Помощь в написании студенческих работ
Антистрессовый сервис

Метод построения и исследование нейросетевых визуальных планировщиков перемещений подвижных объектов

Диссертация: Метод построения и исследование нейросетевых визуальных планировщиков перемещений подвижных объектов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Апробация работы. Основные результаты исследований по теме диссертации докладывались на конференции «Перспективные системы и задачи управления» (п. Домбай, 2009 г.), международном коллоквиуме «Мехатроника-2006» (г. Новочеркасск, 2006 г.), первой Всероссийской научной конференции студентов и аспирантов (с международным участием) «Робототехника, мехатроника и интеллектуальные системы» (г. Таганрог… Читать ещё >

Метод построения и исследование нейросетевых визуальных планировщиков перемещений подвижных объектов (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. ОБЗОР МЕТОДОВ И ПОДХОДОВ К СОЗДАНИЮ ПЛАНИРОВЩИКОВ ПЕРЕМЕЩЕНИЙ МОБИЛЬНЫХ РОБОТОВ
    • 1. 1. Анализ задач в области планирования перемещений мобильных роботов
    • 1. 2. Обзор существующих подходов к созданию планировщиков перемещений мобильных роботов
      • 1. 2. 1. Дискретные методы планирования пути
      • 1. 2. 2. Планирование движений в непрерывных пространствах
      • 1. 2. 3. Методы обхода препятствий
      • 1. 2. 4. Методы визуального планирования и обхода препятствий
      • 1. 2. 5. Нейросетевые планировщики
  • Выводы по главе 1
  • Глава 2. РАЗРАБОТКА НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ ОБЪЕКТОВ
    • 2. 1. Постановка задачи
    • 2. 2. Конструирование планировщика
      • 2. 2. 1. Выбор представления траекторий
      • 2. 2. 2. Синтез обобщенной структуры планировщика
      • 2. 2. 3. Глобальное планирование траекторий
      • 2. 2. 4. Нейросетевой локальный планировщик с существенной предобработкой данных
      • 2. 2. 5. Нейросетевые алгоритмы на основе сверточных нейронных сетей
    • 2. 3. Комплексирование локальной и глобальной траекторий движения
  • Выводы по главе 2
  • Глава 3. МОДЕЛИРОВАНИЕ ВИЗУАЛЬНОГО НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ ОБЪЕКТОВ
    • 3. 1. Структура программного комплекса для конструирования и моделирования и реализации неГфосетевых планировщиков перемещений
    • 3. 2. Программный модуль для реализации и моделирования нейронных сетей
    • 3. 3. Библиотека для реализации нейросетевых планировщиков на языках высокого уровня
    • 3. 4. Моделирование визуального нейросетевого планировщика
      • 3. 4. 1. Генерация обучающей выборки
      • 3. 4. 2. Результаты моделирования
  • Выводы по главе 3
  • Глава 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ВИЗУАЛЬНОГО НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ ОБЪЕКТОВ
    • 4. 1. Описание подвижного объекта для экспериментального исследования
    • 4. 2. Сбор обучающих данных
    • 4. 3. Обучение и результаты эксперимета
  • Выводы по главе 4

Актуальность темы

.

Развитие таких областей науки как информатика, механика, микроэлектроника, кибернетика, позволило разработать и реализовать множество эффективных исполнительных механизмов, сенсорных устройств, средств вычислительной техники, используемых при реализации подвижных объектов (ПО). С другой стороны ключевой проблемой на пути создания автономных подвижных объектов является разработка системы управления, способной на основе данных от сенсорной системы формировать такие управляющие воздействия на исполнительные механизмы (ИМ), которые позволяли бы выполнять поставленные перед ПО задачи автономно, в априори неформализованных или частично формализованных средах. Различным аспектам этой проблемы посвящены работы как отечественных (Галушкин А.И., Каляев И. А., Капустян С. Г., Лохин В. М., Люмельский В. Ю., Макаров И. М., Манько С. В., Носков В. П., Пшихопов В. Х., Чернухин Ю. В., Юревич Е.И.), так и зарубежных (Kavraki L. Е., Khatib О., Lamond J.-P., Latombe J.C., LaValle S.M., LeCun Y., Lindemann S.R.) ученых.

Для реализации такой системы управления необходима разработка интеллектуального планировщика, способного формировать траектории движения на основе сенсорных данных в реальном режиме времени для тактического уровня системы управления в соответствии с глобальными целями и задачами ПО. На сегодняшний день планирование перемещений подвижных объектов является довольно хорошо изученной проблемой, для решения которой существует ряд методов и алгоритмов имеющих свои достоинства и недостатки.

