Нгуен Чанг Хоанг Тхуи 1, 2
1 Национальный исследовательский Томский государственный университет
2 Вьетнамский морской университет
Ключевой проблемой разработки мобильных роботов является поиск и перемещение робота в неизвестной среде. В методах навигации и определения местоположения часто приходится использовать систему мэйнфрейма для обработки полученной от робота информации об окружающей среде, в которой он путешествовал. Фактически мобильные роботы обычно очень маленькие, поэтому для их использования необходимо соответствующее оптимальное, компактное и техническое решение. Существует много предлагаемых методов, но эти методы решаются только алгоритмически, и способ обработки информации, полученной от роботов на аппаратных устройствах, не упоминается. Использование правильных аппаратных технологий для мобильных роботов также является проблемой для научных исследователей. В этой статье описан способ построения высокопроизводительной реконфигурируемой модели на основе принципов параллельной архитектуры в сочетании с алгоритмом SLAM для отображения мобильных роботов в помещениях. Мобильные роботы будут построены на платформе ROS в среде Gazebo, где будут установлены препятствия, еще не известные роботам, в сочетании с алгоритмом SLAM и методом Octomap. Реконфигурируемая модель разработана в среде Matlab, состоящей из множества идентичных вычислительных компонентов, которые настраиваются автоматически в зависимости от местоположения робота и параметра расстояния. Результаты показывают, что построенная модель будет быстро получать высокоточную карту одновременно с движением робота. Кроме того, эта модель может быть установлена на ИС, ПК или ПЛИС, поэтому она имеет высокую практическую ценность.
0 KB
реконфигурируемая вычислительная среда
высокопроизводительная реконфигурируемая модель
высокопроизводительная вычислительная система
SLAM
модель бинарной логики
1. Аносов В.Л., Черномаз В. Учебник по курсу «Симуляторы» для студентов специальностей 7.050102 «Экономическая кибернетика» и 7.080404 «Интеллектуальные системы при принятии решений». Краматорск: ДГМА, 2007. C. 156.
2. Nguyen Hoang Thuy Trang, Shydlouski S. Situations in Construction of 3D Mapping for Slam. 2018. DOI: 10.1051/matecconf/201815501055.
3. Nguyen Hoang Thuy Trang, Shydlouski S. Tunable computing Slam navigation environments. 2019. DOI: 10.1088/1757899X/516/1/012053.
4. An Z., Lina Hao, Liu Y., Dai L. Development of Mobile Robot SLAM Based on ROS. 2016. DOI: 10.18178/ijmerr.5.1.47-51.
5. Fernando A. Auat Cheein, Natalia Lopez, Carlos M. Soria, Fernando A. di Sciascio, Fernando Lobo Pereira, Ricardo Carelli. SLAM algorithm applied to robotics assistance for navigation in unknown environments. Journal of Neuro Engineering and Rehabilitation. 2010. Vol. 7. № 10. DOI: 10.1186/1743-0003-7-10.
6. Aria M. Real-Time 2D Mapping and Localization Algorithms for Mobile Robot Applications. 2019. DOI: 10.1088/1757-899X/662/2/022131.
7. Ebrahim A. Mattar. Mobile Robot Feature-Based SLAM Behavior Learning and Navigation in Complex Spaces. 2018. DOI: 10.5772/intechopen.81195.
8. C?sar Debeunne, Damien Vivet. A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping. 2020. DOI: 10.3390/s20072068.
9. Riaz Z., Pervez A., Ahmer M., Iqbal J. A Fully Autonomous Indoor Mobile Robot using SLAM, Department of Mechatronics Engineering College of E.M.E National University of Sciences and Technology Rawalpindi, Pakistan. 2020. DOI: 10.1109/ICIET.2010.5625691.
10. Armin Hornung, Kai M. Wurm, Maren Bennewitz, Cyrill Stachniss, Wolfram Burgard. OctoMap: an efficient probabilistic 3D mapping framework based on octrees. 2013. V. 34. Р. 189–206. DOI: 10.1007/s10514-012-9321-0.
11. Джеркер Бергстрем. Планирование пути с регионами с взвешенной стеной с использованием OctoMap. 2018. С. 7–8.
12. Шашев Д.В., Шидловский С.В. Морфологическая обработка двоичных изображений с использованием настраиваемых вычислительных сред // Автометрия. 2015. Т. 51. № 3. C. 19–26.
13. Иванов В.А., Киричук В.С. Особенности алгоритмов обнаружения упавшего человека по последовательности изображений сцены // Автометрия. 2011. Т. 47. № 2. С. 15–25.
14. Шапиро Л., Стокман Дж. Компьютерное зрение / Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.
15. Шидловский С.В. Автоматическое управление. Реконфигурируемые системы: учебное пособие. Томск: Изд-во Том. ун-та, 2010. 168 с.
16. Шидловский С.В. Автоматическое управление. Перестраиваемые конструкции. Томск: Изд-во Том. ун-та, 2006. 288 с.
17. Каляев И.А., Левин И.И., Семерников Е.А., Шмоилов В.И. Реконфигурируемые многоконвейерные вычислительные структуры. Ростов н/Д.: Изд-во УНЦ РАН, 2008. 393 с.
18. Хорошевский В.Г., Курносов М.Г., Мамойленко С.Н. Пространственно-распределенная многокластерная вычислительная система: архитектура и программное обеспечение // Вестн. ТГУ. Менеджмент, компьютерная инженерия и информатика. 2011. № 1 (14). C.79–84.
Библиографическая ссылка
Нгуен Чанг Хоанг Тхуи ПОСТРОЕНИЕ НАВИГАЦИОННЫХ РЕКОНФИГУРИРУЕМЫХ МОДЕЛЕЙ МОБИЛЬНЫХ РОБОТОВ // Современные наукоемкие технологии. 2020. № 11-1. С. 49-55;URL: https://top-technologies.ru/ru/article/view?id=38297 (дата обращения: 01.07.2026).