Интегрированная система автономной навигации в помещении тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Нгуен Куок Хань

• Нгуен Куок Хань
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Нгуен Куок Хань

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ БАЗОВЫХ СИСТЕМ НАВИГАЦИИ В ПОМЕЩЕНИИ

1.1 Методы позиционирования в системах навигации в помещений

1.1.1 Метод многолучевого измерения

1.1.2 Цифровой отпечаток

1.1.3 Ячейка происхождения

1.2 Технологии позиционирования в помещениях

1.2.1 Оптический поток

1.2.2 Ультразвук

1.2.3. Сверхширокополосная технология

1.2.4 Радиочастотная идентификация

1.2.5 Беспроводная локальная сеть

1.2.6 Bluetooth

1.2.7 ^стемы захвата движения

1.2.8 Инерциальная навигациольная система

1.2.9 Лазерное детектирование

1.2.10 Инфракрасная система навигации

1.3 Комбинирование ИкСН и ОRB-SLAM

1.3.1 Преобразовавние ПБСК и ПСК вБСК

1.3.2 Преобразовавние из 2D-изображения в ССК

Выводы по первой главе

ГЛАВА 2. КАЛИБРОВКА ИНФРАКРАСНОЙ СИСТЕМЫ НАВИГАЦИИ

2.1 Принцип действия инфракрасной системы навигации

2.1.1 Алгоритм определения положения

2.1.2 Анализ точности ИкСН

2.1.3 Метод калибровки систематических погрешностей

2.2. Экспериментальные испытания

Выводы по второй главе

ГЛАВА 3. РАЗРАБОТКА МЕТОДА ВЫДЕЛЕНИЯ ОПОРНЫХ ТОЧЕК ПРЕПЯТСТВИЯ (ОТП)

3.1 ORB-SLAM

3.1.1 Мониторинг

3.1.2 Локальное картирование

3.1.3 Замыкание контура

3.2. Принцип работы YOLO

3.3. Модифицированная версия YOLO

3.4 Оценка эффективности модифицированной версией YOLO

3.5 Интеграция модифицированной версией YOLO с ORB-SLAM

Выводы по третьей главе

ГЛАВА 4. ОПРЕДЕЛЕНИЕ МАСШТАБНОГО КОЭФФИЦИЕНТА 3D-

КАРТЫ

4.1. Масштабный коэффициент 3D-карты ORB-SLAM

4.2 Алгоритм определения коэффициента масштаба

4.3. Оценка эффективности предложенного алгоритма

Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

БСН Базовые системы навигации

SLAM Simultaneous Localization and Mapping

ORB Oriented FAST and Rotated BRIEF

FAST Features from Accelerated Segment Test

BRIEF Binary Robust Independent Elementary Features

ИкСН Инфракрасная система навигации

ОТП Опорные точки препятствия

ИНС Инерциальные навигационные системы

БСК Базовая система координат

ПБСК Приборная базовая система координат

ПСК Приборная система координат

ССК Связанная с подвижным объектом система координат

YOLO You Only Look Once

DBSCAN Density-Based Spatial Clustering of Applications with Noise

РАФК Расширенный адаптивный фильтр Калмана с окном «Sage»

ФМП Функция максимального правдоподобия

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Интегрированная система автономной навигации в помещении»

Актуальность темы диссертации

Автономные подвижные объекты в настоящее время становятся объектом повышенного общественного интереса и применяются в различных областях экономики, науки и техники. Ключевой особенностью, определяющей значимость автономных подвижных объектов, является их способность к самостоятельному функционированию, что позволяет использовать их в экстремальных и опасных условиях, недоступных или небезопасных для человека. Для обеспечения надежной и бесперебойной работы автономных подвижных объектов задача навигации является основной. В наружной среде глобальные спутниковые системы позиционирования (GPS, ГЛОНАСС,...) по-прежнему остаются оптимальным решением благодаря высокой степени автоматизации и простоте использования. В помещении спутниковые системы оказываются недоступными, поскольку сигнал часто полностью блокируется стенами и бетоном. Тогда предлагается использование альтернативного подхода.

Для автономной навигации создание цифрового представления окружающей среды является важной задачей. Для малых подвижных объектов (массой не более 250г и диагональным размером в пределе 75 - 150мм) оптимальным является использование алгоритмов одновременной локализации и картирования c использованием признаками ORB [64] ( ORB Simultaneous Localization and Mapping - ORB-SLAM), работающих на основе видеопотока от монокулярной камеры. ORB-SLAM позволяет воссоздать цифровую карту окружающей среды в виде облака точек. Однако для неизвестной среды в получаемом облаке точек у подвижного объекта нет возможности самостоятельно распознавать опорные точки препятствия (ОТП). Кроме того, ORB-SLAM с использованием монокулярной камеры создает 3D-приборную карту, но с неодинаковыми искажениями масштаба по каждой из осей, так как информация о глубине изображения отсутствует. Поэтому на начальном этапе необходимо привлекать внешнюю базовую систему навигации (БСН) для определения масштабных коэффициентов.

Таким образом, разработка метода построения в реальном времени 3D-карты помещения с определением препятствий с точностью не хуже 25мм (требование точности для навигации в помещении [28]) является актуальной задачей.

Целью диссертационной работы является разработка комплекса решений для построения 3D-карты изменяющейся окружающей среды.

