|
Модель адаптивной системы стереозрения для подвижного робота
А.Ю. Кручинин, С.В. Приймак
Оренбургский государственный университет
Компьютерное зрение является актуальной областью на современном этапе развития информационных технологий. Оно становится востребовано практически повсеместно – в армии, медицине, на производстве и для ряда повседневных задач. Одним из направлений компьютерного зрения является стереозрение, которое позволяет получить представление о глубине изображения, расстоянии до объектов, может использоваться при составлении трехмерной картины окружающего мира. Области применения стереозрения различны: автоматизированное управление движением роботов, включая наземные машины и беспилотные летательные аппараты; контроль передвижения объектов в охраняемой зоне; контроль качества промышленных изделий; построение 3D-модели окружающего мира для компьютерных игр и киноиндустрии, а также прочее [5].
Не смотря на активное развитие вычислительной техники, увеличению мощностей центральных процессоров и видеокарт, быстродействия и размеров оперативной памяти существующие алгоритмы стереозрения работают достаточно медленно [1]. Поэтому во многих областях применение методов стереозрения пока экономически невыгодно – гораздо дешевле использовать труд человека-оператора вместе с простейшими алгоритмами компьютерного зрения. Однако с большой степенью вероятности можно утверждать, что с течением времени ситуация изменится в сторону полностью автоматических систем управления роботами, для которых будут необходимы адаптивные системы стереозрения. Т.е. такие системы, которые в зависимости от сложности распознавания окружающего мира и поставленных задач будут адаптироваться по скорости движения и загрузки вычислительной системы путём выбора оптимального алгоритма стереозрения и его параметров.
В работе [4] была предложена модель, позволяющая на основе входных параметров: заданной достоверности оценки состояния объекта, производительности и затрат на проведение работ, осуществлять управление техническими средствами системы, занимающимися сбором данных, и выбором метода распознавания, на основе оценки сложности распознавания и достоверности результата. В качестве критерия выбора оптимального режима выступает минимизация расходов. Используя эту модель в качестве прототипа, была построена концептуальная модель адаптивной системы стереозрения, позволяющая оптимально управлять загрузкой вычислительной системы и скоростью перемещения робота на основе результатов оценки сложности и достоверности распознавания окружающего мира (Рис. 1).
На вход модели поступает заданное значение достоверности распознавания Dз и вектор параметров:
V = {U10, U20, U30, [U1 min, U1 max], [U2 min, U2 max], [U3 min, U3 max], K*}, (1)
где U10, U20, U30, – начальные значения параметров управления, [U1 min, U1 max], [U2 min, U2 max], [U3 min, U3 max] – диапазоны изменения параметров управления, K* – критерий оптимальности, который в задачах управления процессом распознавания обычно выбирается минимизацией затрат [2, 3]:
K* = min Z(P,D), P≥Pз, D≥Dз, (2)
где Pз и P – заданная и фактическая производительность системы, Dз и D – заданная и фактическая достоверность оценки состояния окружающего мира.
Рис. 1. Модель адаптивной системы стереозрения для подвижного робота
В данной модели адаптация системы разделяется на три части:
• адаптация скорости (v) и направления (α) движения робота в подсистеме управления движением (U1={∆v, ∆ α});
• управление потоком поступающей информации на подсистему стереозрения через устройства и программы, взаимодействующими с объектом и передающими данными (U2={∆γ, RК, L, F}, где γ – угол поворота блока камер, которых не менее двух, RК – режимы работы камер (разрешение, частота кадров), L – параметры устройств воздействия на объект, которым является окружающий мир, например с помощью освещения, F – фокусировка камер);
• адаптация параметров стереозрения – выбором алгоритмов и их характеристик (U3={S, W}, где S – метод стереозрения, W – параметры метода).
Первоначально устанавливаются значения параметров управления равные входным параметрам:
U1 = U10, U2 = U20, U3 = U30. (3)
Подсистема взаимодействия с объектом может воздействовать на объект параметрами Y = φ1(L), а положение этой подсистемы по отношению к объекту определяется скоростью и направлением движения, задаваемые в соответствующей подсистеме управления. Принимаемые данные зависят от воздействия:
X = {x1, x2, …, xK}, X = φ2(Y), (4)
где K – число признаков.
Интенсивность потока информации λ определяется режимами работы средств регистрации блока взаимодействия (видео камерами). Данные на подсистему стереозрения поступают порциями, поэтому поток характеризуется объёмом информации N в порции, количеством передаваемых снимков изображения X* = {x*1, x*2, …}, которое зависит от числа камер, и периодом между предыдущей группой данных ∆t.
