Область применения; мобильные роботы

Технология создания систем машинного зрения для автономных робототехнических систем должна включать следующие характерные элементы:

- использование стерео- и многокамерных систем зрения;

- использование трехмерных моделей объектов и окружающей обстановки;

- автоматическую реконструкцию элементов трехмерной сцены наблюдения в реальном времени;

- автоматическое самоориентирование и самопозиционирование транспортного средства относительно известной или неизвестной сцены наблюдения;

- автоматическое выделение препятствий в зоне движения робота;

- автоматическое распознавание целевых объектов сцены, формирование управления роботом, нацеленного на приближение к целевым объектам, их захват, использование или перемещение;

- считывание автоматических идентификаторов (цифробуквенных, либо штриховых), нанесенных на целевые объекты, выполнение сценариев работы, связанных с целевыми объектами указанного типа;

- автоматическое слежение за поведением других движущихся объектов сцены;

- автоматическое опознавание людей, распознавание и выполнение команд, подаваемых жестами;

- оценку сценариев развития событий, формирование соответствующего интеллектуального управления:

- программно-аппаратные средства для реализации методов и алгоритмов сбора и обработки видеоинформации.

Целевые области применения данной технологии:

- создание интеллектуальных робототехнических систем для работы на современных производственных технологических линиях;

- создание автономных мобильных роботов для осуществления погрузочно-разгрузочных и других складских работ;

- создание автономных мобильных роботов для работы в сфере обеспечения безопасности, сфере обслуживания, и различных производственных сферах в общении и кооперации с человеком;

- создание автономных мобильных роботов для работы в агрессивных средах и другой обстановке, угрожающей жизни человека.

Эксперты по робототехнике предсказывают резкий рост рынка мобильных роботов в течение ближайших 3-5 лет. Фундаментом грядущего расцвета рынка роботов станут прорывные достижения в области машинного зрения и в технологиях автоматического управления манипуляторами, а также снижение цен на интеллектуальные аппараты. Пока основными покупателями подобных устройств считаются промышленные и военные компании, но уже в конце текущего десятилетия основной доход будет поступать от массового покупателя.

Рассмотрим несколько примеров современных разработок в области мобильной робототехники.

В университете Карнеги-Меллон (США) завершена работа над стереоскопической системой зрения роботов, которая позволит машинам ориентироваться в любых помещениях. Система состоит из двух цифровых камер и встроенной в компьютерный мозг робота 3D-матрицы. Расстояние до объектов определяется геометрически по разнице смещения их изображений, полученных каждой из камер. Разработки в области стереоскопического зрения роботов также активно ведут компании Tyzx, Point Grey Research и Videre Design. Другой современный метод компьютерного зрения использует лазерные искатели, измеряющие расстояние до объектов по времени возврата отраженного света.

Фирма Evolution Robotics предложила технологию, которая позволяет роботу ориентироваться в окружающей среде при помощи колесных датчиков и веб-камеры. Это оборудование стоит менее $50, а не $5000, как другие существующие системы навигации роботов, основанные на лазерных дальномерах. Система, называемая «системой одновременной визуальной локализации и позиционирования (visual simultaneous localization and mapping, VSLAM), составляет карту окрестностей по расстоянию и направлению движения колес робота, а также по объектам, распознаваемым посредством камеры и программного обеспечения. Впоследствии робот ориентируется по этим данным. При первом путешествии по помещению система «обучается», а затем корректирует карту в соответствии с изменениями в расстановке предметов.

Значительны современные достижения в области практического внедрения мобильных роботов. Робот HelpMate с конструкцией R2-D2, поставляемый производителем медицинского оборудования Pyxis, разносит пробы крови, лекарства и еду по коридорам более чем сотни клиник. Matsushita Electric Works работает над собственным медицинским роботом-курьером и планирует начать его поставки. Продаются роботы-пылесосы. Honda и Sony создали роботов-гуманоидов. У ходячего робота Sony SDR-4X ростом 58,5 см 38 суставов, в его голову встроены стереокамеры. Во время движения он избегает препятствий и может различать голоса и песни.

Японский производитель Kawada представил разработанного им робота-гуманоида, который предназначен для работы на производстве. Робот HRP-2P (что означает Humanoid Robotics Project-2 Prototype) работает под управлением ART-Linux. HRP-2Р повторяет фигуру человека, и его конечности имеют те же степени свободы, что и человеческие руки и ноги. Производством роботов занимаются такие компании, как iRobot и ActivMedia Robotics.

Общепризнанными мировыми лидерами в области разработки и производства коммерческих мобильных роботов являются Япония и США.

Применительно к использованию робототехники в военных целях и в чрезвычайных ситуациях приоритетное значение имеют пригодность к эксплуатации в жестких и экстремальных условиях и способность обеспечить защиту обслуживающего персонала, Для выполнения вышеуказанных задач спецподразделения имеют следующие основные группы мобильных роботов;

- мобильный робототехнический комплекс — универсальные наземные роботы, предназначенные для действий на объектах транспорта, промышленности, городской инфраструктуры и т.д., на открытой слабопересеченной местности;

- специальные робототехнические комплексы — роботы, способные перемещаться по вертикальным и наклонным поверхностям промышленных объектов и транспортных средств, а также в трубопроводах и узких местах;

- малогабаритный дистанционно пилотируемый летательный аппарат (МДПЛА) — воздушный робот для проведения разведки на открытой местности, сильно пересеченной местности, в горах, в городе.

