страница 10. Сборник тезисов докладов
 Скачать 3.87 Mb.
|
|
СРАВНИТЕЛЬНЫЙ АНАЛИЗ ПОЛУИНТЕГРАЛЬНЫХ ПРЕДСТАВЛЕНИЙ КОНТУРНЫХ ИЗОБРАЖЕНИЙ В КОНТЕКСТЕ ЗАДАЧИ СОПРОВОЖДЕНИЯ ПОДВИЖНЫХ ОБЪЕКТОВ Т А. Тихомирова,Г.Т. Федоренко(ФГУП «ГосНИИАС»), К М. Назаренко,Е.С. Назаренко(МГТУ «СТАНКИН») Избирательное интегрирование при формировании дескрипторов особых точек изображения обеспечивает устойчивость к случайным искажениям с минимальной потерей информативности, включая точность идентификации и локализации объектов. Полуинтегральные представления используются в качестве «заготовки» для быстрого извлечения дескрипторов плотной группы точек изображения, расположенных, например, вдоль эпиполярных линий. В докладе проводится сравнение двух типов полуинтегральных представлений. Одно из них, применяемое, например, в дескрипторе DAISY, содержит мультимасштабные гистограммы направлений градиентов. Второе, предложенное авторами, описывает направления и плотности альтернативных касательных (ПАК) к границам и линиям на изображении. Сравнение проводится по нескольким критериям, включая оптимальный тип объекта, точность локализации, надежность сопровождения, помехозащищенность, вычислительные ресурсы, применимость при решении других задач и т.д. Показано, что рассмотренные представления равно эффективны при сопровождении объектов на «плоских» сценах, однако в 3D сценах ПАК имеет существенное преимущество, поскольку аккумулируемая им информация в основном связана с объекта переднего плана, абрисы которых имеют большую протяженность и контраст по сравнению с абрисами объектов заднего плана. Рассмотрены также способы визуализации полуинтегральных представлений для субъективной оценки их применимости в смежных задачах обработки изображений. Работа выполнена при поддержке РФФИ (проект № 18-08-00620-а). 149 ОСОБЕННОСТИ ПРОЕКТИРОВАНИЯ КАДРОВ АВИАЦИОННЫХ МНОГОФУНКЦИОНАЛЬНЫХ ПУЛЬТОВ И ИНДИКАТОРОВ С ИСПОЛЬЗОВАНИЕМ СПЕЦИАЛИЗИРОВАННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ М.А. Глухов, Э.Д. Глухова, Ю.П. Гречиха, И.Ю. Карманов (ФГУП «ГосНИИАС») Разработка кадров многофункциональных пультов и индикаторов сопряжена с рядом особенностей, следствием которых является как существенная трудоемкость выпуска документации, так и необходимость унификации проектируемых интерфейсов на ранней стадии разработки. Для упрощения работы и повышения качества результата было разработано специализированное ПО на основе проработанного лексикона человеко- машинного взаимодействия [1], позволяющее строить модель человеко- машинного интерфейса и с ее помощью выпускать документацию на кадры в автоматизированном режиме. При создании модели в ПО «АСП МФПУ» сразу после создания элемента интерфейса его работу можно наблюдать на встроенном имитаторе МФПУ, что позволяет отрабатывать логику работы экипажа уже в процессе разработки кадров на персональном компьютере. После создания модели человеко-машинного интерфейса возможно произвести автоматизированную выгрузку документации: программ функционирования кадров; протоколов информационного взаимодействия; заголовочных файлов для ФПО; графических изображений кадров и МФПУ (при работе с ПО «АСП МФПУ»); других необходимых отчетов и таблиц. Выгрузка текстовой документации производится в формате .lyx, а затем конвертируется в документы, соответствующие ГОСТ ЕСПД. Выгрузка графических изображений производится в формате .png для удобства использования при разработке логики работы экипажа. Таким образом, благодаря построению лексикона человеко-машинного взаимодействия и использованию специализированного ПО, существенно повышается качество разработки кадров, так как разработка ведется на основе единого проработанного набора элементов, а документирование происходит в автоматическом режиме, что уменьшает количество ошибок; также существенно уменьшается трудоемкость разработки: отсутствует необходимость ручной проверки таблиц, а благодаря генерации протоколов информационного взаимодействия, исчезает необходимость участия в разработке этих протоколов специалистов по бортовым интерфейсам. ЛИТЕРАТУРА 1. А. Купер, Р. Рейман, Д. Кронин, К. Носсел. Интерфейс. Основы проектирования взаимодействия. 