İHA / UGV işbirliği ortamında hedef tanıma ve küresel yol planlaması üzerine araştırma
Tek bir insansız hava aracı (İHA) ile tek bir insansız araç (UGV) arasında çalışma yöntemleri ve sensörler açısından önemli farklılıklar vardır ve ayrıca algılama, yük, hız ve görüş alanı ediniminde güçlü bir tamamlayıcılık vardır. Şekil 1 tipik bir İHA / İHA kooperatif sistemidir ve Şekil 2 farklı bakış açılarından elde edilen çevresel bilgilerdir.Şekilden görülebileceği gibi, UGV'nin görme alanı kusurlarından dolayı mania bilgisini elde etmesinin zor olduğu, aksine İHA'nın geniş bir görüş alanı altında mania bilgisini elde edebildiği görülmektedir. İHA / UGV işbirliği sistemi, hedef takibi ve kurtarma ve askeri sınır gözetimi gibi görevlerin yürütülmesinde önemli bir rol oynamaktadır. Bununla birlikte, ortamın ve görevlerin karmaşıklığı nedeniyle, algılama, karar verme ve yürütmede çözülmesi gereken hala üç sorun vardır.
İHA / İHA kooperatif sistemindeki çevre algısı, esas olarak hedef tanıma ve konumlandırma sorununu çözmektedir. Bunlar arasında görsel algılayıcı, algı problemini çözmek için önemli bir araçtır. CHAIMOWICZ L ve diğerleri bir İHA / UGV işbirliğine dayalı sistem çerçevesi ve vizyona dayalı bir hedef tespit ve konumlandırma algoritması oluşturdu. Çin Bilimler Akademisi Gu Feng ve diğerleri, hareketli hedefleri tespit etmek ve yer robotlarını izlemek için bir kapı izleyici kullanmak için YCbRc renk uzayına dayalı olarak işbirliğine dayalı navigasyon elde etmek için havadan yere robotları kullanma yöntemini araştırdılar, ancak bu yöntemi yalnızca bir iç mekan ortamında doğruladılar.
UAV / UGV kooperatif sisteminin UGV yol planlaması üzerine yapılan araştırmada, GANESHMURTHY MS, uygulanabilir başlangıç yolları aramak ve dinamik çevre sorunlarını çözmek için sezgisel odaklı bir yöntem önerdi. ZHAO J ve diğerleri, geliştirilmiş bir yapay potansiyel alan yöntemi önerdi ve UGV yol planlamasını gerçekleştirdi. Bununla birlikte, yapay potansiyel saha yöntemi, farklı engeller için farklı hedef işlevler gerektirir.
İHA / UGV kooperatif sisteminin görevleri yerine getirme verimliliğini artırmak için, bu makale vizyon sensörlerine dayalı bir hedef tanıma ve küresel yol planlama yöntemi önermektedir. Ana görevler şunları içerir: (1) İHA, hedef konumlandırma ve engellere ulaşmak için çevresel bilgi elde etmek için yüksek irtifa vizyonunu kullanır (2) İHA ile elde edilen çevresel bilgilere göre, insansız araçların küresel yol planlamasını gerçekleştirmek için optimize edilmiş bir A * algoritması önerilmiştir; (3) Önerilen algoritmanın doğruluğu basit ve karmaşık ortamlarda doğrulanmıştır.
1 Tipik sahne yapımı ve çevre modellemesi
1.1 Tipik sahne yapımı
İHA / UGV kooperatif sistemi, insanlar tarafından erişilemeyen karmaşık sahneleri yürütebilir. Şekil 3'te gösterildiği gibi tipik bir kurtarma sahnesini araştırma nesnesi olarak ele alırsak, başlangıç noktası (UGV) insansız bir araçtır, bitiş noktası (D) hedeftir (arama ve kurtarma nesnesi) ve ortadaki geri kalanlar engel olarak kabul edilir.
1.2 Karmaşık ortamlarda hedef tanıma
Arama kurtarma hedeflerine ulaşmak için, çevre algısının birincil görevi hedef tanımadır. Hedef tanıma Şekil 4'te gösterilmektedir.
1.3 Görüntü işleme
Görüntü işleme, gürültü, kirlilik ve hedef tanımanın doğruluğu üzerindeki diğer faktörlerin girişimini azaltmaktır.
