vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2025_1_51vrgup-108Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSУлучшение передвижения шестиколесного наземного робота по различным типам местности с использованием алгоритма A* и нейронных сетейImproving the locomotion of a six-wheeled ground robot on different types of terrain using A* algorithm and neural networksАл-ХафаджиИ. М.А.Al-KhafajiI. M. A.

Ал-Хафаджи Исра М. Абдаламир, кафедра корпоративных информационных систем, аспирант; факультет естественных наук, ассистент

Багдад

Al-Khafaji Israa M. Abdalameer, Chair of Information Information Systems, Postgraduate Student; Department of Natural Sciences, Assistant

Baghdad

amisnew6@gmail.comПановА. В.PanovA. V.

Панов Александр Владимирович, кафедра корпоративных информационных систем, кандидат технических наук, доцент

Panov Alexander Vladimirovich, Chair of Information Information Systems, Candidate of Engineering Sciences, Associate Professor 

Iks.ital@yandex.ruИнститут информационных технологий (МИРЭА) – Российский технологический университет; Университет МустансирияInstitute of Information Technologies (MIREA) – Russian Technological University; Mustansiriyah UniversityИнститут информационных технологий (МИРЭА) – Российский технологический университетInstitute of Information Technologies (MIREA) – Russian Technological University202530032025015157Copyright © Ал-Хафаджи И.М., Панов А.В., 20252025Ал-Хафаджи И.М., Панов А.В.Al-Khafaji I.M., Panov A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/108

Рассматривается сверточная нейронная сеть для классификации типов поверхностей, с которыми столкнулись мобильные роботы при выполнении задач навигации. Анализируется классификация из пяти типов поверхностей, на которые можно натолкнуться в Ираке: глина, холмы, ямы, дороги и бетонные покрытия. Архитектура сверточной нейронной сети (CNN) состоит из трех блоков свертки со слоями нормализации и активации ReLU, слоя объединения, полносвязанного классификационного слоя после CNN. Обучение с 96,62 % точностью убедило, что это эффективно. Лучевые графики показывают острый спад потерь и улучшение точности классификации, а кросс-матрица подтверждает успешное распознавание большинства типов поверхностей с недопущением ошибки в классификации холмов. CNN позволяет этим роботам быстрее приспособляться к такой сложной местности, динамически корректируя навигационные пути, что значительно повышает надежность и автономность в реальных операциях.

A convolutional neural network is considered for classifying surface types encountered by mobile robots during navigation tasks. The classification of five surface types encountered in Iraq is analyzed: clay, hills, potholes, asphalt roads, and concrete pavements. The architecture of the convolutional neural network (CNN) consists of three convolution blocks with normalization and ReLU activation layers, a pooling layer, a fully connected classification layer after the CNN. The training with 96.62 % accuracy convinced that it is effective. The ray plots show a sharp decrease in loss and improvement in classification accuracy, and the cross matrix confirms successful recognition of most surface types with no misclassification of hills. CNN allows these robots to adapt faster to such complex terrain by dynamically adjusting navigation paths, which significantly improves reliability and autonomy in realworld operations.

матрица путаницытипы поверхностиалгоритм A*навигация мобильного роботасверточная нейронная сеть (CNN)типы поверхностиconfusion matrixsurface typesA* algorithmmobile robot navigationconvolutional neural network (CNN)surface typesReferencesKrizhevsky, A. ImageNet Classification Using Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Advances in Neural Information Processing Systems. – 2012. – DOI 10.1145/3065386.Krizhevsky, A. ImageNet Classification Using Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Advances in Neural Information Processing Systems. – 2012. – DOI 10.1145/3065386.He, Q. Deep residual learning for image recognition / Q. He, S. Zhang, S. Ren, Q. Sun // IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – DOI 10.1109/CVPR.2016.90.He, Q. Deep residual learning for image recognition / Q. He, S. Zhang, S. Ren, Q. Sun // IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – DOI 10.1109/CVPR.2016.90.Simonyan, K. Very deep convolutional networks for image recognition at large scales / K. Simonyan, A. Zisserman // arXiv preprint arXiv:1409.1556. – 2014. – URL: https://arxiv.org/abs/1409.1556 (date of access: 15.10.2024).Simonyan, K. Very deep convolutional networks for image recognition at large scales / K. Simonyan, A. Zisserman // arXiv preprint arXiv:1409.1556. – 2014. – URL: https://arxiv.org/abs/1409.1556 (date of access: 15.10.2024).Long, J. Fully convolutional networks for semantic segmentation / J. Long, E. Shelhamer, T. Darrell // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2015. – DOI 10.1109/CVPR.2015.7298965.Long, J. Fully convolutional networks for semantic segmentation / J. Long, E. Shelhamer, T. Darrell // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2015. – DOI 10.1109/CVPR.2015.7298965.Deep feature learning for discriminative localization / B. Zhou, A. Khosla, A. Lapedriza [et al.] // IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – DOI 10.1109/CVPR.2016.319.Deep feature learning for discriminative localization / B. Zhou, A. Khosla, A. Lapedriza [et al.] // IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – DOI 10.1109/CVPR.2016.319.Hart, P. E. Formal Basis for Heuristic Determination of Minimum Cost Paths / P. E. Hart, N. J. Nilsson, B. Raphael // IEEE Transactions on Systems Science and Cybernetics. – 1968. – DOI 10.1109/TSSC.1968.300136.Hart, P. E. Formal Basis for Heuristic Determination of Minimum Cost Paths / P. E. Hart, N. J. Nilsson, B. Raphael // IEEE Transactions on Systems Science and Cybernetics. – 1968. – DOI 10.1109/TSSC.1968.300136.Stentz, A. Optimal and efficient path planning for partially-known environments // Proceedings of the IEEE International Conference on Robotics and Automation. – 1994. – DOI 10.1109/ROBOT.1994.351061.Stentz, A. Optimal and efficient path planning for partially-known environments // Proceedings of the IEEE International Conference on Robotics and Automation. – 1994. – DOI 10.1109/ROBOT.1994.351061.Thrun, S. Probabilistic Robotics / S. Thrun, W. Burgard, D. Fox // Cambridge, Massachusetts : MIT Press. – 2005. – 647 p. – ISBN 978-0-262-20162-9.Thrun, S. Probabilistic Robotics / S. Thrun, W. Burgard, D. Fox // Cambridge, Massachusetts : MIT Press. – 2005. – 647 p. – ISBN 978-0-262-20162-9.Invitation to 3D Vision : From Images to Geometric Models / Y. Ma, S. Soatto, J. Kosechka, S. S. Sastry // New York. – USA : Springer. – 2004. – 528 p. – ISBN 978-0-387-00893-6.Invitation to 3D Vision : From Images to Geometric Models / Y. Ma, S. Soatto, J. Kosechka, S. S. Sastry // New York. – USA : Springer. – 2004. – 528 p. – ISBN 978-0-387-00893-6.Wong, J. Y. Theory of ground vehicles. 3rd ed. – New York, NY : Wiley, 1989. – 528 p. – ISBN 978-0-471-35461-3.Wong, J. Y. Theory of ground vehicles. 3rd ed. – New York, NY : Wiley, 1989. – 528 p. – ISBN 978-0-471-35461-3.

The authors declare that there are no conflicts of interest present.