Представлены результаты исследования производительности планировщиков движения, основанных на выборке одного запроса, для различной кинематики манипуляционных роботов и характеристик окружающей среды. Анализ проводился применительно к задачам поиска пути в многомерном конфигурационном пространстве. Проанализированы однонаправленные и двунаправленные планировщики по их чувствительности к изменению значений двух ключевых статических параметров: Range и Goal-Bias. Показано, что имеют место либо минимальные пороговые, либо оптимальные значения каждого из рассмотренных параметров, существенно отличающиеся для каждого алгоритма планирования, но практически инвариантные к кинематике и степени заполнения окружения робота препятствиями. Предложены рекомендации по настройке статических параметров планировщиков.
Рассматривается задача повышения точности и робастности методов одновременной локализации и картирования с использованием численной оптимизации с ограничениями. В основе предлагаемого решения лежит модификация алгоритма ORB-SLAM3, учитывающая особенности кинематики наземных роботов и использующая комплексирование данных визуальной и колесной одометрии, блочное уравнивание (bundle adjustment) для настройки параметров, комплексно характеризующих состояние визуального сенсора, а также алгоритм замыкания петли для корректировки карты. Результаты апробации на наборе данных OpenLoris показывают, что для ряда сценариев предлагаемое решение существенно превосходит по точности и робастности известный алгоритм ORB-SLAM3
Представлены результаты исследования, направленного на разработку интеллектуальной автономной навигационной системы для складской и офисной логистики с использованием глубоких нейронных сетей. Проанализированы современные и наиболее универсальные средства для получения карт глубин и семантической сегментации данных на изображениях в различных средах. Проведен сравнительный анализ карт глубин, формируемых RGB-D-камерой, а также с помощью нейросетевых алгоритмов и модифицированного алгоритма Хиршмюллера. Результаты тестирования, проведенного на специально подготовленном наборе данных, снятых в офисном пространстве, демонстрируют, что предложенное решение превосходит альтернативные по точности и позволяет сократить затраты вычислительных ресурсов
Рассматриваются способы расширения набора распознаваемых классов объектов для задачи их сегментирования, где необходимо построить маску объекта, а также узнать его класс. Для первой задачи использованы методы, не зависящие от классов предметов и являющиеся наиболее устойчивыми к изменениям формы; для второй задачи проанализированы методы, основанные на итеративном обучении (iterative learning), и методы метрического обучения (metric learning). Второй подход выбран в качестве основного, и для него протестированы различные архитектуры нейронных сетей. Проведена классификация объектов с использованием алгоритма k ближайших соседей. В качестве набора данных для обучения нейронной сети использован набор COIL- 100, а после обученная модель протестирована на собственном наборе данных. Проведенные эксперименты показывают, что используемый метод позволяет обрабатывать 7-8 изображений в секунду на видеокарте GTX 1050 ti с 4 Гбайт видеопамяти с точностью классификации в 99 %
Предлагается учитывающая взаимное влияние физических и биохимических процессов структурная модель взаимосвязей процессов биологической очистки сточных вод. Модель позволяет анализировать работоспособность систем анаэробной биологической очистки при эксплуатации. Обосновывается необходимость непрерывного контроля технического состояния этих систем, ориентированного, в первую очередь, на выявление причин деградации микроорганизмов. На основе общего подхода к диагностике сложных технических систем предложены алгоритмы непрерывного контроля технического состояния системы анаэробной биологической очистки сточных вод, позволяющие выявить причины неисправностей различной природы и сократить число проводимых лабораторных исследований.