4-е изд. – СПб.: Питер. 2017. – 720 С. 150 Секция «МОДЕЛИРОВАНИЕ В ПРОЦЕССЕ ЛЕТНЫХ ИСПЫТАНИЙ АВИАЦИОННЫХ СИСТЕМ» РАЗРАБОТКА ТЕХНОЛОГИИ ИСПОЛЬЗОВАНИЯ РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ В ЗАЧЁТ ПРОГРАММЫ ЛЁТНЫХ ИСПЫТАНИЙ П.Д. Джурасович, Т.В. Овчинникова (ФГУП «ГосНИИАС») Богатый опыт применения моделирования в обеспечение летных испытаний (ЛИ), приобретенный институтом, начиная с 70-х годов 20 века от МиГ-29, МиГ-31, Су-27 до АК 5-го поколения доказал состоятельность данного подхода. Этот метод исследования стал неотъемлемой частью технологического процесса создания и отработки новой авиационной техники и вооружения. Предполетное и послеполетное моделирование стало неотъемлемой частью научно-технического сопровождения ЛИ и получило название сопровождающего моделирования [1,2]. Схема использования сопровождающего моделирования в летных испытаниях представлена на Рис.1. Рис. 1 Стенды полунатурного моделирования с полной или частичной имитацией объекта управления, бортового радиоэлектронного оборудования, органов управления обеспечивают возможность испытаний объекта и систем управления для оценки влияния различных факторов и возмущающих воздействий, имитирующих условия эксплуатации. Применение методов математического и полунатурного моделирования (ММ и ПНМ), 151 разработанных и опробованных на предшествующих этапах отработки отдельных систем и даже других изделий подобного класса, с реальными начальными условиями и внешними воздействиями позволяют использовать результаты моделирования совместно с результатами ограниченного количества летных экспериментов (ЛЭ) для оценки заданных в ТТТ характеристик. А сравнение результатов моделирования с результатами ЛЭ позволяют оценивать степень адекватности моделей реальным системам. При расхождении результатов сравнения осуществляется идентификация моделей по данным ЛЭ. Итерационный процесс сравнения и уточнения математического описания исследуемых объектов по результатам каждого нового летного эксперимента позволяет обеспечивать приближение модели к реальному объекту. Только после обеспечения достаточной степени адекватности модели объекту результаты моделирования могут быть использованы совместно с данными ограниченного числа ЛЭ для оценок заданных в ТЗ параметров в зачет программы ЛИ [3]. Проведение летных испытаний в различных условиях с подтверждением адекватности результатов моделирования и эксперимента позволяет расширять область применения моделей. Чем достовернее и шире область применения ММ и ПНМ, тем достовернее прогноз поведения исследуемого объекта на режимах, воспроизведение которых в ЛЭ невозможно или затруднено из соображений безопасности. ЛИТЕРАТУРА 1. П.Д. Джурасович Деятельность ИМК ФГУП «ГосНИИАС» по разработке методов и средств повышения эффективности летных испытаний. //Сборник докладов «Методы и средства повышения эффективности летных испытаний» Юбилейной научно-технической конференции «45 лет Испытательно-моделирующему комплексу ГосНИИАС», г. Ахтубинск 2017 г., С. 7-19. 2. А.В Матвеев, А.А Махуков Сопровождающее моделирование в процессе лѐтных испытаний беспилотных летательных аппаратов. Электронный журнал «Труды МАИ». Выпуск № 45, www.mai.ru/science/trudy/ , 2011г. 3. Овчинникова Т.