Навигационно-управляющий комплекс роботов на базе нейросетей глубокого обучения
р.
р.
Номинация: Алгоритмы и программные решения в области ИИ и больших данных
Описание проекта: Проект направлен на разработку и апробацию алгоритмов и технологий искусственного интеллекта применительно к разнородному робототехническому комплексу (РТК). В рамках проекта действует концепция единого информационно-навигационного поля, формируемого с борта БпЛА, оснащенного системой технического зрения. Для решения данной задачи БпЛА производит съемку подстилающей поверхности, после чего нейронная сеть извлекает вектор признаков фрагмента и находит его координаты в пространстве признаков карты, а также производит распознавание и определение координат объектов интереса на театре действий. Извлеченная информация векторизуется, и в сжатом виде карта с формулярами объектов интересов передается наземной группе. На основе полученной информации о расположении препятствий, собственных координатах и координатах других участников на борту членов наземной группы РТК производится решение задач планирования маршрута и действий на базе алгоритмов машинного обучения с подкреплением.
Результаты: 1. Базирующиеся на новых подходах алгоритмы и технологии автономной навигации малых и средних беспилотных летательных аппаратов (БпЛА) по визуальным данным на основе искусственных нейронных сетей (ИНС) с улучшенными характеристиками (реализовано в рамках НИОКР «Защитник-2019»). 2. Обладающие улучшенными характеристиками алгоритмы и технологии автономного обнаружения, классификации и определения координат объектов интереса по визуальным данным с борта БпЛА среднего класса на основе ИНС (реализовано в рамках НИОКР «Защитник-2019» МО РФ). 3. Уникальные по постановке задач алгоритмы и технологии автономного принятия решений РТК на базе методов машинного обучения с подкреплением, разработанные при поддержке Фонда перспективных исследований РФ. 4. Первые в мире алгоритмы и технологии обнаружения малоконтрастных объектов интереса на основе анализа посредством ИНС поляризационных свойств подстилающей поверхности и материалов объекта интереса (реализовано в рамках НИОКР «Защитник-2019» МО РФ). 5. Имитационно-моделирующие комплексы для исследования эффективности применения РТК, разработанные в рамках НИОКР «Защитник-2019» и «Маркер». 6. Демонстратор технологии обнаружения малоконтрастных объектов интереса на основе анализа посредством ИНС поляризационных свойств подстилающей поверхности и материалов объекта интереса, реализованный в рамках НИОКР «Защитник-2019» МО РФ. 7. Демонстратор разработанных технологий автономной навигации, обнаружения, классификации и определения координат объектов интереса по визуальным данным на базе разнородной группы РТК повышенной автономности в составе наземного и воздушного звеньев, разработанный в рамках НИОКР «Защитник-2019» МО РФ и «Маркер» Фонда перспективных исследований РФ.
Внедрение: Результаты внедрены при выполнении 4 НИОКР в 7 организациях. С использованием результатов НИОКР произведен ряд образцов автономных робототехнических комплексов, на сегодняшний день проходящих полевые испытания, в том числе в зоне СВОГ: автономная группа РТК из наземных платформ «Маркер» и автономная группа из воздушных платформ «Защитник-2019» в составе средств квадрокоптерного и самолетного типов.
Эффекты от внедрения: 1. Разработанная технология автономной навигации БпЛА по визуальным данным позволяет повысить автономность РТК за счет возможности продолжения полета по заданному пути в условиях ведения радиоэлектронной борьбы. Это повышает вероятность выполнения поставленной задачи и уменьшает вероятность потери борта. При этом, в сравнении с аналогичными системами, технология позволяет уменьшить время подготовки семантической карты признаков местности и увеличить точность определения координат. 2. Разработанная технология автономного обнаружения, классификации и определения координат объектов интереса на борту БпЛА позволяет расширить его функциональность, повысить автономность, а также уменьшить радиозаметность за счет снижения количества информации, необходимой для передачи на пост управления. Кроме того, за счет большого поля зрения и высокой допустимой скорости носителя повышается производительность разведки территории во времени, а за счет работы детектора-классификатора непосредственно на борту повышается надежность обнаружения и оперативность принятия решений. 3. Разработанная технология автономного обнаружения малоконтрастных объектов интереса позволяет существенно повысить вероятность обнаружения и правильной классификации объектов интереса по сравнению с RGB или тепловыми камерами машинного зрения, а в случае неподвижных наземных целей также и по сравнению с радиодиапазоном.
Команда проекта: НИИ Робототехники и процессов управления ЮФУ Будко Артём Юрьевич (Научный руководитель, разработчик СТЗ) Гайда Татьяна Александровна (Разработчик систем принятия решения на основе методов машинного обучения с подкреплением) Пархоменко Владимир Борисович (Разработчик систем принятия решения на основе методов машинного обучения с подкреплением) Караев Артём Дмитриевич (Специалист по большим данным и машинному обучению, разработчик систем навигации по визуальным данным)
Контакты: abudko@sfedu.ru
Номинация: Алгоритмы и программные решения в области ИИ и больших данных