Так, классические методы планирования перемещений голономных и неголономных подвижных объектов позволяют получить решения, минимизирующие выбранный критерий, и подходят для сред с большим количеством статических объектов, но не применимы для планирования в реальном времени. Подходы, основанные на применении лазерных сканирующих систем, позволяют получить профиль статических и динамических препятствий и сформировать траекторию обхода этих препятствий, но в силу габаритов и стоимости этих систем их область применения ограничена. Напротив, использование довольно дешевых и малогабаритных ультразвуковых или инфракрасных дальнометрических датчиков, предоставляет слишком мало данных о внешней среде, чтобы осуществлять эффективное планирование движения. В этой связи системы технического зрения на базе телекамер позволяют получать полную информацию о внешней среде ПО, обладая сравнительно малыми габаритами, стоимостью и энергопотреблением. Именно поэтому, усилия многих научных коллективов направлены на создание систем планирования, способных на основе визуальной информации формировать траектории движения, необходимые для выполнения задач, поставленных перед подвижным объектом. Такие планировщики называют визуальными.

В диссертации решается задача разработки и исследования метода построения нейросетевых визуальных планировщиков перемещений подвижных объектов, позволяющих формировать траектории движения на основе визуальной информации в априори неформализованных средах посредством обучения. Данный метод представляет интерес при проектировании современных автономных и автоматизированных подвижных объектов.

Тематика диссертации соответствует приоритетным направлениям развития науки, технологий и техники в Российской Федерации «Транспортные, авиационные и космические системы», «Перспективные вооружения, военная и специальная техника», а также критическим технологиям «Базовые и критические военные, специальные и промышленные технологии», «Технологии создания и управления новыми видами транспортных систем».

Целью диссертационной работы является расширение функциональных возможностей, повышение быстродействия и точности отработки заданий подвижными объектами за счет разработки метода построения, исследования и практической реализации визуальных нейросетевых планировщиков перемещений.

Объектом исследования в диссертационной работе являются системы планирования перемещений подвижных объектов.

Предметом исследования является метод и процедуры построения, обучения и моделирования визуальных нейросетевых планировщиков перемещений подвижных объектов.

Методы исследования. Для решения поставленных в работе задач применились методы теории искусственных нейронных сетей, нейроинформатики, систем технического зрения, вычислительных систем. Проверка полученных теоретических результатов выполнялась с использованием методов численного моделирования в среде MATLAB и подтверждена результатами натурных экспериментов на автономном мобильном роботе «Скиф-3».

Наиболее существенные научные результаты, полученные лично автором, и степень их новизны:

— метод построения визуальных нейросетевых планировщиков, впервые использующий сверточные нейронные сети для интеллектуальной обработки входных данных и позволяющий на основе параметров входных и выходных данных определить структуру и состав планировщика уже на стадии его проектирования, а также, в отличие от известных подходов, исключить из структуры планировщика блоки предобработки данных, что обеспечивает возможность функционирования планировщика в реальном масштабе времени- - метод формирования обучающей выборкидля нейросетевого планировщика, отличающийся от экспертного/формирования выборки. использованием дополнительных сенсоров, а также наличием специальных алгоритмов, увеличивающих репрезентативность выборки, что позволяет автоматизировать процесс адаптации планировщика к изменяющимся условиям внешней среды, и, по сравнению с известными результатами, ускорить сходимость процесса обучения и снизить количество неверно распознанных ситуаций-. ,: г метод программно-аппаратной, реализации планировщиков, отличающийся использованием особенностей процесса обратного- ' распространения, ошибки в сверточных нейронных сетях,' что позволяет, в сравнении с планировщиками на базе полносвязных сетей, сократить сроки •, реализации систем управления и повысить их быстродействие-: .

— визуальный нейросетевой планировщик перемещений подвижных объектов, не: требующий, в отличие от известных, решений, применения активных сенсорных, устройств, — отличающийся алгоритмами" обучения и i видом формируемых траекторий, что позволяет расширить функциональные — возможности подвижных обт>ектов, увеличить точность выполнения ими заданий и уменьшить их габаритные размеры.. ¦ Теоретическая значимость работы.

Представленный в диссертации метод существенно дополняет известные теоретические подходы к проектированию планировщиков — перемещений для подвижных объектов, т.к. позволяет конструировать планировщики, формирующие траектории движения в виде как линейных, так и квадратичных форм базовых координат на основе только визуальной информации, без использования активных сенсоров. Кроме того, за счет использования в основе планировщика обучаемой системы, предложенные в, работе структурно-алгоритмические решения, позволили унифицировать разработанный метод доя использования при проектировании систем управления подвижными объектами, функционирующими в существерщо различных условиях (условия освещенности, текстуры фона, объектов и т. д.) и решающими существенно различные задачи (обход препятствий, слежение за объектом, движение вдоль визуальных меток).

Практическая значимость работы.

