Навигация по снимкам местности на основе сопоставления глубоких признаков и визуальной одометрии
https://doi.org/10.21122/2309-4923-2025-1-4-19
Аннотация
Основной проблемой для систем навигации по снимкам местности является несоответствие визуальных признаков между фрагментом опорной картой и изображением с борта БПЛА. Снимки могут быть сделаны в различное время года, в различную погоду, с различными растительным покровом, условиями освещения и под различными углами обзора относительно плоскости земной поверхности. Данная работа предлагает использование сопоставления глубоких признаков, извлеченных в рамках неконтролируемого обучения с использованием триплет-ошибки. Это обеспечивает понимание семантики изображений, не зависящей от трансформаций местности. В рамах полёта над местностью с недостаточным количеством визуальных признаков для навигации (лес, поле), в работе предложено дополнительное использование визуальной одометрии с процедурой привязывания к опорной карте после получения достаточного количества признаков, с построением гипотез относительно местоположения. Извлечение глубоких признаков натренированной сетью из опорной карты и применение к ним фильтра энтропии позволяет планировать маршруты полёта над местностью, обладающей достаточным разнообразием признаков, необходимых для навигации.
Ключевые слова
Об авторе
Е. B. Рулько
Военная академия Республики Беларусь
Беларусь
Беларусь
Рулько Евгений Викторович, кандидат технических наук, доцент. Начальник научно-исследовательской лаборатории моделирования военных действий
Минск
Список литературы
1. Изучение трансформаций изображений для навигации беспилотных летательных аппаратов без GPS [Электронный документ]. – Режим доступа: https://www.youtube.com/watch?v=5JEFe2_L4So (дата обращения 23.10.2024).
2. Anthony T. Fragoso и др. Инвариантное к сезонам глубокое преобразование для навигации по местности. // Наука робототехника. – 2021. – № 55.
3. Автономная навигация с улучшенным визуальным распознаванием местности [Электронный документ]. – Режим доступа: https://www.youtube.com/watch?v=U5Kr0YI3sec (дата обращения 23.10.2024).
4. Jiaming Sun и др. LoFTR: Сопоставление локальных признаков с трансформерами без детекторов [Электронный документ]. – Режим доступа: https://arxiv.org/abs/2104.00680 (дата обращения 23.10.2024).
5. ORB (Ориентированный FAST повернутый BRIEF) [Электронный документ]. – Режим доступа: https://docs.opencv.org/4.x/d1/d89/tutorial_py_orb.html (дата обращения 23.10.2024).
6. ORB в сравнении с визуальной навигацией по местности с использованием машинного обучения [Электронный документ]. – Режим доступа: https://www.youtube.com/@kefrobotics6924 (дата обращения 23.10.2024).
7. Jiexiong Tang и др. Отбрасывание аномальных значений данных через нейронные сети для самоконтролируемого обучения ключевым точкам [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1912.10615 (дата обращения 23.10.2024).
8. Paul-Edouard Sarlin и др. СупуерКлей: Изучение сопоставления признаков через графовые нейронные сети [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1911.11763 (дата обращения 23.10.2024).
9. Yifan Wang и др. Эффективный LoFTR: Полуполносвязное сопоставление локальных признаков с разряженной скоростью [Электронный документ]. – Режим доступа: https://arxiv.org/abs/2403.04765 (дата обращения 15.11.2024).
10. Philipp Lindenberger и др. ЛекгийКлей: Локальное сопоставление признаков со скоростью света [Электронный документ]. – Режим доступа: https://arxiv.org/abs/2306.13643 (дата обращения 23.10.2024).
11. Rémi Pautrat и др. КлейКарандаш: Устойчивое сопоставление изображений через сочетание точек и линий [Электронный документ]. – Режим доступа: https://arxiv.org/abs/2304.02008 (дата обращения 23.10.2024).
12. Jonghee Kim и др. Устойчивое сопоставление по шаблонам с использование адаптированных к масштабу глубоких свёрточных признаков. // APSIPA ежегодная встреча и конференция. – 2017.
13. Jiaxin Cheng и др. QATM: Сопоставление по шаблонам для глубокого обучения с пониманием качества [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1903.07254 (дата обращения 23.10.2024).
14. ImageNet [Электронный документ]. – Режим доступа: URL: https://www.image-net.org (дата обращения 23.10.2024).
15. Schroff и др. FaceNet: унифицированное представление для распознавания лиц и кластеризации [Электронный документ]. – Режим доступа: https://arxiv.org/abs/1503.03832 (дата обращения 23.10.2024).
16. Weights & Biases [Электронный документ]. – Режим доступа: URL: https://wandb.ai/site. (дата обращения 23.10.2024).
17. Scikit-image. Примеры. Фильтрация и восстановление. Энтропия [Электронный документ]. – Режим доступа: URL: https://scikit-image.org/docs/stable/auto_examples/filters/plot_entropy.html. (дата обращения 23.10.2024).
18. A* алгоритм поиска [Электронный документ]. – Режим доступа: URL: https://www.geeksforgeeks.org/a-search- algorithm. (дата обращения 23.10.2024).
19. Размеченные спутниковые снимки высокого разрешения для оценки разрушений зданий [Электронный документ]. – Режим доступа: URL: https://xview2.org/dataset. (дата обращения 23.10.2024).
20. Mathilde Caron и др. Неконтролируемое обучение визуальным признакам через контрастные кластерные назначения [Электронный документ]. – Режим доступа: https://arxiv.org/abs/2006.09882 (дата обращения 23.10.2024).
21. Lihe Yang и др. Глубина чего угодно версия 2 [Электронный документ]. – Режим доступа: https://arxiv.org/abs/2406.09414 (дата обращения 23.10.2024).
22. Dioram визуальная навигация (базирующаяся на Dioram SLAM One) определение местоположения через облако точке в масштабах города [Электронный документ]. – Режим доступа: URL: https://www.youtube.com/watch?v=DwAT46MdyXk. (дата обращения 23.10.2024).
23. Превосходный детектор линий [Электронный документ]. – Режим доступа: URL: https://github.com/amusi/awesome-lane-detection?tab=readme-ov-file#2023. (дата обращения 23.10.2024).
24. J. Oliver. Разработка элементов схемы нечеткого хеширования. / J. Oliver, J. Hagen // 19-я международная конференция по встроенной и общераспространенной компьютерной технике: материалы конференции / IEEE. – Шеньянг, Китай, 2021. – С. 1–6.
25. Основанные на реальной модели мира 3D геопространственные возможности для Unity [Электронный документ]. – Режим доступа: URL: https://cesium.com/platform/cesium-for-unity. (дата обращения 23.10.2024).
Рецензия
Для цитирования:
Рулько Е.B. Навигация по снимкам местности на основе сопоставления глубоких признаков и визуальной одометрии. Системный анализ и прикладная информатика. 2025;(1):4-19. https://doi.org/10.21122/2309-4923-2025-1-4-19
For citation:
Rulko E.V. Terrain relative navigation based on deep feature template matching and visual odometry. «System analysis and applied information science». 2025;(1):4-19. https://doi.org/10.21122/2309-4923-2025-1-4-19
Просмотров:
350
Послать статью по эл. почте 