Модифицированный SLAM для навигации сельскохозяйственных роботов

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.

1. Измайлов А.Ю., Лобачевский Я.П., Ценч Ю.С. и др. О синтезе роботизированного сельскохозяйственного мобильного агрегата // Вестник российской сельскохозяйственной науки. 2019. N4. C. 63-68. DOI: 10.30850/vrsn/2019/4/63-68.

2. Смирнов И.Г., Хорт Д.О., Кутырев А.И. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур // Сельскохозяйственные машины и технологии. 2021. Т. 15. N4. С. 35-41. DOI: 10.22314/2073-7599-2021-15-4-35-41.

3. Ценч Ю.С., Курбанов Р.К., Захарова Н.И. Развитие систем управления полетом и средств аэрофотосъемки беспилотных воздушных судов сельскохозяйственного назначения // Сельскохозяйственные машины и технологии. 2024. Т. 18. N2. C. 11-19. DOI: 10.22314/2073-7599-2024-18-2-11-19.

4. Смирнов И.Г., Дышеков А.И., Девяткин Ф.В. Алгоритм работы автономного роботизированного комплекса мониторинга сорной растительности // Электротехнологии и электрооборудование в АПК. 2024. Т. 71. N1(54). С. 71-75. DOI: 10.22314/2658-4859-2024-71-1-71-75.

5. Зеленский А.А., Гапон Н.В., Жданова М.М. и др. Метод восстановления карты глубины в задачах управления роботами и мехатронными системами // Мехатроника, автоматизация, управление. 2022. Т. 23. N2. С. 104-112. DOI: 10.17587/mau.23.104-112.

6. Павлов А.С. Методика планирования траектории движения группы мобильных роботов в неизвестной замкнутой среде с препятствиями // Системы управления, связи и безопасности. 2021. N 3. С. 38-59. DOI: 10.24412/2410-9916-2021-3-38-59.

7. Тетерев А.В. Обоснование выбора системы позиционирования для управления движением мобильного сельскохозяйственного робота // Сельскохозяйственные машины и технологии. 2020. Т. 14. N4. С. 63-70. DOI: 10.22314/2073-7599-2020-14-4-63-70.

8. Кутырев А.И., Дышеков А.И. Разработка системы управления движением роботизированной платформы на основе методов лазерной дальнометрии (LiDAR) // Агроинженерия. 2023. Т. 25. N2. С. 19-27. DOI: 10.26897/ 2687-1149-2023-2-19-27.

9. Panetta K., Sanghavi F., Agaian S., Madan N. Automa­ted detection of COVID-19 cases on radiographs using shape-dependent Fibonacci-p patterns. IEEE Journal of Biomedical and Health Informatics. 2021. Vol. 25. N6. 1852-1863. DOI: 10.1109/JBHI.2021.3069798.

10. Yang S., Liang H., Wang Y. et al. Image inpainting based on multi-patch match with adaptive size. Applied Scien­ces. 2020. Vol. 10. N14. 4921. DOI: 10.3390/app10144921.

11. Voronin V., Gapon N., Khamidullin I. et al. E. A vision system using depth inpainting for virtual content reconstruction in Augmented Reality. ProcSPIE. 2022. Vol. 12275. 146-156. DOI: 10.1117/12.2642007.

12. Подтихов А.В., Савельев А.И. Открытый набор данных для тестирования Visual SLAM-алгоритмов при различных погодных условиях // Труды учебных заведений связи. 2024. Т. 10. N1. С. 97-106. DOI: 10.31854/1813-324X-2024-10-1-97-106.

13. Kim H., Kim C., Kim H. et al. Panoptic blind image inpainting. ISA transactions. 2023. Vol. 132. 208-221. DOI: 10.1016/j.isatra.2022.10.030.

14. Zhang Z., Dong P., Wan J., Sun Y. Improving S-MSCKF with variational Bayesian adaptive nonlinear filter. IEEE Sensors Journal. 2020. Vol.20. N16. 9437-9448. DOI: 10.1109/jsen.2020.2989206.

15. Боковой А.В. Муравьев К.Ф., Яковлев К.С. Система одновременного картирования, локализации и исследования неизвестной местности по видеопотоку // Информационные технологии и вычислительные системы. 2020. N2. С. 51-61. DOI: 10.14357/20718632200205.