовойтов В.В., Голуб Ю.И. Об оценке результатов классификации несбалансированных
данных по матрице ошибок // Информатика. – 2021. – Т. 18, № 1. – C. 61-71.
16. Лукашик Д.В. Анализ современных методов сегментации изображений // Экономика и качество
систем связи. – 2022. – № 2.
17. Zhongzhi Shi. Intelligence Science. Leading the Age of Intelligence. – Tsinghua University Press,
2021. – https://doi.org/10.1016/C2020-0-02066-9.
18. Коновалов К.Д. Алгоритм планирования маршрута БПЛА в условиях недостатка визуальных
ориентиров // Системы анализа и обработки данных. – 2024. – № 2 (94). – С. 37-54.
19. Zheng G., Jiang Z., Zhang1 H., Yao X. Deep semantic segmentation of unmanned aerial vehicle remote
sensing images based on fully convolutional neural network // Frontiers in Earth Science. – 2023.
– 11. – P. 12.
20. Pratap Singh K., Salvador J., Weihs L., Kembhavi A. Scene Graph Contrastive Learning for Embodied
Navigation // IEEE/CVF International Conference on Computer Vision (ICCV). – 2023. – P. 10884-
10894.
