ПРОГРАММНО-АППАРАТНЫЕ СРЕДСТВА ДЛЯ БОРТОВЫХ СИСТЕМ ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ ПОДВИЖНЫХ СРЕДСТВ С ИСПОЛЬЗОВАНИЕМ СТЗ

Аннотация

Целью исследования является повышение эффективности информационного обеспе-чения автономных подвижных средств с использованием зрительных данных и технологий его разработки за счёт рационального использования нетрадиционных вычислителей и специальной подготовки алгоритмического обеспечения. Использование нетрадиционных, гетерогенных вычислительных средств позволяет существенно расширить круг задач об-работки зрительных данных в масштабе реального времени и, тем самым, увеличить си-туационную осведомлённость автономных РТК и оперативность её получения. Рацио-нальное использование нетрадиционных вычислителей требует существенной переделки алгоритмического обеспечения. Большинство алгоритмов применяемых при обработке изображений, были разработаны в расчёте на реализацию на традиционных, фон-Неймановских архитектурах вычислителей и требуют существенных усилий для реализа-ции на параллельных структурах и разработки специальных инструментальных средств программирования. В работе сделан акцент на исследования в области использовании ПЛИС и рассмотрен ряд подходов в специальной подготовке необходимого алгоритмического обеспечения. В качестве модельных, демонстрационных примеров использования не-традиционных вычислителей рассмотрена реализация таких алгоритмов обработки зри-тельных данных, которые активно используются в широком круге задач информационного обеспечения целенаправленных перемещений мобильных РТК. Описана подготовка и реали-зация на ПЛИС таких алгоритмов, как построение гистограмм, вычисление оптического потока, сегментация изображений. Приведены результаты экспериментов на действующих макетах бортовых вычислителей. В качестве исходных данных использованы зрительные данные, собранные при движении мобильных средств в условиях естественной среды. Всё используемое программное обеспечение выполнено на основе унифицированного каркаса программного обеспечения систем технического зрения реального времени отечественной разработки. В заключении обсуждаются дальнейшие шаги в указанном направлении, с учё-том стремления к использованию отечественных программно-аппаратных средств.

Авторы

  • С.М. Соколов «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН)
  • А. А. Богуславский «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН)
  • С. А. Романенко «Федеральный исследовательский центр Институт прикладной математики им. М.В. Келдыша Российской академии наук» (ИПМ им. М.В. Келдыша РАН)