1.3.1 Görüntü gri tonlaması
Grileşme, RGB modellerinin ağırlıklı ortalamasının bir yöntemidir. Bunların arasında Wr, Wg ve Wb sırasıyla R, G ve B'nin ağırlıklarıdır. İnsan görüşünün gri değerine uymak için, Wr = 0.3, Wg = 0.59, Wb = 0.11.
1.3.2 Ortamdaki hedefi çıkarın
SURF (Speeded Up Robust Features) algoritması, özellik çıkarma ve eşleştirme algoritmasında görüntü çevirme, döndürme ve gürültü etkilerine karşı güçlü bir sağlamlığa sahiptir.
SURF algoritmasının simülasyon sonucu Şekil 5'te gösterilmektedir. Yukarıdaki deneysel sonuçlar, takip görevi UGV'nin yol planlamasında kullanılabilir.
1.3.3 HSV alanına dayalı mania tanıma
(1) Uzay dönüşümü. İHA üzerindeki görüş sensörü tarafından toplanan çevresel bilgiler, ışıktaki değişikliklere son derece duyarlıdır, bu nedenle HSV renk alanı modeli benimsenmiştir.
(2) Görüntü ikileştirme. Engel bilgilerini daha iyi yansıtmak için İHA ile elde edilen görüntü ikilileştirilir. Görüntü ikileştirme, engelleri 1 ve görüntü arka planını 0 olarak ifade etmektir.
Bunlar arasında f (x, y) görüntü gri değeridir ve T gri değer eşiğidir. Resim, Şekil 6'da gösterildiği gibi HSV alanında ikilileştirilir.
SURF algoritmasına ve görüntü bölümleme teknolojisine göre, yukarıda bahsedilen görüntü, koordinat sistemi aracılığıyla UGV yürütülebilir harita bilgisine dönüştürülebilir. UGV harita bilgileri Şekil 7'de gösterilmektedir.
2 Koordinat dönüştürme
İHA, çevresel bilgileri piksel cinsinden alır.UGV'nin küresel yol planlamasını gerçekleştirmek için piksel koordinat sisteminin bir dünya koordinat sistemine dönüştürülmesi gerekir. Ana koordinat sistemi Şekil 8'de gösterilmektedir, O0uv piksel koordinat sistemidir, O1X1Y1Z1 görüntü koordinat sistemidir, OcXcYcZc kamera koordinat sistemidir (drone koordinat sistemi), OGXGYGZG insansız araç koordinat sistemidir ve OwXwYwZw dünya koordinat sistemidir.
2.1 İHA koordinat sistemi dönüşümü
İHA'nın hareketi üç boyutlu uzayda rijit harekettir.Kamera hareketinden kaynaklanan hataları önlemek için kamera koordinat sistemi İHA koordinat sistemine sadeleştirilmiştir.Dünya koordinat sisteminde elde edilen görüntü piksel koordinatlarının homojen denklemi:
Bunlar arasında Z, P noktasının kamera koordinat sistemindeki konumudur, Puv, P noktasının piksel koordinat sistemidir, K, kameradaki parametre matrisidir, R1, rotasyon matrisidir, t1, çeviri vektörüdür ve Pw, P noktasının dünya koordinat sistemidir.
2.2 UGV koordinat sistemi dönüşümü
UGV'nin düzlemdeki hareketi, dünya koordinat sistemindeki dönme ve öteleme değişimidir. Homojen denklem aşağıdaki gibidir:
Bunlar arasında R2, UGV'den dünya koordinat sistemine dönüş matrisidir ve t2, UGV'den dünya koordinat sistemine çeviri vektörüdür. Koordinat sistemi dönüşümü ile aracın otonom navigasyonunu gerçekleştirin.
3 UGV'nin küresel yol planlaması
İnsansız araçların yol planlaması, çevresel bilgilere göre yerel yol planlaması ve küresel yol planlaması olarak ikiye ayrılabilir. Yerel yol planlaması ile karşılaştırıldığında, küresel yol planlamasının belirgin avantajları vardır. Bu makale ilk olarak tipik çift yönlü hızlı genişleme rastgele ağaç algoritmasını (BRRT) ve küresel yol planlaması için A * algoritmasını analiz eder ve karşılaştırır ve son olarak A * algoritmasını optimize eder.