Большинство используемых в этой области мобильных роботов на сегодняшний день не являются полностью автономными интеллектуальными системами, однако процент таких устройств по сравнению с телеуправляемыми системами постоянно растет.

Задачу обнаружения препятствий можно отнести к одной из частных, но, безусловно, ключевых задач автономного управления наземными мобильными объектами. С ее решением тесно связаны перспективы автоматизации целого ряда важных функций таких, как самопозициони- рование, анализ достижимости целей управления, оперативное планирование маршрутов перемещения, построение карты исследованного пространства. Стремительное развитие средств получения цифровых изображений и прогресс вычислительной техники открыли новые возможности для решения задачи обнаружения препятствий на базе интеллектуальных систем технического зрения.

На сегодняшний день ощутимые успехи достигнуты в создании систем обнаружения препятствий при движении мобильного объекта в пределах стационарного пространства известной геометрии (офиса, здания) (Vails, 2006; Wang, 2004). Поскольку скорости движения в таких задачах невелики, то для безопасного перемещения обычно достаточно обнаруживать препятствия лишь в непосредственной близости от мобильного объекта. В качестве препятствий в основном рассматриваются объекты, отвечающие предопределенным моделям, которые могут представлять собой как совокупность простых признаков, так и сложные структурные описания.

Другим востребованным классом систем являются системы обнаружения препятствий при движении мобильного объекта по скоростным протяженным маршрутам в условиях априори неизвестной, динамично меняющейся окружающей обстановки, например, при движении транспортного средства (ТС) по автомагистралям. Данная задача является неоспоримо более сложной, и ее текущее состояние можно охарактеризовать как совокупность перспективных подходов, на базе которых созданы первые, тестовые прототипы систем обнаружения (Sun, 2006). Специфика задачи заключается в высокой изменчивости фоно-целевой обстановки, практически не поддающейся формальному математическому описанию. При этом задача усложняется еще и тем, что из-за высоких скоростей движения время реакции системы управления на изменение в окружающей обстановке должно быть минимальным, поэтому необходимо обрабатывать информацию в реальном масштабе времени.

Одним из перспективных подходов к решению задачи обнаружения препятствий средствами машинного зрения является подход на базе стереозрения. Важное преимущество стереоскопических систем заключается в возможности за счет различия в положении камер отличать трехмерные (3D) объекты, отстоящие от поверхности, от объектов, принадлежащих этой поверхности (блики, тени, специальный рисунок), что потенциально снижает вероятность ложных обнаружений. На сегодня основным фактором, ограничивающим применение методов стереозрения для обнаружения препятствий, является вычислительная сложность методов анализа стереоинформации. Как следствие, актуальной остается проблема разработки новых методов и алгоритмов обнаружения 3D-объектов, отличающихся, с одной стороны, корректностью с точки зрения стереофотограмметрии, с другой — использованием «быстрых» процедур обработки, ориентированных на архитектуру современных вычислительных платформ. Решению этой проблемы и посвящена настоящая работа.

Одним из робастных методов обнаружения 3D-объектов на относительно гладкой поверхности является метод «дифференциального ортофото». Основная идея метода заключается в следующем. Если известна аналитическая модель подстилающей поверхности, то с учетом этой модели строятся ортогональные проекции левого и правого изображений стереопары на вспомогательную (например, горизонтальную) плоскость. Будем называть такие проекции «ортофото». В отсутствие трехмерного объекта, при условии, что модель идеально описывает наблюдаемую поверхность, ортофото левого и правого изображений совпадают. Наличие 3D-объекта приводит к возникновению отклонений от модели поверхности, в результате чего на ортофото объект оказывается «спроектированным» на загораживаемую им область (см. рисунок 1).

За счет различия в положении камер стереосистемы на разности левого и правого ортофото (дифференциальном ортофото) в области границ 3D-объекта возникают характерные яркостно-геометрические структуры угловой формы (см. рисунок 2). Таким образом, задача обнаружения 3D-объектов может быть сведена к более простой задаче поиска на дифференциальном ортофото двумерной структуры угловой формы.

Однако решение и этой задачи сопряжено с ощутимыми вычислительными затратами и труднореализуемо в системах реального времени. Вычислительно эффективная реализация данного метода основана на использовании полярных координат.

Важное преимущество радиального ортофото заключается в следующем. В отличие от ортофото, построенного в прямоугольной системе координат, на радиальном ортофото границы объекта не искажаются, т. е. невидимая область, загораживаемая объектом, имеет прямоугольную форму с вертикальными краями. Поскольку границы объекта есть области существенного перепада яркости, то в качестве характерного признака 3D-объекта на радиальном ортофото можно рассматривать яркостно- геометрическую структуру максимально простой формы — совокупность вертикальных границ контрастности (контуров). Поиск такой структуры может быть организован на базе вычислительно эффективных операций построения и анализа интегральных проекций яркости в вертикальном и горизонтальном направлении специального «признакового» изображения. Т.е. уже на начальном этапе обработки выполняется переход от дорогостоящих в вычислительном плане операций анализа изображений к более быстрым операциям анализа одномерных массивов (проекций яркости).