Одометрия. Тезисы - Бычков А.А_. Данных глобальной системы позиционированияА. А. БычковНациональный исследовательский технологический университетМосковский институт стали и сплавов
 Скачать 240.25 Kb.
|
|
УДК 519.7 Оптическая одометрия как инструмент для выявления аномалий кинематических характеристик рельсового транспортного средства, полученных с использованием данных глобальной системы позиционирования А.А. Бычков Национальный исследовательский технологический университет «Московский институт стали и сплавов» Когнитивные технологии (Cognitive Technologies)Cognitive Technologies)) Одной из схем самопозиционирования рельсового транспортного средства (ТС) является использование цифровой карты маршрута и данных спутниковой системы навигации ( ГНСС ), такой как ГЛОНАСС или GPS. Одновременно с определением положения приемники ГНСС оценивают собственную скорость ТС. В городских условиях сигналы спутников ГНСС могут сильно искажаться, что приводит к ошибкам оценки как положения ТС, так и его скорости. Ошибки такого рода могут быть выявлены путем сравнения полученных разными способами характеристик движения ТС. В данной работе исследуется возможность использования методов визуальной одометрии для видеопотока с монокулярной камеры для выявления аномалий в данных ГНСС приемника. В ходе экспериментов приемник ГНСС и монокулярная камера жестко были закреплекны на трамвае. Камера калибрована, то есть известны ее внутренние и внешние параметры. Частота получения кадров составляла 20-30 Гц. Частота получение показаний приемника ГНСС - 5 Гц, что дает достаточную точность для вычисления координат местоположения робота и его скорости на продолжительном времени с условием бесперебойного сигнала, то есть робот находится на поверхности земли и сигнал не деформируется. Для каждого измерения записывалась метка времени. Оценка собственной скорости робота по визуальной одометрии: ректификация изображений (устранение последствий дисторсии объектива) построение Bird’s-eye view (BEV) для двух BEV последовательных кадров вычисляется оптический поток в виде пространства векторов смещений рассчитываются два множества корреспондирующих точек, сформированных из векторов смещений следующим образом 1. матрица оптического потока сжимается в 10 раз с целью уменьшения шумовых точек и объёма вычислений; 2. проходим по каждой ячейке матрицы, умножая её координаты на 10 с целью растяжения пространства корреспондирующих точек. В дальнейшем это сильно повлияет на качество модели проективного преобразования; 3. координаты сдвинутых точек получаются путем прибавления вектора смещения; формируется модель проективного преобразования - матрица гомографии (H), которая), которая строится по корреспондирующим точкам и способное перевести точки из первого кадра во второй: на каждой итерации по поиску матрицы гомографии, используя алгоритмы вида RANSAC, LMEDS, метод findH), котораяomography выдвигает модель, которая в ростом итераций будет иметь в модели наименьшее количество точек-аутлаеров H= [ a b c d e f g h 1 ] , где a, e - масштабирование по x и y соответственно b, d - сдвиг по осям (вместе с a, e влияют на поворот) c, f - смещение по осям g, h - изменение перспективы скорость движения в направлении оси VR (VR - спроецированные R^3 точки на землю) получается через отслеживание репроекции VR-точек на BEV Производился подбор параметров на данных с оптической камеры, используемых для подсчета матрицы гомографии и оптического потока. Проверка улучшения параметров - минимизация следующей ошибки: Пусть ( v 1 , t 1 ) , ( v 2 , t 2 ) , ( v 3 , t 3 ) - оценки скорости, полученная в три последовательных близких момента времени (на триплетах). Если оценки v 1 и v 3 верны, то в модели равноускоренного движения, а мы можем постулировать, что ускорение фиксировано: a= v 3 − v 1 t 3 − t 1 v 2 ' = v 1 + a∗(t 2 − t 1 ) error = | v 2 − v 2 ' | , где v 2 ' - оценка скорости на втором кадре с точки зрения кинематики, а error – ошибка между кинематическим расчётом и практическим. Таким образом, предложенный алгоритм был реализован, протестирован на реальных данных и показал практическую применимость с корреляцией скоростей в среднем 91% (процент считался как отношение скоростей, полученных с оптики и GPS), для рельсового транспорта в случаях, когда GPS недействительно или сильно искажено. Тем не менее точность алгоритма сильно падала в случаях фронтального покачивания из-за критических изменений в оптическом потоке. В дальнейшем планируется развитие алгоритма для других транспортных средств. В итоге, появляется возможность наблюдения за поведением GPS-устройства с уверенным выявлением не характерных черт движения. Для этого строится линейная регрессия GPS-данных вида (время, скорость) и для сглаженных точек ищется отклонение точек, полученных с оптики. Рис. 1 Рис. 2 Красный график (рис.1, рис.2) - сглаженные данные скорости, полученные с помощью визуальной одометрии, зелёный - данные GPS. Шаг сетки по вертикали равен 1 м/с. Суммарная длина всех графиков равна 20 секунд, то есть по 10 секунд на графике, разделённые на части. Числа на графике - (сверху вниз) среднее отклонение оптических данных от построенной регрессии для GPS и отношение этих скоростей соответственно. Литература 1. Richard Hartley, Andrew Zisserman Multiple View Geometry // Second Edition V. 4. P. 79. 2. Adrian Kaehler, Gary Bradski Learning OpenCV 3: Computer Vision in C++ With the OpenCV Library // 2013 P. 561. |