Улучшение передвижения шестиколесного наземного робота по различным типам местности с использованием алгоритма A* и нейронных сетей
https://doi.org/10.46973/0201-727X_2025_1_51
Аннотация
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.
Об авторах
И. М.А. Ал-Хафаджи
Институт информационных технологий (МИРЭА) – Российский технологический университет; Университет Мустансирия
Ирак
Ирак
Ал-Хафаджи Исра М. Абдаламир, кафедра корпоративных информационных систем, аспирант; факультет естественных наук, ассистент
Багдад
А. В. Панов
Институт информационных технологий (МИРЭА) – Российский технологический университет
Россия
Россия
Панов Александр Владимирович, кафедра корпоративных информационных систем, кандидат технических наук, доцент
Список литературы
1. 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.
2. 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.
3. 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).
4. 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.
5. 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.
6. 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.
7. 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.
8. Thrun, S. Probabilistic Robotics / S. Thrun, W. Burgard, D. Fox // Cambridge, Massachusetts : MIT Press. – 2005. – 647 p. – ISBN 978-0-262-20162-9.
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.
10. Wong, J. Y. Theory of ground vehicles. 3rd ed. – New York, NY : Wiley, 1989. – 528 p. – ISBN 978-0-471-35461-3.
Рецензия
Для цитирования:
Ал-Хафаджи И.М., Панов А.В. Улучшение передвижения шестиколесного наземного робота по различным типам местности с использованием алгоритма A* и нейронных сетей. Вестник Ростовского государственного университета путей сообщения. 2025;(1):51-57. https://doi.org/10.46973/0201-727X_2025_1_51
For citation:
Al-Khafaji I.M., Panov A.V. Improving the locomotion of a six-wheeled ground robot on different types of terrain using A* algorithm and neural networks. Vestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya. 2025;(1):51-57. (In Russ.) https://doi.org/10.46973/0201-727X_2025_1_51
Просмотров:
10
JATS XML
Послать статью по эл. почте 