В. Совместная обработка различных потоков информации при анализе результатов летных испытаний и моделирования. // Сборник докладов Всероссийской научно-технической школы-семинара «Передача, прием, обработка и отображение информации о быстропротекающих процессах» 1-4 октября Сочи 2019г. С. 430-438 152 ВЫДЕЛЕНИЕ ТРАСС ВОЗДУШНЫХ ОБЪЕКТОВ ПО ПЕЛЕНГОВОЙ ИНФОРМАЦИИ ОТ ОЛС В УСЛОВИЯХ ПОМЕХ Ю.Ф.Юльбердин, Д.И. Лагутин, Т.В. Овчинникова, Е.Т.Каплун, Е.Ф.Мазур (ФГУП «ГосНИИАС») Задача селекции целей по пеленговой информации, получаемой от оптико-локационных станций (ОЛС), является одной из основных для летательных аппаратов пятого и шестого поколений с учетом требований скрытности. Успешное решение данной задачи включает, как проведение комплекса исследований статистических характеристик выходных сигналов ОЛС, так и разработку эффективных алгоритмов обнаружения целей с учетом пространственных и временных особенностей сигнала. Ранее нами была разработана методика исследования характеристик выходного сигнала ОЛС [1], осуществлен анализ статистических характеристик сигналов при наличии фоновых помех по данным натурных экспериментов и проведена классификация типичных помеховых ситуаций [2]. Настоящая работа посвящена решению задачи селекции воздушных объектов (ВО) при наличии естественных фонов в различных помеховых ситуациях в ИК-диапазоне излучения. Предложены алгоритмические подходы к реализации задачи выделения трасс ВО по пеленговой информации. В зависимости от фоновой ситуации для решения задачи селекции в данной работе предложено использовать временные, кинематические, пространственные признаки помехового сигнала или их комбинацию. Предложены критерии применимости алгоритмов комплексного гипотезного сопровождения. Проведено математическое моделирование и отработка разработанных алгоритмических подходов с использованием данных, полученных в натурных экспериментах. Результаты работы могут быть использованы при разработке новых и модификации существующих алгоритмов трассировки ВО в сложных помеховых условиях. ЛИТЕРАТУРА 1. Ю.Ф.Юльбердин, Т.В.Овчинникова, Д.И.Лагутин, Е.Т.Каплун, Е.Ф.Мазур, Ю.Р. Венецкий. Формирование закона распределения ложных измерений и шумовой составляющей от ОЭИС. //Сборник тезисов докладов научно-технической конференции. "Моделирование авиационных систем". -М: ГосНИИАС, 2018, с.305-306. 2. Ю.Ф.Юльбердин, Т.В.Овчинникова, Д.И.Лагутин, Е.Т.Каплун, Е.Ф.Мазур. Исследование статистических характеристик выходного сигнала ОЛС при наличии естественных шумов. //Сброник тезисов IV Всероссийской научно-технической конференции «Навигация, наведение и управление летательными аппаратами» Москва-Раменское 14-15 ноября 2019г., С 243 153 ОЦЕНКА ХАРАКТЕРИСТИК БОРТОВОГО КОМПЛЕКСА ОПТИКО-ЭЛЕКТРОННОЙ ОБОРОНЫ БОЕВОГО САМОЛЁТА МЕТОДОМ ПОЛУНАТУРНОГО МОДЕЛИРОВАНИЯ И.В.Кожухов, Е.Т.Каплун, Д.К. Морозов (ФГУП «ГосНИИАС») Данная работа посвящена возможностям использования полунатурного моделирования (ПНМ) в интересах лётных испытаний (ЛИ) комплекса оптико- электронной обороны боевого самолёта. Задача является актуальной, так как оценка характеристик комплекса в ЛИ требует организации летного эксперимента с применением реальных пусков ракет по собственному самолёту, что сопряжено с большими риском и организационными трудностями с точки зрения соблюдения норм безопасности. Задачами, решаемыми комплексом обороны, являются: обнаружение атакующих самолётов и управляемых ракет противника, обнаружение лазерного облучения, распознавание наиболее угрожающих объектов и их ранжирование по степени опасности, передача рассчитанной в комплексе обороны информации в системы вооружения самолёта, включая аппаратуру индикации. Комплекс обороны состоит из следующих элементов [1]: обнаружитель воздушных целей и атакующих ракет (ОАР), включающий посты, расположенные на фюзеляже самолёта, обнаружитель лазерного