CC BY
47
ISSN 0321-2653 ИЗВЕСТИЯ ВУЗОВ. СЕВЕРО-КАВКАЗСКИЙ РЕГИОН.
ТЕХНИЧЕСКИЕ НАУКИ. 2015. № 4
СООБЩЕНИЯ REPORTS
УДК 004.896:519.254 DOI: 10.17213/0321-2653-2015-4-138-139
ОБРАБОТКА ВИЗУАЛЬНОЙ ИНФОРМАЦИИ В СИСТЕМЕ УПРАВЛЕНИЯ АВТОНОМНЫМИ МОБИЛЬНЫМИ ГУСЕНИЧНЫМИ МАШИНАМИ И РОБОТАМИ В НЕДЕТЕРМИНИРОВАННОЙ СРЕДЕ
PROCESSING VISUAL INFORMATION IN CONTROL SYSTEM OF AUTONOMOUS MOBILE TRACKED VEHICLES AND ROBOTS IN THE NONDETERMINISTIC ENVIRONMENT
© 2015 г. Амин Нихад Мохаммед
Амин Нихад Мохаммед - аспирант, кафедра «Мехатроника и гидропневмоавтоматикиа», Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, г. Новочеркасск, Россия. Тел. (8635)25-52-46. E-mail: [email protected]
Ameen Nihad Mohammed - post-graduate student,t department «Mechatronics and Hydropneumoautomatics», », Platov South-Russian State Polytechnic University (NPI), Novocherkassk, Russia. Ph. (8635)25-52-46. E-mail: [email protected]
Рассмотрена система управления автономными мобильными машинами и роботами с использованием технического зрения, содержащая видеокамеру и лазерный дальномер. Решена задача обработки визуальной информации. Представлены результаты математического моделирования и экспериментальных исследований.
Ключевые слова: мобильная машина; робот; техническое зрение; обработка видеоизображений; исследование.
Examined the control system of an autonomous mobile vehicles and robots by using vision technology, comprising videocamera and laser rangefinder. Solving the problem of visual information processing. Presenting the results of mathematical modeling and experimental investigation.
Keywords: mobile vehicle; robot; vision technology; video image processing; investigation.
Управление автономными мобильными гусеничными машинами и роботами в неформализованной среде целесообразно и эффективно осуществлять с использованием интерактивных систем, обеспечивающих дистанционное и автономное управление [1, 2]. Для решения задачи автономного адаптированного управления модулем движения предлагается использовать систему управления, содержащую аппаратные средства захвата и анализа изображения, а также управления движения. Для захвата изображения рабочей зоны используется цифровая видеокамера, связанная с системой анализа изображений. Система анализа изображений обрабатывает поток информации, поступающей с цифровой видеокамеры, и преобразует его в набор параметров, на основе которых система управления движением формирует управляющее воздействие исполнительным механизмам. В процессе анализа объекта необходимо определить его компоненты и затем при описании объекта представить его с помощью физических характеристик. Системы технического зрения в большинстве предназначены для быстрого предварительного анализа рабочего поля и не всегда обеспечивают
точность, необходимую для выполнения автоматического технического контроля объектов. В связи с этим надо четко разграничивать две задачи: общий анализ рабочего поля и контроль объектов, расположенных в этом поле [3].
В устройстве управления мобильным роботом для обнаружения препятствий использована видеокамера, для классификации изображений в которой применяется метод опорных векторов [4]. Методом опорных векторов (МОВ) контролируются модели обучения с соответствующими алгоритмами обучения, которые анализируют данные и распознают образы, используемые для классификации и регрессионного анализа. Метод опорных векторов строит классифицирующую функцию F в виде
F(x) = sign((w, x) + b),
где w - нормальный вектор; b - вспомогательный параметр.
Те объекты, для которых F(x) = 1, попадают в один класс, а объекты с F(x) = -1 - в другой. Гиперплоскость может быть задана в виде (w, х)+ b = 0 для некоторых w и b. Задача оптимизации
ISSN 0321-2653 ИЗВЕСТИЯ ВУЗОВ. СЕВЕРО-КАВКАЗСКИЙ РЕГИОН.
ТЕХНИЧЕСКИЕ НАУКИ. 2015. № 1
arg min Ц2
yi ((w, xi)+b)>1, i =1...,m
является стандартной задачей квадратичного программирования и решается с помощью множителей Лагранжа. Ядром классификатора может служить любая положительно определенная симметричная функция двух переменных. Точность классификатора зависит, в частности, от выбора ядра. Чаще всего на практике встречаются следующие ядра:
- линейные: k (xi, x}-) = kT x}-);
- полиномиальные: k (xi, x}-) = k (yxTXj +1) , y) 0;
- радиальная базисная функция (RBF):
k(xi,xj) = exp(-ß||xi -x;||2).
