НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o355.pdf (1146.21Кб)

УДК 519.6

1 МГТУ им. Н.Э. Баумана, Москва, Россия

В статье рассматривается задача ассоциации данных для алгоритма одновременной локализации ориентиров и картографирования при определении маршрута беспилотных летательных аппаратов (БПЛА). В настоящее время подобные аппараты уже широко используется, но в основном управляются с пульта оператора. Актуальной является задача разработки системы управления, позволяющая осуществлять автономный полёт. Алгоритм SLAM (одновременная локализация и картографирование), который позволяет прогнозировать координаты, скорости, соотношения параметров полета и координат ориентиров и препятствий в неизвестной среде, является одной из ключевых технологий для достижения реального автономного полета БПЛА. Целью настоящей работы является исследование возможности решения этой задачи с использованием улучшенного муравьиного алгоритма.
Под ассоциацией данных в алгоритме SLAM понимается установление соответствия множества наблюдаемых ориентиров и множества ориентиров в векторе состояния. Муравьиный алгоритм является одним из широко используемых алгоритмов оптимизации с  положительной обратной связью и возможностью параллельного поиска, поэтому этот алгоритм пригоден для решения задачи ассоциации данных SLAM. Но традиционный муравьиный алгоритм в процесс поиска легко попадает в локальный оптимум. Добавление хаотического возмущения в процессе обновления глобального феромона позволяет избегать локальных оптимумов. Установка ограничений феромона на маршруте позволяет увеличить пространство поиска при разумном объёме вычислений для нахождения оптимального маршрута.
Представлен алгоритм локальной ассоциации данных SLAM на основе улучшенного муравьиного алгоритма. Для увеличения скорости вычислений используется локальная ассоциация вместо глобальной. На первом этапе работы алгоритма определяются ориентиры в пространстве совпадения и наблюдаемые ориентиры, имеющие возможность ассоциации по критерию индивидуальной совместимости (IC). На втором этапе определяются совпадающие ориентиры и координаты совпадающих наблюдаемых ориентиров на множестве состояний при помощи улучшенного муравьиного алгоритма. Результаты моделирования подтверждают работоспособность и эффективность алгоритма.

1. Бенжамин Е.Ф. Возможности для увеличения точности позиционирования по технологии одновременного позиционирования и картографии (SLAM): пат. 8751151 США. 2014. 48 c. [Benjamin E.F. Opportunities to increase the accuracy of positioning technologies simultaneously positioning and mapping (SLAM): pat. 8751151 United States. 2014. 48 p.].
2. Bailey T., Nieto J., Guivant J., Stevens M., Nebot E. Consistency of the EKF-SLAM algorithm // 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE Publ., 2006. P. 3562-3568. DOI: 10.1109/IROS.2006.281644
3. Bailey T., Durrant-Whyte H. Simultaneous localization and mapping (SLAM): Part II // IEEE Robotics & Automation Magazine. 2006. Vol. 13, no. 3. P. 108-117. DOI: 10.1109/MRA.2006.1678144
4. Rasmussen C., Hager G.D. Probabilistic data association methods for tracking complex visual objects // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. Vol. 23, no. 6. P. 560-576. DOI: 10.1109/34.927458
5. Guivant J.E., Nebot E.M. Optimization of the simultaneous localization and map-building algorithm for real-time implementation // IEEE Transactions on Robotics and Automation. 2001. Vol. 17, no. 3. P. 242-257.
6. Neira J., Tardós J.D. Data association in stochastic mapping using the joint compatibility test // IEEE Transactions on Robotics and Automation. 2001. Vol. 17, no. 6. P. 890-897. DOI: 10.1109/70.976019
7. Davey S.J. Simultaneous localization and map building using the probabilistic multi-hypothesis tracker // IEEE Transactions on Robotics. 2007. Vol. 23, no. 2. P. 271-280. DOI: 10.1109/TRO.2007.892235
8. Sun F., Wang T., Lu W. A data association method based on simulate anneal arithmetic for mobile robot SLAM // 2008 IEEE International Conference on Automation and Logistics (ICAL 2008). IEEE Publ., 2008. P. 425-430. DOI: 10.1109/ICAL.2008.4636189
9. Zhang S., Xie L., Adams M. An efficient data association approach to simultaneous localization and map building // The International Journal of Robotics Research. 2005. Vol. 24, no. 1. P. 49-60. DOI: 10.1177/0278364904049251
10. Bailey T., Nebot E.M., Rosenblatt J.K., Durrant-Whyte H.F. Data association for mobile robot navigation: A graph theoretic approach // 2000 Proceedings of IEEE International Conference on Robotics and Automation (ICRA'00). Vol . 3. IEEE Publ ., 2000. P . 2512 - 2517. DOI: 10.1109/ROBOT.2000.846406
11. Карпенко А.П., Синяговская О.А. Глобальная оптимизация методом биогеографии // Наука и образование. МГТУ им . Н . Э . Баумана . Электрон . журн . 2013. № 10. С . 373-398. DOI: 10.7463/1013.0605836
12. Карпенко А.П., Чернобривченко К.А. Мультимемеевая модификация гибридного муравьиного алгоритма непрерывной оптимизации HCIAC // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2012. № 9. С. 261-296. DOI :10.7463/0912.0470529
13. Митин С.В. Кодирование двоичной последовательности с использованием дискретных хаотических отображений // Наука и образование. МГТУ им . Н . Э . Баумана . Электрон . журн . 2012. № 6. С . 231-242. DOI: 10.7463/0612.0402537
14. Pareek N.K., Patidar V., Sud K.K. Image encryption using chaotic logistic map // Image and Vision Computing. 2006. Vol. 24, no. 9. P. 926-934. DOI: 10.1016/j.imavis.2006.02.021