Предложенные методы и подходы позволяют перейти на качественно новый уровень проектирования систем планирования перемещений, обеспечивая повышение точности формирования ими траекторий движения подвижных объектов, степени их обучаемости, а также снижение массогабаритных и стоимостных показателей систем управления в целом. Это позволяет придать подвижным объектам на базе различных носителей (наземные роботы, летательные и подводные аппараты) свойство автономности при перемещении в априори неформализованных средах и существенно расширить их область функционирования.

Реализация результатов. Теоретические и практические разработки, выполненные в рамках данной работы использованы при создании колесного автономного мобильного робота «Скиф-3», а также при выполнении НИР «Разработка экспериментального образца интегрированной системы управления роботизированным воздухоплавательным комплексом на базе дирижабля» (шифр «Автокорд-Т»).

Достоверность полученных результатов: обеспечивается применением принципов и методов нейроинформатики, построения искусственных нейронных сетей, систем технического зрения, а также строгими математическими выводамиподтверждается результатами компьютерного моделирования, а также экспериментальной реализацией алгоритмов планированиясогласуется с данными экспериментов и результатами исследований других авторов, представленными в печатных изданиях.

Апробация работы. Основные результаты исследований по теме диссертации докладывались на конференции «Перспективные системы и задачи управления» (п. Домбай, 2009 г.), международном коллоквиуме «Мехатроника-2006» (г. Новочеркасск, 2006 г.), первой Всероссийской научной конференции студентов и аспирантов (с международным участием) «Робототехника, мехатроника и интеллектуальные системы» (г. Таганрог, 2005), федеральной итоговой научно-технической конференции «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам» (г. Москва, 2004 г.), научно-технической конференции «Экстремальная робототехника» (г. Санкт-Петербург, 2004 г.), научной школы-конференции «Мобильные роботы и мехатронные системы» (г. Москва, 2003 г.).

Высокий уровень разработок по теме диссертации отмечен почетной грамотой и индивидуальным грантом Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса» («У.М.Н.И.К.», 2009 г), медалью министра образования и науки РФ за лучшую студенческую работу (2005 г.), дипломом победителя федеральной итоговой научно-технической конференции «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам» (МИЭМ, Москва, 2004), премией главы администрации (губернатора) Ростовской области за успехи в науке и др.

Публикации.

Основные результаты исследований по теме диссертации изложены в 19 печатных работах, в том числе в 6 статьях в ведущих научных изданиях, рекомендованных ВАК для публикации результатов работ по диссертациям на соискание ученой степени кандидата технических наук, в 13 статьях в материалах Всероссийских и международных конференций. Шесть работ из 19 опубликованы автором единолично.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, содержащего 140 наименований, и содержания. Текст работы изложен на 194 страницах, содержит 36 рисунков, 5 таблиц и 1 приложение.

Выводы по главе 4.

В четвертой главе представлены результаты практической реализации и проведенных экспериментов по обучению визуального нейросетевого планировщика перемещений подвижных объектов. Поскольку прямых аналогов представленного в диссертации планировщика нет, в таблице 4.1 представлено сравнение с наиболее близкими результатами, полученными другими авторами.

ЗАКЛЮЧЕНИЕ

.

В работе, на основании выполненных исследований разработан метод, который позволил решить научную задачу построения нейросетевого визуального планировщика перемещений для подвижных объектов, функционирующих в формализованных и априори неформализованных средах, и имеющую важное хозяйственное значение.

В работы получены следующие результаты:

1. Разработан визуальный нейросетевой планировщик перемещений подвижных объектов для априори неформализованных сред, отличающийся от известных планировщиков использованием сверточной нейронной сети в качестве основного вычислительного элемента, возможностью функционирования в реальном масштабе времени без применения активных сенсорных устройств, алгоритмами обучения и видом формируемых траекторий, что позволяет, в сравнении с известными решениями, расширить функциональные возможности подвижных объектов, увеличить точность выполнения ими заданий и уменьшить их габаритные размеры в 2−3 раза.

2. Разработан метод построения визуальных нейросетевых планировщиков, впервые представленный в данной работе, позволяющий на основе параметров входных и выходных данных определить структуру и состав планировщика для широкого круга задач;

3. Разработан метод формирования обучающей выборки для нейросетевого планировщика, отличающийся от экспертного формирования выборки использованием дополнительных сенсоров, а также наличием специальных алгоритмов, увеличивающих репрезентативность выборки, что позволяет автоматизировать процесс адаптации планировщика к изменяющимся условиям внешней среды, и, по сравнению с известными результатами, ускорить сходимость процесса обучения на 10−50% и снизить количество неверно распознанных ситуаций в 3−7 раз.

4. Разработан метод программно-аппаратной реализации планировщиков, отличающийся использованием особенностей процесса обратного распространения ошибки в сверточных нейронных сетях, что позволяет, в сравнении с планировщиками на базе полносвязных сетей, сократить сроки реализации систем управления и повысить их быстродействие Указанные результаты могут быть использованы для реализации высокоэффективных подвижных объектов на базе летательных и подводных аппаратов, наземных и воздухоплавательных средств, оборудованных системами технического зрения, в задачах организации перемещений в априори неформализованных средах.