3.1 İki yönlü hızlı genişleme rastgele ağacı (BRRT)
BRRT algoritması uygulaması, RRT algoritmasına dayanmaktadır. Temel fikir, bir metrik fonksiyon, rastgele örnekleme algoritması ve konfigürasyon uzayından oluşan Şekil 9'da gösterilmiştir. Qinit başlangıç noktasından hedef qgoal'a uygun bir yol bulun.
3.2 A * algoritması
A * algoritması, bilinen bilgilerle sezgisel bir işlev oluşturmaktır ve en yakın mesafe gibi dizinleri karşılaması ve yolu planlarken hareketli noktaları değerlendirmesi gerekir. A * algoritmasının işlevi:
Bunlar arasında, f (n) başlangıç noktasından hedef noktasına kadar olan değerlendirme fonksiyonudur, g (n) sezgisel fonksiyondur ve h (n) başlangıç noktasından n noktaya kadar olan gerçek maliyettir.
3.3 Optimize edilmiş A * algoritması
A * algoritması, UGV'nin global yol planlamasını gerçekleştirmesine rağmen, A * algoritması tarafından tasarlanan yol, bükülme noktasında belirgin ani artışlara ve dalgalanmalara sahiptir. Gerçek ortamda, UGV, yol izlemeyi başaramaz. UGV'nin kendi hareketini ve dinamik kısıtlamalarını dikkate alan bu makale, yolun köşelerini yumuşatmak için gradyan yöntemini kullanan optimize edilmiş bir A * algoritması önermektedir. Temel prensip, Z'nin minimum değeri almasını sağlamaktır.
4 Simülasyon araştırması ve sonuç analizi
4.1 Basit deneysel senaryo simülasyonu
İlk olarak, basit bir deneysel sahne elde etmek için İHA'yı kullanın ve Şekil 10'da gösterildiği gibi görüntü işleme yoluyla bir UGV planlama haritası elde edin.
Yukarıdaki İHA ile elde edilen harita kullanılarak, bahsi geçen küresel yol planlama algoritması üzerinde 20 set deney gerçekleştirilmiş ve MATLAB tarafından simülasyon doğrulaması için aynı başlangıç noktası (50, 650) ve aynı son nokta (650, 50) kullanılmıştır. Deneysel sonuçlar Şekil 11 ve Tablo 1'de gösterilmektedir.
Simülasyon sonuçları, A * algoritmasının, BRRT algoritma yoluna kıyasla daha kısa bir ortalama yol mesafesine ve daha iyi gerçek zamanlı performansa sahip olduğunu göstermektedir; optimize edilmiş A * algoritması, A * algoritmasından biraz daha uzun bir ortalama süreye sahiptir, ancak optimize edilmiş A * algoritma yolu Ortalama mesafe daha kısadır ve tüm bükülme noktaları optimize edilerek UGV takibi için daha uygun hale getirilmiştir. Bu nedenle, optimize edilmiş A * algoritması, gerçek zamanlı olarak çarpışmasız ve kısa bir yol planlayabilir.
4.2 Karmaşık deneysel senaryoların uygulanması
İHA / UGV işbirliği ortamında önerilen hedef tanıma algoritmasını ve küresel yol planlama algoritmasını daha fazla belirlemek için, SURF algoritması, Şekil 7'de gösterildiği gibi harita kurulumunu gerçekleştirmek için daha karmaşık bir ortamda görüntü bölümleme için kullanılabilir. Önerilen optimize edilmiş A * algoritması yukarıdaki haritaya uygulanmıştır ve deneysel sonuçlar Şekil 12, Şekil 13 ve Tablo 2'de gösterilmektedir.
Yukarıdaki sonuçlar, optimize edilmiş A * algoritmasının yolun bükülme noktasını optimize ettiğini ve UGV yol izlemeyi gerçekleştirebildiğini göstermektedir.
