Визуальная навигация автономного необитаемого подводного аппарата с глобальным поиском связей между изображениями
Камаев А.Н., Карманов Д.А.

Вычислительный центр ДВО РАН, Хабаровск, Россия

Аннотация:
В статье рассматривается задача навигации автономного необитаемого подводного аппарата. Изображения, получаемые бортовой стереокамерой, используются для построения облаков точек, привязанных к конкретным положениям аппарата. Квантованные дескрипторы точек хранятся в метрическом дереве для организации процедуры быстрого поиска с использованием алгоритма best bin first. Связи для нового облака точек ищутся в небольшой группе облаков, которые имеют наибольшее число похожих дескрипторов, сохранённых в дереве. Таким образом, новое облако может быть позиционировано относительно других облаков без какой-либо априорной информации о положении АНПА и точности, с которой это положение известно. Это приводит к повышению надежности системы навигации, делает систему нечувствительной к пропускам данных, однотонным участкам дна и длинным проходам без пересечений собственной траектории. В статье рассматриваются алгоритмы построения облаков точек, сопоставления этих облаков, построения групп потенциально связанных облаков для ускорения процедуры глобального поиска связей. Также предлагается основной алгоритм навигации, состоящий из трёх выполняемых параллельно подпрограмм: добавление изображений в систему, обновление дерева поиска, оптимизация. Предложенный алгоритм навигации тестируется как на реальных, так и на синтетических данных. Тесты на реальных данных показывают, что траектория может быть построена даже для последовательностей с 60 % пропущенных изображений и малым или нулевым перекрытием последовательных снимков. Тесты на синтетических данных демонстрируют, что построенная траектория близка к истинной даже для длительных миссий. Средняя скорость работы навигационной системы составляет 3 кадра в секунду на процессоре среднего ценового диапазона.

Ключевые слова:
АНПА, SLAM, особые точки, счисление пути, сопоставление изображений.

Цитирование:
Камаев, А.Н. Визуальная навигация автономного необитаемого подводного аппарата с глобальным поиском связей между изображениями / А.Н. Камаев, Д.А. Карманов // Компьютерная оптика. – 2018. – Т. 42, № 3. – С. 457-467. – DOI: 10.18287/2412-6179-2018-42-3-457-467.

Литература:

  1. Бобков, В.А. О некоторых алгоритмах визуальной навигации автономного необитаемого подводного аппарата с использованием стереоизображений / В.А. Бобков, С.В. Мельман, А.Ю. Толстоногов, А.Ф. Щербатюк // Подводные исследования и робототехника. – 2016. – № 2(22). – С. 19-24.
  2. Eustice, R.M. Visually augmented navigation for autonomous underwater vehicles / R.M. Eustice, O. Pizarro, H. Singh // IEEE Journal of Oceanic Engineering. – 2008. – Vol. 33, Issue 2. – P. 103-122. – DOI: 10.1109/JOE.2008.923547.
  3. Salvi, J. Visual SLAM for 3D large-scale seabed acquisition employing underwater vehicles / J. Salvi, Y. Petilot, E. Battle // 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems. – 2008. – P. 1011-1016. – DOI: 10.1109/IROS.2008.4650627.
  4. Aulinas J. Vision-based underwater SLAM for the SPARUS AUV / J. Aulinas, Y. Petillot, X. Llado, J. Salvi, R. Garcia // Proceedings of the 10th International Conference on Computer and IT Applications in the Maritime Industries. – 2011. – P. 171-180.
  5. Johnson-Roberson, M. Generation and visualization of large-scale three-dimensional reconstructions from underwater robotic surveys / M. Johnson-Roberson, O. Pizarro, S.B. Williams, I. Mahon // Journal of Field Robotics. – 2010. – Vol. 27, Issue 1. – P. 21-51. – DOI: 10.1002/rob.20324.
  6. Eustice, R.M. Visually mapping the RMS titanic: Conservative covariance estimates for SLAM information filters / R.M. Eustice, H. Singh J.J. Leonard, M.R. Walter // The International Journal of Robotics Research. – 2006. – Vol. 25, Issue 12. – P. 1223-1242. – DOI: 10.1177/0278364906072512.
  7. Kim, A. Real-time visual SLAM for autonomous underwater HULL inspection using visual saliency / A. Kim, R.M. Eustice // IEEE Transaction on Robotics. – 2013. – Vol. 29, Issue 3. – P. 719-733. – DOI: 10.1109/TRO.2012.2235699.
  8. Carraso, P.L.N. Stereo Graph-SLAM for autonomous underwater vehicles / P.L.N. Carraso, F. Bonin-Font, G.O Codina. – In: Intelligent Autonomous Systems 13: Proceedings of the 13th International Conference IAS-13 / ed. by E. Menegatti, N. Michael, K. Berns, H. Yamaguchi. – Heidelberg, New York, Dordrecht, London: Springer, 2014. – P. 351-360. – DOI: 10.1007/978-3-319-08338-4_26.
  9. Камаев, А.Н. Относительное ориентирование снимков низкой контрастности, полученных с АНПА, на основе точечных особенностей / А.Н. Камаев // Учёные заметки ТОГУ. – 2011. – Т. 2, № 2. – С. 32-42.
  10. Lowe, D.G. Distinctive image features from scale-invariant keypoints / D.G. Lowe // International Journal of Computer Vision. – 2004. – Vol. 60, Issue 2. – P. 91-110. – DOI: 10.1023/B:VISI.0000029664.99615.94.
  11. Hartley, R. Multiple view geometry in computer vision / R. Hartley, A. Zisserman. – 2nd ed. – Cambridge: Cambridge University Press, 2004. – 672 p. – ISBN: 978-0521-54051-3.
  12. Jegou, H. Product quantization for nearest neighbor search / H. Jegou, M. Douze, C. Schmid // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2011. – Vol. 33, Issue 1. – P. 117-128. – DOI: 10.1109/TPAMI.2010.57.
  13. Fischler, M.A. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography / M.A. Fischler, R.C. Bolles // Communications of the ACM. – 1981. – Vol. 24, Issue 6. – P. 381-395. – DOI: 10.1145/358669.358692.
  14. Kabsch, W. A solution for the best rotation to relate two sets of vectors / W. Kabsch // Acta Crystallographica Section A. – 1976. – Vol. 32, Issue 5. – P. 922-923. – DOI: 10.1107/S0567739476001873.
  15. Liu, T. An investigation of practical approximate nearest neighbor algorithms / T. Liu, A.W. Moore, A. Gray, K. Yang // Proceedings of the 17th International Conference on Neural Information Processing Systems. – 2004. – P. 825-832.
  16. Beis, J. Shape indexing using approximate nearest-neighbour search in high-dimensional spaces / J. Beis, D.G. Lowe // Proceedings of the 1997 Conference on Computer Vision and Pattern Recognition (CVPR '97). – 1997. – P. 1000-1006. – DOI: 10.1109/CVPR.1997.609451.
  17. Камаев, А.Н. Позиционирование изображений морского дна полученных с помощью АНПА / А.Н. Камаев // Подводные исследования и робототехника. – 2013. – № 2(16). – С. 38-47.
  18. Grisetti, G. A tutorial on graph-based SLAM / G. Grisetti, R. Kümmerle, C. Stachniss, W. Burgard // IEEE Intelligent Transportation Systems Magazine. – 2010. – Vol. 2, Issue 4. – P. 31-43. – DOI: 10.1109/MITS.2010.939925.
  19. Kamaev, A.N. Constructing and visualizing three-dimensional sea bottom models to test AUV machine vision systems / A.N. Kamaev, V.A. Sukhenko, D.A. Karmanov // Programming and Computer Software. – 2017. – Vol. 43, Issue 3. – P. 184-195. – DOI: 10.1134/S0361768817030070.
  20. Kamaev, A.N. Synthetic data for AUV technical vision systems testing / A.N. Kamaev, S.I. Smagin, V.A. Sukhenko, D.A. Karmanov // CEUR Workshop Proceedings. – 2017. – Vol. 1839. – P. 126-140.

  21. © 2009, IPSI RAS
    Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20