Показать весь текст

Список литературы

  1. К. 25 лет Луноходу-1 // Новости Космонавтики. — 1995. -№ 23−25.
  2. Е. И. Роботы ЦНИИ РТК на Чернобыльской АЭС и развитие экстремальной робототехники. — СПб.: Изд. СПбГПУ, 2003.
  3. Е.А. Интеллектуальные мобильные роботы // Политехнические чтения. Кибернетика — ожидание и результаты.- М.: Знание. Вып. 2. — 2002.
  4. Ю.Г. Управление движением м обильных к олёсных роботов // Фундаментальная и прикладная математика. 2005. — Т. 11. — № 8.- С. 29−80.
  5. Siciliano В. Khatib О. Springer Handbook of Robotics. 1611 p. 1375 illus., 422 in color. With DVD., Hardcover. 2008. ISBN: 978−3-540−23 957−4.
  6. Lavalle S. M. Planning Algorithms. Cambridge University Press. 8421. P
  7. Laumond J. P. Robot Motion Planning and Control. Springer-Verlag Telos, — 1998.-343 p.
  8. Чип и Дип. Мастер электроники. Сеть профессиональных магазинов. Электронный ресурс.: база данных электронных компонентов — Электрон, дан.— М., [199-?] — Режим доступа: http://www.chip-dip.ru/product0/307 950 080.aspx, свободный. — Загл. с экрана.
  9. Миниатюрные Автономные Комплексы Слежения. Электронный ресурс.: описание продукции — Электрон, дан.— [М.?], [199-?] — Режим доступа: http://www.radiocam.ru/ZT-802.htm, свободный. — Загл. с экрана.
  10. Proceedings IEEE/RSJ International of Conference on Intelligent Robots and Systems, 2007. IROS 2007.
  11. Cormen Т. H., Leiserson С. E., Rivest R. L. and Stein C. Introduction to Algorithms (2nd Ed.). MIT Press, Cambridge, MA, 2001.
  12. Dijkstra E. W. A note on two problems in connexion with graphs. Numerische Mathematik, 1:269−271,-1959.
  13. Pearl J. Heuristics. Addison-Wesley, Reading, MA, 1984.
  14. Likhachev M., Ferguson D., Gordon G., Stentz A., Thrun S. Anytime dynamic A*: An anytime, replanning algorithm. Proceedings of the International Conference on Automated Planning and Scheduling (ICAPS), 2005.
  15. Lozano-P'erez T. Spatial planning: A configuration space approach. // IEEE Transactions on Computing, C-32(2). 1983. — P. 108−120.
  16. Udupa S. Collision detection and avoidance in computer controlled manipulators. Ph.D. // Thesis Dept. of Electical Engineering, California Institute of Technology, 1977.
  17. Lozano-Perez T. Spatial planning // A configuration space approach, IEEE Trans. Comput. C-32(2). 1983. — P. 108−120.
  18. Reif J.H. Complexity of the mover’s problem and generalizations, IEEE Symp. Found. Comput. Sci, 1979. — P. 421−427.
  19. Schwartz J.T., Sharir M. On the piano movers' problem // III Coordinating the motion of several independent bodies, Int. J. Robot. Res. 2(3). 1983.-P. 97−140.
  20. Schwartz J.T., Sharir M. On the piano movers' problem: V. The case of a rod moving in three dimensional space amidst polyhedral obstacles, Commun. Pure Appl. Math. 37, 1984. P. 815−848.
  21. Halperin D., Sharir M. A near-quadratic algorithm for planning the motion of a polygon in a polygonal environment, Discrete Comput. Geom. 16., -1996.-P. 121−134.
  22. С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. — М.: Издательский дом «Вильяме», 2006.- 1408 с.
  23. Gonzalez-Banos Н.Н., Hsu D., Latombe J.C. Motion planning: Recent developments. In: Automous Mobile Robots: Sensing, Control, Decision-Making and Applications, ed. by S.S. Ge, F.L. Lewis, CRC, Boca Raton, 2006.
  24. Kavraki L.E., Svestka P., Latombe J.C., Overmars M.H. Probabilistic roadmaps for path planning in high-dimensional configuration spaces, IEEE Trans. Robot. Autom. 12(4), — 1996.-P. 566−580.
  25. Amato N.M., Bayazit O.B., Dale L.K., Jones C., Vallejo D. OBPRM: an obstacle-based PRM for 3D workspaces, Workshop Algorith. Found. Robot, — 1998.-P. 155−168.
  26. Boor V., Overmars M.H., van der Stappen A.F. The Gaussian sampling strategy for probabilistic roadmap planners, IEEE Int. Conf. Robot. Autom, 1999.-P. 1018−1023.
  27. LaValle S.M., Branicky M.S., Lindemann S.R. On the relationship between classical grid search and probabilistic roadmaps, Int. J. Robot. Res. 23(7/8), 2004. P. 673−692.
