ПОДВОДНЫЕ ИССЛЕДОВАНИЯ И РОБОТОТЕХНИКА

Создание программного обеспечения для систем управления подводными робототехническими комплексами сопряжено как с адаптацией апробированных технических решений, так и с разработкой новых. При этом в процесс могут вовлекаться различные средства разработки программ, спектр которых в настоящее время весьма широк. В статье рассматривается опыт использования языка Python при создании «с нуля» систем управления для необитаемых подводных аппаратов (как автономных, так и телеуправляемых) на примере разработки малогабаритного аппарата Geek. Особенность данного аппарата заключается в его назначении – обучение студентов и аспирантов основам проектирования подводной необитаемой техники, а также участие студенческих команд в соревнованиях по подводной робототехнике. Рассматриваются различные аспекты использования языка Python, включая межпроцессное взаимодействие, обработку данных с датчиков и систем подводного робота, автономное управление, взаимодействие с операторами на поверхности, а также интеграцию с другими технологиями, необходимыми для успешного выполнения аппаратом миссий под водой. Обсуждаются результаты применения подводного робота Geek для выполнения различных операций в телеуправляемом и автономном режимах.

В статье описывается разработанный авторами алгоритм сегментации цветных фотоизображений, полученных системой технического зрения автономного необитаемого подводного аппарата. Целью сегментации является последующее выделение (детектирование) на изображении интересующего объекта, обладающего специфичной цветовой палитрой в сравнении с другими (ложными) объектами поверхности дна. Суть разработанного алгоритма заключается в построении гистограмм распределения частоты повторения значений пикселей в цветовой модели тон‒насыщенность‒яркость (hue‒saturation‒value). Соотношение таких гистограмм детектируемого (искомого) объекта и преимущественного фона (ложных объектов) позволяет сегментировать фотоизображение и распознать на нем интересующий объект. После применения процедуры сегментации производится определение координат и направления детектируемого объекта. Для этих целей в работе используется метод линейной аппроксимации, примененный к совокупности пикселей, прошедших через разработанную процедуру фильтрации. Суть данной процедуры заключается в удалении определённого количества весов пикселей по строкам и по столбцам до тех пор, пока с изображения не будет удалена необходимая сумма весов пикселей. Естественным следствием такой процедуры является полная очистка изображения, что говорит об отсутствии искомого объекта на нем. Преимуществами разработанного алгоритма являются высокая скорость обработки фотокадров (требуется всего один проход по пикселям изображения), скорость обучения (достаточно одного цикла по всем пикселям всех изображений из обучающей выборки) и простота реализации. Приведены примеры работы алгоритма на реальных фотоизображениях, полученных фотосистемой малогабаритного подводного аппарата, предназначенного для обучения студентов и участия в спортивных мероприятиях по подводной робототехнике.