Список литературы

1. Mar'yasin A.V., Manilenko I.N., Mikhaylov M.A., Perov I.A., Samarin O.F., Savost'yanov V.Yu., Il'in E.M. Tsifrovaya vychislitel'naya mashina dlya sovremennykh malogabaritnykh bortovykh radiolokatsionnykh stantsiy [Digital computer for modern small-size onboard radar stations], Vestnik SibGUTI [Vestnik SibGUTI], 2016, № 3, pp. 15-31.
2. Dashevskiy V.P., Bizin M.M. Obzor vozmozhnostey bortovykh vychisliteley [An overview of the capabilities of onboard computers], Doklady TUSURa [Proceedings of TUSUR], Sentyabr' 2015, No. 3 (37), pp. 924-929.
3. Lukin N.A. Bortovye funktsional'no-orientirovannye protsessory na osnove odnorodnykh vychislitel'nykh sred dlya mobil'nykh sistem real'nogo vremeni [Onboard functional-oriented processors based on homogeneous computing environments for mobile real-time systems], Fundamental'nye issledovaniya [Fundamental study], 2015, No. 12.
4. Chip Google Tensor Processor uprostit protsess mashinnogo obucheniya i vernet silu zakonu Mura. 3DNews [The Google Tensor Processor chip will simplify the machine learning process and restore the power of Moore's law. 3DNews]. Available at: https://3dnews.ru/933239.
5. Blok Google TPU vtorogo pokoleniya v zadachakh mashinnogo obucheniya demonstriruet proizvoditel'nost' vyshe, chem u GPU Nvidia GV100. iXBT.com [The second-generation Google TPU block in machine learning tasks demonstrates higher performance than the Nvidia GV100 GPU. iXBT.com]. Available at: https://www.ixbt.com/ news/2017/05/19/google-tpu-gpu-nvidia-gv100.html.
6. Podrobnosti o tenzornom soprotsessore Google TPU. Servernews [Details about the Google TPU tensor coprocessor. Servernews]. Available at: https://servernews.ru/957543.
7. Molaletsa Namoshe, Oduetse Matsebe and Nkgatho Tlale. Sensor Fusion and Its Applications, Feature extraction: techniques for landmark based navigation system, pp. 347-374.
8. Nützi G. et al. Fusion of IMU and Vision for Absolute Scale Estimation in Monocular SLAM, Journal of Intelligent & Robotic System. 2011. Vol. 61. pp. 287-299.
9. Engel J., Schöps T., Cremers D. LSD-SLAM: Large-Scale Direct Monocular SLAM, Proc. of the ECCV 2014, 2014, pp. 834-849.
10. Labbé M., Michaud F. RTAB-Map as an open-source lidar and visual simultaneous localiza-tion and mapping library, Journal of Field Robotics, 2018, pp. 1-31.
11. Gomez-Ojeda R. et al. PL-SLAM: A Stereo SLAM System Through the Combination of Points and Line Segments, IEEE Transactions on Robotics, 2019, Vol. 35, No. 3, pp. 734-746.
12. Galagan P., Kuz'minskiy L., Sorokin A. Reshenie zadach mashinnogo zreniya na baze geterogennoy platformy GRIFON [Solving machine vision problems based on the heterogene-ous GRYPHON platform], Control Engineering Rossiya [Control Engineering Russia], 2018, No. 1 (73), pp. 38-43.
13. Galagan P. Platforma GRIFON dlya resheniya zadach vstraivaemykh sistem spetsial'nogo naznacheniya [Gryphon platform for solving problems of embedded special purpose systems], Sovremennye tekhnologii avtomatizatsii [Modern automation technologies], 2015, No. 4.
14. Boguslavsky A.A., Sokolov S.M. Component Approach to the Applied Visual System Software Development, 7th World Multiconference on Systemics, Cybernetics and Informatics (SCI 2003), July 27-30, Orlando, Florida, USA, 2003.
15. Sokolov S.M., Boguslavsky A.A. Intellectual Images Processing for a Realtime Recognition Problem, Proc. The 2nd Intern. Multi-Conf. on Complexity, Informatics and Cybernetics (IMCIC2011), Orlando, Florida, USA, March 27th-30th, 2011, Orlando, Florida, USA, Vol. II, pp. 406-411.
16. Barlas G. Multicore and GPU Programming: An Integrated Approach. Morgan Kaufmann, 2014, 698 p.
17. Vasconcellos J.F. de A., Cáceres E.N., Mongelli H. and Song S.W. A Parallel Algorithm for Minimum Spanning Tree on GPU, 2017 International Symposium on Computer Architecture and High Performance Computing Workshops (SBAC-PADW), Campinas, 2017, pp. 67-72.
18. Vasconcellos J.F. de A., Cáceres E.N., Mongelli H., Song S.W., Dehne F., & Szwarcfiter J.L. New BSP/CGM algorithms for spanning trees, The International Journal of High Performance Computing Applications, 2019, Vol. 33 (3), pp. 444-461.
19. Pedro F. Felzenszwalb and Daniel P. Huttenlocher. Efficient Graph-Based Image Segmenta-tion, Int. J. Comput. Vision 59, 2 (September 2004), pp. 167-181.
20. Realizatsiya algoritma Kouskena [The implementation of the algorithm Koscina]. Available at: http://cs.brown.edu/people/pfelzens/segment/.
21. Borůvka Otakar. O jistém problému minimálním [About a certain minimal problem]. Práce Moravské přírodovědecké společnosti. V Brně III (in Czech and German), 1926, No. 3, pp. 37-58.
22. Proekty Gitlab: Realizatsiya algoritma Vasconcellos [GitLab projects: implementation of the Vasconcellos algorithm.]. Available at: https://gitlab.com/sergei-romanenko/vasconcellos-new-mst/ -/tree/master/img_seg_seq.

Скачивания

Опубликовано:

2020-07-10

Номер:

№ 1 (2020)

Раздел:

РАЗДЕЛ V. ТЕХНИЧЕСКОЕ ЗРЕНИЕ

Ключевые слова:

Мобильные РТК, бортовые вычислители, реальное время, алгоритмическое обеспечение, система технического зрения