  28. Simeon Т., Laumond J.-P., Nissoux C. Visibility based probabilistic roadmaps for motion planning, Adv. Robot. 14(6), 2000. P. 477−493.
  29. Hsu D., Jiang Т., Reif J., Sun Z. The bridge test for sampling narrow passages with probabilistic roadmap planners, IEEE Int. Conf. Robot. Autom, 2003.
  30. Pettersson P. O., Doherty P. Probabilistic roadmap based path planning for an autonomous unmanned helicopter, Journal of Intelligent and Fuzzy Systems, Volume 17.-№ 4.-2006.-P. 395−405.
  31. LaValle S.M., Kuffner J.J. Rapidly-exploring random trees: progress and prospects. In: Algorithmic and Computational Robotics: New Direction, ed. by B.R. Donald, K.M. Lynch, D. Rus, A. K. Peters, Wellesley, 2001. — P. 293−308.
  32. Bekris K.E., Chen B.Y., Ladd A., Plaku E., Kavraki L.E. Multiple query probabilistic roadmap planning using single query primitives, IEEE/RSJ Int. Conf. Intell. Robot. Syst, 2003.
  33. Strandberg M. Augmenting RRT-planners with local trees, IEEE Int. Conf. Robot. Autom, 2004. — P. 3258- 3262.
  34. Nilson NJ. A mobile automaton: an application of artificial intelligence techniques, 1st Int. Joint Conf. Artif. Intell, 1969. — P. 509−520.
  35. Lumelsky V., Stepanov A. Path planning strategies for a point mobile automation moving admist unknown obstacles of arbitrary shape, Algorithmica 2, 1987.-P. 403—430.
  36. Chatila R. Path planning and environmental learning in a mobile robot system, Eur. Conf. Artif. Intell, 1982.
  37. Khatib O. Real-time obstacle avoidance for manipulators and mobile robots, Int. J. Robot. Res. 5, 1986. — P. 90−98.
  38. Krogh B.H., Thorpe C.E. Integrated path planning and dynamic steering control for autonomous vehicles, IEEE Int. Conf. Robot. Autom, 1986. -P. 1664−1669.
  39. Borenstein J., Koren Y. Real-time obstacle avoidance for fast mobile robots, IEEE Trans. Syst. Man Cybern. 19(5), 1989. — P. 1179−1187.
  40. Azarm K., Schmidt G. Integrated mobile robot motion planning and execution in changing indoor environments, IEEE/RSJ Int. Conf. Intell. Robots Syst.-1994.-P. 298−305.
  41. Masoud A., Masoud S., Bayoumi M. Robot navigation using a pressure generated mechanical stress field, the biharmonical potential approach, IEEE Int. Conf. Robot. Autom. 1994. — P. 124−129.
  42. Borenstein J., Koren Y. The vector field histogram-fast obstacle avoidance for mobile robots, IEEE Trans. Robot. Autom. 7, 1991. — P. 278−288.
  43. Minguez J. The obstacle restriction method (ORM): obstacle avoidance in difficult scenarios, IEEE Int. Conf. Intell. Robot Syst, 2005.
  44. Fox D., Burgard W., Thrun S. The dynamic window approach to collision avoidance, IEEE Robot. Autom. Magaz. 4(1), 1997. — P. 23−33.
  45. Fiorini P., Shiller Z. Motion planning in dynamic environments using velocity obstacles, Int. J. Robot. Res. 17(7), 1998. — P. 760−772.
  46. Minguez J., Montano L. nearness diagram (ND) navigation: collision avoidance in troublesome scenarios, IEEE Trans. Robot. Autom. 20(1), — 2004. -P. 45−59.
  47. Minguez J., Montano L. Extending reactive collision avoidance methods to consider any vehicle shape and the kinematics and the dynamic constraints. IEEE Trans. Robot, (in press).
  48. Minguez J., Montano L. Robot navigation in very complex dense and cluttered indoor/outdoor environments, 15th IF AC World Congress, 2002.
  49. Quinlan S., Khatib O. Elastic bands: Connecting path planning and control, IEEE Int. Conf. Robot. Autom. 1993. — P. 802−807.
  50. Brock O., Khatib O. Real-time replanning in highdimensional configuration spaces using sets of homotopic paths, IEEE Int. Conf. Robot. Autom. -2000. -P. 550−555.
  51. Brock O., Khatib O. High-speed navigation using the global dynamic window approach, IEEE Int. Conf. Robot. Autom. 1999. — P. 341−346.
  52. Minguez J., Montano L. Sensor-based motion robot motion generation in unknown, dynamic and troublesome scenarios, Robot. Auton. Syst. 52(4), -2005.-P. 290−311.
  53. Marin-Hernandez A., Devy M. and Ayala-Ramirez V. Visual Planning for Autonomous Mobile Robot Navigation. MICAI 2005: Advances in Artificial1.telligence. Springer Berlin / Heidelberg. Volume 3789/2005. ISBN 978−3-54 029 896−0.