Методом опорных векторов контролируются модели обучения с соответствующими алгоритмами обучения, которые анализируют данные и распознают образы, используемые для классификации и регрессионного анализа [5]. Начинают подготовку классификатора с помощью радиальной базисной функции ядра. Для обучения выбираем более 20 картин, после обучения результат может представлять тип тестового изображения или 1, или -1.
С использованием гусеничного мобильного робота АМшпо RB-Rb0-40 (рисунок) проведены исследования системы управления движением.
Гусеничный мобильный робот
На гусеничном движителе робота 1 установлена видеокамера 2, лазерный дальномер 3 и микроконтроллер 4. Видеокамера осуществляет захват изображения. Лазерный дальномер определяет расстояние до препятствия на пути движения. Микроконтроллер осуществляет обработку информации с использованием программы МА^АВ [6]. Основная задача программы - распознать изображения с камеры, обработать эти изображения и сформировать управляющие воздействия.
На основании выполненных исследований показана целесообразность и эффективность использования для управления автономными мобильными гусеничными машинами и роботами в недетерминированной среде систем технического зрения.
Литература
1. Глебов Н.А., Притчин С.Б., Маркиянов А.А. Лазерные системы управления мобильными роботами в недетерминированных условиях // Материалы третьей Всерос. науч.-практ. конф. «Перспективные системы и задачи управления». Таганрог: Изд-во ТТИ ЮФУ, 2008. Т. 1. С. 148 - 150.
2. Воротников С.А., Михайлов Б.Б., Ющенко А.С. Дистанционное управление адаптивными роботами. // Меха-троника, автоматизация, управление. 2005. № 12. С. 6 -16.
3. Техническое зрение роботов / под ред. А.Пью; пер. с англ. Д.Ф.Миронова; под ред. Г.П.Катыса. М.: Машиностроение, 1987. 320 с.
4. Амин Н.М. Классификации изображений методов опорных векторов в устройстве управления мобильным роботом // Материалы регион. науч.-техн. конф. студентов, аспирантов и молодых ученых вузов Ростовской обл. г. Новочеркасск/ Юж.-Рос. гос. техн. ун-т. - Новочеркасск: ЮРГПУ(НПИ), 2015. С. 90 - 91.
5. Vapnik V.N. The Nature of Statistical Learning Theory. Springer Verlag. New York. ISBN 0-387-94559-8, 1995.
6. Li Yang Ku. The Serious Computer Vision Blog Matlab SVM for Image Classification. In Computer Vision, Matlab on April 13, 2011.
References
1. Glebov N.A., Pritchin S.B., Markiyanov A.A. [Laser systems for control of mobile robots under the indeterminate conditions]. Materialy tret'ei Vserossiiskoi nauchno-prakticheskoi konferentsii «Perspektivnye sistemy i zadachi upravleniya» [The materials of the third All-Russian practical-scientific conference "Promising systems and the task of control"]. Taganrog, 2008, vol. 1, pp. 148-150. [In Russ.]
2. Vorotnikov S.A., Mikhailov B.B., Yushchenko A.S. Distantsionnoe upravlenie adaptivnymi robotami [Remote control of adaptive robots]. Mekhatronika, avtomatizatsiya, upravlenie, 2005, no. 12, pp. 6-16. [In Russ.]
3. Tekhnicheskoe zrenie robotov [The technical vision of robots]. Edit by G.P.Katysa. Moscow, Mashinostroenie Publ., 1987. 320 p.
4. Amin N.M. [Image classification using support vector machine for mobile robot control unit]. Mater. region. nauch.-tekhn. konf. stud., asp. i molodykh uchenykh vuzov Rostovskoi obl. [Material region equipment for postgraduate student conference. student of doctoral]. Novocherkassk, 2015, pp. 90-91. [In Russ.]
5. Vapnik V.N. The Nature of Statistical Learning Theory. Springer Verlag. New-York. ISBN 0-387-94559-8, 1995.
6. Li Yang Ku. The Serious Computer Vision Blog Matlab SVM for Image Classification. In Computer Vision, Matlab on April 13, 2011.
Поступила в редакцию 18 сентября 2015 г.