облучения (ОЛО), блок обработки информации и управления (БОИ). Алгоритмы, запрограммированные в блоке БОИ, предназначены для решения следующих задач: выделение на фоне ложных измерений истинных координат целей, фильтрация координат выделенных угрожающих целей для получения характеристик точности, заданных в ТЗ, обнаружение пуска ракет, ранжирование атакующих объектов по степени опасности. На основе информации, поступившей из комплекса обороны на индикаторы самолёта, лётчик принимает решение о противодействии: выброс помех или противоракетный манёвр. Очевидно, что оценка заданных в ТЗ характеристик информационных систем (ОАР, ОЛО) и комплекса обороны в целом возможно только по результатам ЛИ. Однако для отработки алгоритмов, программ и предварительной оценки алгоритмов БОИ целесообразно использовать ПНМ в приближенной к реальной среде, что позволит значительно сократить сроки проведения ЛИ. Следует отметить, что с использованием ПНМ можно не только провести отработку и предварительную оценку успешности работы алгоритмов БОИ, но 154 и более точно подобрать условия лётного эксперимента, что особенно важно с учётом ограниченного количества выделенных для испытаний реальных ракет. Комплекс полунатурного моделирования (КПМ) должен включать в себя следующие элементы: кабину с штатным оборудованием прицельно-навигационного комплекса, включающим бортовую цифровую машину (БЦВМ), штатный БОИ, пульты управления самолётом, систему индикации, согласованные с разработчиком математические модели ракет, самолётов, имитатор приемников ОАР, Блок входных данных включает: модель фоновой обстановки: - модель характеристик земной и водной поверхностей, - модель естественных метеообразований различной интенсивности, модель целевой обстановки: - модель характеристик теплового изучения ВЦ в диапазоне 3-5 мкм, - модель характеристик излучения двигателя ракеты. Поскольку результаты ПНМ не идут в зачёт ЛИ и оценки эффективности комплекса обороны, то КПМ аттестации не подлежит. Модели фоноцелевой обстановки, реализованные в блоке входных данных, должны быть сформированы на основе статистической обработки записей потоков данных с постов ОАР, полученных в процессе натурных экспериментов на оценку характеристик комплекса обороны при работе по воздушным целям без пуска ракет. Такая оценка задана в ТЗ на комплекс обороны. Яркостные характеристики работы двигателя ракеты можно получить путём обработки данных с постов ОАР при реальных пусках ракет при проведении ЛИ по другим пунктам программы испытаний, требующих пуски ракет по мишеням, с учетом пересчёта характеристик работы двигателя на необходимый ракурс. Следует отметить, что модель целевой обстановки должна быть во времени и пространстве «привязана» к кинематике относительного движения «самолёт-ракета» рассчитываемого в процессе моделирования на соответствующих моделях в реальном масштабе времени. ЛИТЕРАТУРА 1. Лагутин Д.И., Быков А.В. Оценка алгоритма комплексного гипотезного сопровождения воздушной цели методом полунатурного моделирования при поступлении измерений от бортовой оптико-электронной системы. //Сборник тезисов докладов научно-технической конференции. "Моделирование авиационных систем". -М: ГосНИИАС, 2018, с.305-306 155 ОПРЕДЕЛЕНИЕ ПОЛОЖЕНИЯ ГОЛОВЫ ОПЕРАТОРА В ПРОСТРАНСТВЕ ДЛЯ ИМИТАТОРА НАШЛЕМНОЙ СИСТЕМЫ ЦЕЛЕУКАЗАНИЯ И ИНДИКАЦИИ В СОСТАВЕ КОМПЛЕКСА ОТРАБОТКИ ПОЛЁТНОГО ЗАДАНИЯ И ТРЕНИРОВКИ ЭКИПАЖА В.Н. Юрко, Д.В. Цветков, Ю.