  54. Burschka D., Geiman J. and Hager G. Optimal landmark configuration for vision-based control of mobile robots. Pro c. of 2003 IEEE ICRA, Taipei, Taiwan, September 14−19, 2003. — P. 3917−3922.
  55. Hayet J.B., Lerasle F. and Devy M. Visual Landmarks Detection and Recognition for Mobile Robot Navigation, in Proc. 2003 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR'2003), Vol. II,, Madison, Wisconsin, USA, -2003.-P. 313−318.
  56. Jurie F., Dhome M. Hyperplane Approximation for Template Matching, in IEEE. Trans, on Pattern Analysis and Machine Intelligence, vol. 24. -2002.-№ 7.-P. 996−1000.
  57. Ralf Moller. Perception through Anticipation An Approach to Behaviour-based Perception, in Proc. New Trends in Cognitive Science, Vienna, 1997.-P. 184−190.
  58. Tarabanis K.A., Tsai R.Y. and Kaul A. Computing occlusion-free view-points. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(3), 1996.-P. 279−292.
  59. Klein K., Sequeira V. View planning for the 3D modelling of Real World Scenes. 2000 IEEE/RS JIROS, vol. II, 2000. — P. 943−948.
  60. Nilsson NJ. Shakey the Robot. Technical Note 323, SRI International, 1984.
  61. Horswill I. Visual Collision Avoidance by Segmentation. In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, 1994.-P. 902−909.
  62. Turk M.A., Marra M. Color Road Segmentation and Video Obstacle Detection, In SPIE Proceedings of Mobile Robots, Vol. 727, Cambridge, MA, 1986.-P. 136−142.
  63. Lourakis M.I.A., Orphanoudakis S.C. Visual Detection of Obstacles Assuming a Locally Planar Ground. Technical Report, FORTH-ICS, TR-207, 1997.
  64. Lorigo L. M., Brooks R. A., Grimson W. E. L. Visually-Guided Obstacle Avoidance in Unstructured Environments. In proceedings of IEEE Conference on Intelligent Robots and Systems, 1997. P. 373 — 379.
  65. Bellhi C., Panzieri S., Pascucci F. A real-time architecture for low-cost vision based robots navigation. Proceedings of the 15th IF AC World Congress, 2002.-P. 479−484.
  66. Zhang H., Ostrowski J. P. Visual Motion Planning for Mobile Robots. IEEE Transactions on Robotics and Automation, Vol. 18, — № 2, — 2002. -P. 199−208.
  67. D. Roberts K. «Bee-bot»: using peripheral optical flow to avoid obstacles. In Intelligent Robots and Computer Vision Boston, MA, SPIE 1825:714−721, 1992.
  68. Santos-Victor J. Sandini G. Uncalibrated obstacle detection using normal flow, 1995.
  69. Santos-Victor J., Sandini G., Curotto F. Garibaldi S. Divergent stereo in autonomous navigation: from bees to robots. Int’l Journal of Computer Vision, 1995.-P. 159−177.
  70. Coombs D., Herman M., Hong Т., Nashman M. Real-time Obstacle Avoidance Using Central Flow Divergence and Peripheral Flow. IEEE Transactions on Robotics and Automation, 1995. P. 276 — 283
  71. И.А., Гайдук A.P. Однородные нейроподобные структуры в системах выбора действий интеллектуальных роботов. М.: Янус-К, -2000.-280 с.
  72. Ю.В., Пшихопов В. Х., Писаренко С. Н., Трубачев О. Н. Иерархическое нейросетевое управление мобильными роботами впрограммной среде // Труды 1-й Международной конференции по мехатронике и робототехнике МиР-2000. Т. 2. — СПб., 2000. — С. 375−379.
  73. Glasius R., Komoda A., Gielen S. Neural Network Dynamics for Path Planning and Obstacle Avoidance. Neural Networks, Vol. 8, Issue 1, 1995. — P. 125−133.
  74. Yang S.X., Meng M.Q.-H. Real-time collision-free motion planning of a mobile robot using a Neural Dynamics-based approach. IEEE Transactions on Neural Networks, Vol. 14, Issue 6, 2003. — P. 1541 — 1552.
  75. L. О., Roisenberg М., Roberto De Pieri Е. A neural architecture for online path learning in maze navigation. Robot Control, — Vol. 8, — Part 1.
  76. Jochem Т., Pomerleau D., Thorpe C. Vision-based neural network road and intersection detection and traversal. In Proc. IEEE Conf. Intelligent Robots and Systems, volume 3, 1995. P. 344−349.