λ = X*: ∆t, N; X* = φ2(U2, X). (5)
В подсистеме стереозрения осуществляется составление трёхмерной модели M видимой части окружающего мира, оценка сложности распознавания Sl и достоверности D:
M = SM (W, λ), D = SD (W, λ), Sl = SSl (W, λ). (6)
Так как данные поступают в реальном времени, то результат распознавания трёхмерной модели является функцией от времени M = f(t), также как и Sl = f1(t), D = f2(t). В подсистеме выбора оптимального режима производится расчёт рассогласования между заданной и фактической оценками достоверностей распознавания состояния объекта:
∆D = Dз – D. (7)
После чего, согласно критерию K*, а также руководствуясь ∆D, Sl, M и вектором входных параметров V, устанавливается оптимальный режим движения робота и функционирования подсистем с параметрами управления, вычисленными для конкретного случая:
U1 = FU1 (V, ∆D, Sl, M), U2 = FU2 (V, ∆D, Sl, M), U3 = FU3 (V, ∆D, Sl, M). (8)
Выбор оптимального режима осуществляется путём нахождения минимума целевой функции Z(P,D) для каждого момента изменения режима. В самом простейшем случае, когда подсистема управления робота манипулирует только изменением скорости движения, вид целевой функции представлен на рисунке 2 [2].
Рис. 2. Графики материальных затрат Z от скорости движения робота v; где Z0 – затраты, независящие от скорости; Z1 – затраты на исследование объекта, зависящие от скорости; Z2 – затраты, определяемые достоверностью результата
Наибольшей трудоёмкостью в реализации предлагаемой модели является разработка подсистемы стереозрения, которая должна помимо выдачи результатов в виде расстояний до объектов осуществлять расчёт достоверности и сложности распознавания.
Алгоритмов стереозрения существует множество [1], у каждого из которых есть свои достоинства и недостатки. Обычно классифицируют алгоритмы на локальные и глобальные [6]. Локальные алгоритмы оперируют частями изображения, например, вычисляют степени сходства каждых точек на нескольких изображениях. Глобальные алгоритмы используют все точки изображения для нахождения их расхождения.
У локальных алгоритмов есть преимущество в производительности, но недостатком является то, что они не оперируют всем изображением – поэтому не может использовать знание о наличии однородных объектов. Одномерные алгоритмы вообще обрабатывают строки изображений независимо друг от друга, что естественно накладывает отпечаток на полученные результаты. Хотя данные алгоритмы могут быть легко распараллелены, что очень важно в настоящее время.
Глобальные алгоритмы, в которых используются методы динамического программирования, модели случайных полей Маркова и другие, достаточно громоздки и тяжело поддаются распараллеливанию, но достоверность их распознавания выше, чем в локальных алгоритмах.
Выбор алгоритма стереозрения существенно влияет на производительности работы всей модели и на достоверность распознавания, поэтому использования различных алгоритмов даёт большое преимущество – при низкой сложности распознавания можно применять быстрые алгоритмы, а при высокой – медленные. В зависимости от этого будет выбираться и скорость движения робота, которая во многом ограничивается вычислительной мощностью подсистемы стереозрения.
Дальнейшее развитие предложенного подхода включает в себя решение следующих задач:
• разработка метода оценки сложности и достоверности распознавания трёхмерной модели окружающего мира;
• модернизация существующих и разработка собственных вариаций алгоритмов стереозрения, позволяющих помимо результатов распознавания выдавать значения их сложности и достоверности [3];
• выбор стратегии установки оптимального режима работы адаптивной системы стереозрения;
• подбор аппаратного и программного обеспечения для подвижного робота.
Литература:
1. Вахитов А.Т., Гуревич Л.C., Павленко Д.В. Обзор алгоритмов стереозрения // Стохастическая оптимизация в информатике. Выпуск 4. – СПб.: Издательство Санкт-Петербургского университета, 2008. – С. 151-169.
2. Кручинин А. Ю. Оптимизация режимов работы каротажных станций на основе анализа сложности идентификации состояния буровой скважины : дис. канд. техн. наук: 05.13.06 / А. Ю. Кручинин. - Оренбург : [Б. и.], 2007. - 150 с.
3. Кручинин А.Ю. Управление процессом распознавания образов на основе оценки его сложности : Сборник статей X международной научно-технической конференции «Информационно-вычислительные технологии и их приложения» / А.Ю. Кручинин. – Пенза: РИО ПГСХА, 2009. – С 143-149.
4. Кручинин А.Ю., Аралбаев Т.З. Модель динамической оптимизации режимов мониторинга и диагностирования буровой скважины // Известия ОрелГТУ, серия «Информационные системы и технологии». – 2006. – № 1 (2). – С. 81-85.
5. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. – М.: Издательский дом «Вильямс», 2004. – 928 с.
6. Scharstein D., Szeliski R. A taxonomy and evaluation of dense two-frame stereo correspondence algorithms // Int. Journal of Computer Vision 47. April-June 2002. PP. 7–42.
|