Николай Валерьевич Гапон, научный сотрудник
Ростов-на-Дону
Nikolay V. Gapon, researcher
Rostov-on-Don
Вячеслав Владимирович Воронин, кандидат технических наук, доцент
Зеленоград
Viacheslav V. Voronin, Ph.D.(Eng.), associate professor
Zelenograd
Дмитрий Владимирович Рудой, доктор технических наук, ведущий научный сотрудник
Ростов-на-Дону
Dmitriy V. Rudoy, Dr.Sc.(Eng.), leading researcher
Rostov-on-Don
Марина Михайловна Жданова, научный сотрудник
Ростов-на-Дону
Marina M. Zhdanova, researcher
Rostov-on-Don
Предложен новый метод реконструкции для восстановления потерянных областей на картах глубины для повышения точности автономной навигации сельскохозяйственных РТК. (Цель исследованая) Разработка метода, который устраняет потери данных на картах глубины, улучшая тем самым работу системы одновременной локализации и картографирования (SLAM). (Материалы и методы) Оригинальный метод реконструкции карт глубины включает: вычисление анизотропного градиента; поиск аналогичных блоков на основании нового критерия; объединение найденных блоков с помощью нейросетевой архитектуры, состоящей из кодировщика, слоя слияния и декодера. Метод протестирован на наборе данных Rosario, в том числе со сложными сценариями сельского хозяйства. (Результаты и обсуждение) Реконструкция карт глубины показала значительное улучшение качества: средняя ошибка (RMSE) пикового отношения сигнала к шуму (PSNR) и индекса структурного сходства (SSIM) уменьшилась на 20−30% по сравнению с существующими методами. Показано, что предлагаемый метод сохраняет структуру и текстуру восстановленных областей, обеспечивая точную реконструкцию крупных зон с отсутствующими пикселями. Чтобы сравнить производительность SLAM, была выбрана S-MSCKF. Количественные результаты абсолютной ошибки траектории (ATE) и среднее значение RMSE оценены с помощью SLAM до и после восстановления карт глубины. Абсолютная ошибка траектории (ATE) снизилась с 0,62 до 0,25 метра, а RMSE – с 0,85 до 0,39 метра. (Выводы) Предлагаемый метод значительно повышает точность работы систем SLAM, особенно в условиях сложных сельских ландшафтов, изменчивого освещения и длительных перемещений. Отмечен потенциал для широкого внедрения метода в системах автономного управления сельскохозяйственной техникой при увеличении надежности и безопасности эксплуатации роботов.
The study proposes a novel method for reconstructing missing regions in depth maps, aimed at improving the accuracy of autonomous navigation in agricultural robotic systems. (Research purpose) The primary objective is to develop a method capable of compensating for data loss in depth maps, thereby improving the performance of Simultaneous Localization and Mapping (SLAM) systems. (Materials and methods) The depth map reconstruction method consists of three main stages: computation of the anisotropic gradient; identification of similar blocks based on a novel similarity criterion; and merging of the detected blocks using a neural network architecture composed of an encoder, a fusion layer, and a decoder. The method was tested using the Rosario dataset, which includes scenarios representative of complex agricultural environments. (Results and discussion) The proposed depth map reconstruction method demonstrates a significant improvement in quality metrics. Specifically, Root Mean Square Error (RMSE), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index Measure (SSIM) improved by 20–30 percent compared to the existing techniques. The method preserves the structure and texture features of the reconstructed regions, enabling accurate restoration of large areas with missing pixel data. To evaluate the impact on SLAM performance, the Stereo Multi-State Constraint Kalman Filter (S-MSCKF) algorithm was employed. Quantitative analysis of Absolute Trajectory Error (ATE) and mean RMSE was conducted both before and after applying the depth map reconstruction. The results show a reduction in Absolute Trajectory Error from 0.62 meters to 0.25 meters, and a decrease in Root Mean Square Error from 0.85 meters to 0.39 meters. (Conclusions) The proposed method substantially enhances SLAM system accuracy, particularly in challenging agricultural environments, characterized by uneven terrain, variable lighting conditions, and long-distance navigation. Its robust performance suggests strong potential for large-scale integration into autonomous agricultural machinery, contributing to improved reliability, operational efficiency, and safety in robotic field operations.
The authors declare that there are no conflicts of interest present.