  77. Dean A. Pomerleau. Knowledge-based training of artificial neural netowrks for autonomous robot driving. In J. Connell and S. Mahadevan, editors, Robot Learning. Kluwer Academic Publishing, 1993.
  78. S. В., Maimone M., Matthies L. Stere о vision and rover navigation software for planetary exploration. In IEEE Aerospace Conference Proceedings, March 2002.
  79. Kelly A., Stentz A. Stereo vision enhancements for low-cost outdoor autonomous vehicles. In International Conference on Robotics and Automation, Workshop WS-7, Navigation of Outdoor Autonomous Vehicles, (ICRA '98), 1998.
  80. Kriegman D.J., Triendl E., Binford Т.О. Stereo vision and navigation in buildings for mobile robots. IEEE Trans. Robotics and Automation, 5(6):792−803, 1989.
  81. Thorpe C., Herbert M., Kanade Т., Shafer S. Vision and navigation for the carnegie-mellon navlab. IEEE Trans. Pattern Analysis and Machine Intelligence, 10(3):362−372, 1988.
  82. Zhang L., Seitz S.M. Estimating optimal parameters for mrf stereo from a single image pair, IEEE Trans. Pattern Anal. Mach. Intell. 29(2), 331−342, 2007.
  83. LeCun Y., Muller U., Ben J., Cosatto E. and Flepp B. Off-Road Obstacle Avoidance through End-to-End Learning, Advances in Neural. Information Processing Systems (NIPS 2005), MIT Press, 2005.
  84. Д., Адаме Дж. Математические основы машинной графики. -М.: Мир, 2001.
  85. В.Н. Квадратичные формы и матрицы. М.: Изд-во «Наука», 1964.-160 с.
  86. В.Х. Позиционно-траекторное управление подвижными объектами. Таганрог: Изд-во ТТИ ЮФУ, 2009. — 183 с.
  87. В.Х. Аттракторы и репеллеры в конструировании систем управления подвижными объектами // Известия ТРТУ. Тематический выпуск «Перспективные системы и задачи управления». — Таганрог, 2006. -№ 3 (58)-С. 117−123.
  88. Gottschalk S., Lin M.C. and Manocha D. Obbtree: A hierarchical structure for rapid interference detection. In Proc. of the 23rd Int’l. Conf. on Computer graphics and interactive techniques, 1996. P. 171−180.
  89. С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. -М.: Финансы и статистика, 2002. 344 с.
  90. Форсайт, Девид А., Понс, Жан. Компьютерное зрение. Современный подход: Пер. с англ. — М.: Издательский дом «Вильяме», 2004. 928 с.
  91. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Systems, Man, and Cybernetics, 9(1), 1979. P. 62−66.
  92. М.Ю. Нейросетевая система планирования движения мобильного робота. Мобильные роботы и мехатронные системы // Материалы научной школы-конференции (Москва, 17−18 ноября 2003). М.: Изд-во Моск. ун-та, 2004. — С. 318−325.
  93. М.Ю. Система планирования перемещений автономного мобильного робота. Фундаментальные и прикладные проблемы современной техники. Ростов н/Д: Изд-во СКНЦ ВШ, 2004.
  94. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев, А. А. Роженцов, Р. Г. Хафизов, И. Л. Егошина, А. Н. Леухин // Под ред. Я. А. Фурмана. М.: ФИЗМАТЛИТ, 2002. — 592 с.
  95. Le Cun Y., Bengio Y. Convolutional networks for images, speech, and time series. In Michael A. Arbib, editor, The Handbook of Brain Theory and Neural Networks, MITPress, Cambridge, Massachusetts, 1995. -P. 255−258.
  96. LeCun Y., Huang F.-J., Bottou L. Learning Methods for Generic Object Recognition with Invariance to Pose and Lighting, Proceedings of CVPR'04, IEEE Press, 2004.
  97. Huang F.-J., LeCun Y. Large-Scale Learning with SVM and Convolutional Nets for Generic Object Categorization, Proc. Computer Vision and Pattern Recognition Conference (CVPR'06), IEEE Press, 2006.
  98. LeCun Y., Bengio Y. Word-level training of a handwritten word recognizer based on convolutional neural networks, in IAPR (Eds), Proc. of the International Conference on Pattern Recognition, 11:88−92, IEEE, Jerusalem, 1994.
  99. Lawrence S. Tsoi A. C., Back A. D. Face recognition: A convolutional neural network approach. IEEE Transactions on Neural Networks, 1997. — P. 98 — 113.
  100. Nowlan S. J., Piatt J. C. A convolutional neural network hand tracker. Advances in Neural Information Processing Systems, Morgan Kaufmann, 1995. — P. 901−908.