А. Головкин (ФГУП «ГосНИИАС») В реальных условиях применения нашлемная система целеуказания и индикации (НСЦИ) позволяет сформировать углы целеуказания обзорно- прицельным системам для выполнения ими захвата воздушной цели (ВЦ) [1]. Указанная задача осуществляется в соответствии с положением шлема (головы) оператора. Также на НСЦИ летчику выводится оперативная информация о состоянии управляемых ракет класса воздух-воздух, дальности до ВЦ и другие данные, необходимые для выполнения атаки. На самолёте данная информация выводится лётчику в оптический прибор-монокль, на наземном комплексе отработки полетных заданий и тренировки экипажей КОС И-21 [2] − на экраны системы визуализации внекабинного пространства Использование бортовой НСЦИ в составе комплекса отработки полетного задания нецелесообразно, что обусловлено: высокой стоимостью данной системы; отсутствием в кабине тренажера вибраций, перегрузок и широкого диапазона изменения рабочих температур; статичностью тренажера (оператор сохраняет неизменным своё пространственное положение), что снимает требования по обеспечению высокой точности целеуказания при указанных воздействиях. В связи с вышеперечисленным предлагается разработать программно- аппаратный имитатор данной системы. Для программно-аппаратной имитации НСЦИ в части определения положения головы оператора в пространстве рассматриваются следующие подходы: разработка инерциальной системы позиционирования на платформе Arduino; использование гистограмм направленных градиентов HOG - дескрипторов особых точек, которые используются в компьютерном зрении и обработке изображений с целью распознавания объектов; использование фидуциарных маркеров. В качестве первой системы было спроектировано устройство на базе Arduino[3] и датчика положения, включающего в себя трёхосевой гироскоп, акселерометр и магнитометр. Сборка модуля определения положения головы оператора производилась из готовых компонентов, а программное обеспечение было разработано на основе открытого исходного кода. Для фильтрации значений гироскопа и магнитометра применён фильтр Маджвика, точность 156 которого приближается к точности фильтра Калмана при использовании значительно меньших вычислительных ресурсах. Актуальным является применение бесконтактных методов определения положения головы оператора в пространстве. Они исключают необходимость крепления датчиков или маркеров к телу оператора. Для локализации контрольных точек на видеоизображении лица оператора используются алгоритмы компьютерного зрения библиотеки Dlib [4], которая позволяет с высокой точностью и скоростью обнаруживать следующие области лица: рот, правую и левую брови, правый и левый глаз, нос и челюсть. Выходным параметром модели является массив координат 68 точек, соответствующих указанным лицевым областям, на основании которых вычисляются углы поворота головы (азимут, угол места, угол крена). Также для определения положения головы оператора было разработано программное обеспечение по распознаванию фидуциарных маркеров (ArUco- маркеров – популярной технологии для позиционирования робототехнических систем с использованием компьютерного зрения) [5]. Разработанные программно-аппаратные модули определения положения головы оператора полностью позволяют сымитировать решение задач формирования целеуказаний, выполняемые современными бортовыми НСЦИ с оптико-инеpциальными подсистемами позициониpования. ЛИТЕРАТУРА 1. Павлов О.В. Особенности разработки нашлемной системы целеуказания и индикации. // Сборник докладов Всероссийской научно- технической конференции «Актуальные проблемы современной науки и производства». 2016. С. 96-107. 2. Юрко В.Н., Цветков Д.В., Головкин Ю.А. Разработка программно- аппаратных имитаторов систем БРЭО для авиационных тренажеров на примере КОС И-21, Труды ГосНИИАС - серия «Вопросы авионики» №2(48)2020, 2020, С.27-38. 3. Аппаратно-программные средства для построения систем автоматики и робототехники, https://doc.arduino.ua/ru/prog/ 4. Алгоритмы машинного обучения, http://dlib.net/ 5. Локализация по ArUco маркерам, https://habr.com/ru/post/482220/ |