5. Sonuç
İHA ve insansız araç işbirliği sistemindeki kilit araştırma noktalarını hedefleyen: hedef konumlandırma ve engel tanıma, yol planlama, bu makale İHA'nın İHA / UGV işbirliği sistemindeki görüş alanı avantajını kullanarak SURF algoritmasının hedefleri belirlemede çok güçlü olduğunu doğrulamak için kullanır. UGV'nin sağlamlığı yürütülebilir bir UGV haritası oluşturmuştur; küresel yol planlama algoritmasının gerçek zamanlı performansı ve optimizasyonu basit bir ortamda karşılaştırılmış ve önerilen optimize edilmiş A * algoritmasının insansız araç takibi için daha uygun olduğu doğrulanmıştır; son olarak İHA / UGV işbirliği ortamında hedef tanıma ve küresel yol planlaması, karmaşık gerçek ortamlara uygulanır. Deneyler, önerilen yöntemin, İHA / UGV kooperatif sisteminin görevleri yerine getirme verimliliğini artırabileceğini ve İHA / UGV işbirliği sistemi altında müteakip görev planlama ve araştırma çalışmaları için temel koşulları sağlayabileceğini göstermektedir.
Referanslar
KIM J, KIM Y. UAV'leri kullanarak yoğun engel alanlarında hareketli yer hedefi izleme IFAC Proceedings Volumes, 2008, 41 (2): 8552-8557.
TANG Z, OZGUNER U. Bayes filtreleme yöntemine ve Misafirperverlik Haritasına dayalı çoklu İHA'lar ile hedef yol bakımı için sensör füzyonu IEEE Karar ve Kontrol Konferansı, 2003. Proceedings. IEEE, 2004, 1: 19-24.
CHAIMOWICZ L, COWLEY A, GOMEZ-IBANEZ D, ve diğerleri.Şehir ortamında hava-yer çoklu robot ekiplerinin konuşlandırılması. Çoklu Robot Sistemleri. Sürülerden Akıllı Otomata Cilt III. Springer Hollanda, 2005: 223-234.
Gu Feng, Wang Zheng, Song Qi, ve diğerleri.Havadan yere robot işbirliğine dayalı navigasyon yöntemi ve deneysel araştırma.Çin Üniversitesi Bilim ve Teknoloji Dergisi, 2012, 42 (5): 398-404.
GANESHMURTHY MS, SURESH G R.Dinamik ortamda otonom mobil robot için yol planlama algoritması.Uluslararası Sinyal İşleme, İletişim ve Ağ Kurma Konferansı, IEEE, 2015: 1-6.
HU Q, ZHAO J, HAN L. İnsansız hava ve kara araçları kullanan akıllı araç için ortak yol planlaması Çin Akıllı Sistemler Konferansı Springer, Singapur, 2017: 603-611.
Chen Mingsheng. Görüntü Kayıt Teknolojisi Araştırma ve Uygulaması Changsha: Ulusal Savunma Teknolojisi Üniversitesi, 2006.
SHI Q, ZHAO J, HAN L ve diğerleri.Çok modelli bulanık denetleyiciye dayalı dinamik şerit izleme sistemi.IEEE Uluslararası Mekatronik ve Otomasyon Konferansı. IEEE, 2016: 873-877.
Shi Yasun. Geliştirilmiş SURF görüntü kayıt algoritması Chengdu: Çin Elektronik Bilimi ve Teknolojisi Üniversitesi, 2011.
Chen Xiaodan, Du Yuren, Gao Xiubin SURF'e dayalı görüntü özelliği noktaları için hızlı bir eşleştirme algoritması. Journal of Yangzhou University (Natural Science Edition), 2012, 15 (4): 64-67.
Zhou Yufeng Vinç Kaldırma Sisteminde Hareketli Hedef Tanıma ve Eşleştirme Yöntemi Araştırması Tangshan: Hebei Union Üniversitesi, 2014.
Zhu Wei Görme tabanlı quadrotor hedef tanıma ve izleme Nanjing: Nanjing Havacılık ve Uzay Üniversitesi, 2014.
Liu Chengju, Han Junqiang, Ankang. Geliştirilmiş RRT algoritmasına dayalı RoboCup robot dinamik yol planlaması Robot, 2017, 39 (1): 8-15.
Yang Zhanlong. Özellik noktalarına dayalı olarak görüntü kaydı ve mozaik teknolojisi üzerine araştırma Xi'an: Xidian Üniversitesi, 2008.
Zhang Qifei, Guo Tailiang.Çok aşamalı karara dayalı robotun küresel yol planlama algoritması Bilgisayar Mühendisliği, 2016, 42 (10): 296-302.
yazar bilgileri:
Xi Axing, Zhao Jin, Zhou Tao, Hu Qiuxia
(Makine Mühendisliği Okulu, Guizhou Üniversitesi, Guiyang 550025, Guizhou)