  101. Browne M., Ghidary S. S. Convolutional neural networks for image processing: an application in robot vision. In to appear at Australian Joint Conference on Artificial Intelligence, 2003. — P. 641 652.
  102. Sukittanon S., Surendran A.C., Piatt J.C., Burges C.J. C. Convolutional networks for speech detection, 1995.
  103. Choi S., Cichocki A., Korea C., Cascade neural networks for multichannel blind deconvolution, Electronics Letters, 1998, Vol. 34. — P. 1186 -1187.
  104. LeCun Y., Denker J. S., Solla S., Howard R. E., Jackel L. D.: Optimal Brain Damage, in Touretzky, David (Eds), Advances in Neural Information Processing Systems 2 (NIPS*89), Morgan Kaufinan, Denver, CO, 1990.
  105. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11):2278−2324, 1998.
  106. Huang F. J., LeCun Y. Large-scale Learning with SVM and Convolutional Nets Large-scale Learning with SVM and Convolutional Nets. Proc. Computer Vision and Pattern Recognition Conference (CVPR'06), IEEE Press, 2006
  107. Neubauer C. Evaluation of Convolutional Neural Networks for Visual Recognition. IEEE Transactions on neural networks, vol. 9, no. 4, 1998.
  108. X. Нейронные сети. Полный курс. Издательство: Вильяме, 2006.-1104 с.
  109. Ф. Нейрокомпьютерная техника : Теория и практика. -М.: Мир, 1992.
  110. Le Cun Y., Bottou L., Orr G. and Muller K. Efficient BackProp. in Orr, G. and Muller K. (Eds), Neural Networks: Tricks of the trade, Springer, 1998.
  111. Д. Алгоритмические основы машинной графики. — М.: Мир, 1989.
  112. Л., Локвуд Л. Разработка программного обеспечения. СПб.: Питер, 2004. — 592 с.
  113. В. П. Matlab R2006/2007/2008. Simulink 5/6/7. Основы применения. М: Солон-Пресс, 2008. — 800 с.
  114. В. С., Потемкин В. Г. Нейронные сети. MATLAB 6.- М.: Диалог-МИФИ, 2005. 496 с.
  115. Lush. Электронный ресурс.: Домашняя страница объектно-ориентированного инженерного языка программирования / авт. LeCun Y. — Электрон. дан. — [New York?], [199-?] — Режим доступа: http://lush.sourceforge.net7, свободный. — Загл. с экрана. — Яз. англ.
  116. Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного программирования. Паттерны проектирования. — СПб: Питер, 2001.-368 с.
  117. Р. Объектно-ориентированное программирование в С++.- СПб.: Питер, 2007. 928 с.
  118. А.И., Половов A.B. Реализация нейронных сетей с переменной структурой на ПЛИС // Нейрокомпьютеры: разработка, применение. 2007. -№ 11. С. 35−37.
  119. Загл. с экрана. —Яз. англ.
  120. Peter Thoman. Multigrid Methods on GPUs. VDM Verlag Dr. Mueller e.K. 2008.-72 p.
  121. Berna L. Massingill, Beverly A. Sanders, Timothy G. Mattson Patterns for Parallel Programming. Addison-Wesley Professional- 1 edition, 2004. — 384 p.
  122. A Neural Network on GPU. Электронный ресурс.: Описание iреализации нейронной сети с использованием CUDA / авт. Сопап В., Chen К.
  123. Электрон, дан. California?., 2008 — Режим доступа: http://www.codeproject.com/KB/graphics/GPUNN.aspx, свободный. —: Загл. с экрана. — Яз. англ.
  124. Официальный курс обучения пакету 3ds max. Издательство: НТ Пресс, 2007.-1072 с.
  125. S. Е. Engineering and Scientific Computations Using MATLAB. Wiley-Interscience, 2003.-240 p.
  126. М.Ю. Процедура реализации на ЭВМ процессов прямого и обратного распространения в многослойных нейросетях. — Ростов-на-Дону: Издательство СКНЦ ВШ, 2003. С. 107−112.
  127. Ю. И. Иванов, В. А. Кабанец, Н. А. Кавешников. Структурно-алгоритмическая реализации системы тактического управления АРМ «Скиф» // Материалы научной школы-конференции «Мобильные роботы и мехатронные системы», — М.: Изд-во МГУ, 2003.
  128. AXIS 206 Network Camera. Электронный ресурс.: Технические характеристики камеры Axis 206 — Электрон, дан. — 2008 — Режим доступа: http://vvww.axis.com/files/datasheet/ds20633168en0904lo.pdf, свободный. — Загл. с экрана. — Яз. англ.
  129. Операционная система реального времени QNX Neutrino 6.3. Системная архитектура. СПб.: БХВ-Петербург, 2006. — 336 с.
  130. Castleman K.R. Digital Image Processing. Second ed., Englewood Cliffs, New Jersey: Prentice-Hall, 1996.
Заполнить форму текущей работой

Сессия? Спокойно!