Для достижения поставленной цели в диссертационной работе поставлены и решены следующие задачи исследования:

1. Анализ основных базовых систем навигации в помещении.

2. Анализ погрешностей инфракрасной системы навигации (ИкСН).

3. Разработка алгоритма калибровки систематической погрешности ИкСН.

4. Разработка метода выделения опорных точек препятствия (ОТП) на 3D-приборной карте.

5. Разработка алгоритма определения масштабных коэффициентов для пересчета результатов ORB-SLAM в систему координат БСН.

6. Экспериментальные испытания для проверки эффективности предложенных алгоритмов.

Объектом исследования является комбинированная ИкСН/ОRB-SLAM. Предметом исследования

Алгоритм обработки сигнала ИкСН.

Методы обработки траектории подвижного объекта и приборной карты, созданной ORB-SLAM.

Методы исследования

Для решения поставленных задач в диссертационной работе использовались основные положения теоретической и аналитической механики, матричной алгебры, методов математического моделирования, теории статистической обработки экспериментальных данных.

Научная новизна

1. Разработан новый алгоритм калибровки систематической погрешности ИкСН.

2. Разработан новый метод выделения ОТП на 3D-приборной карте в реальном времени.

3. Разработан новый алгоритм определения масштабных коэффициентов между приборной, построенной по результатам обработки видеоизображения препятствия, и действительной картами.

Научные положения, выносимые на защиту

1. Алгоритм калибровки, учитывающий нелинейное распределение погрешности в рабочем диапазоне инфракрасной системы навигации, позволяет обеспечить требуемую точность определения координат объекта.

2. Метод, основанный на модели прогноза положения препятствия на изображении, позволяет выделить опорные точки препятствия на 3D-приборной карте в реальном времени, по которым воссоздается его форма.

3. Алгоритм, основанный на использовании адаптивного расширенного фильтра Калмана c окном «Sage», позволяет определить масштабные коэффициенты между приборной и действительной картами.

Практическая значимость работы

Алгоритм калибровки систематической погрешности ИкСН позволяет снизить погрешность определения координат объекта до 10 мм.

Метод выделения ОТП на 3D-приборной карте обеспечивает достаточную скорость обработки (20мс/кадр) на объекте в режиме реального времени.

Алгоритм определения в режиме реального времени масштабных коэффициентов позволяет актуализировать 3D-карту изменяющейся окружающей среды с точностью не хуже 25мм.

Обоснованность и достоверность научных результатов

Результаты диссертационной работы получены при корректном и обоснованном применении методов исследования, проведенными экспериментальными исследованиями работоспособности предложенного алгоритма при использовании современной аппаратуры в реальных условиях.

Апробация результатов. Результаты диссертационного исследования докладывались и обсуждались на следующих конференциях:

- 2021 Конференция российских молодых исследователей в области электротехники и электроники (2021 ElConRus) (2021 Conference of Russian Young Researchers in Electrical and Electronic Engineering), Санкт-Петербург, 2629 января 2021 г.;

- 2023 Конференция российских молодых исследователей в области электротехники и электроники (2023 ElConRus) (2023 Conference of Russian Young Researchers in Electrical and Electronic Engineering), Санкт-Петербург, 2327 января 2023 г.;

- 2025 Конференция молодых исследователей в области электротехники и электроники (2025 ElCon) (2025 Conference of Russian Young Researchers in Electrical and Electronic Engineering), Санкт-Петербург, 28-30 января 2025 г.;

- XXV конференция молодых ученых «Навигация и управление движением» (XXV КМУ 2023), Санкт-Петербург, 21-24 марта 2023 г.;

- XXVI конференция молодых ученых «Навигация и управление движением» (XXV КМУ 2024)», Санкт-Петербург, 19-22 марта 2024 г.;

- XXVII конференция молодых ученых «Навигация и управление движением» (XXV КМУ 2025)», Санкт-Петербург, 18-21 марта 2025 г.;

Публикации. По теме диссертации опубликовано 11 научных работ, из них 4 статьи в рецензируемых научных журналах и изданиях, определенных ВАК Минобрнауки РФ, 4 статьи - в журналах базы данных Scopus, 3 работы в материалах и сборниках международных, российских научно-технических конференций.

Основное содержание и структура диссертации

Диссертационная работа структурно включает введение, четыре главы, заключение, список литературы.

Во введении обоснована актуальность темы исследования, сформулированы цель и задачи работы, научная новизна, методы исследования и положения, выносимые на защиту, приведены сведения о практической ценности и апробации результатов исследования.

В 1-й главе проведен анализ основных базовых основных систем навигации, применяемых в помещении. По результатам сравнительного анализа выявлен высокий потенциал использования ИкСН, которая устраняет многие присущие другим БСН недостатки и обеспечивает высокую стабильность и потенциальную точность работы.

В 2-й главе проведен анализ ИкСН. Выполнен анализ случайных и систематических погрешностей сигнала системы. На основе полученных результатов разработан новый алгоритм калибровки, обеспечивающий требуемую точность определения координат объекта благодаря учету нелинейного распределения погрешности в рабочем диапазоне ИкСН. Проведены эксперименты для оценки эффективности алгоритма в различных зонах.

В 3-й главе предложен метод интеграции SLAM с признаками ORB (ORBSLAM) с моделью прогноза положения препятствия на изображении для выделения ОТП в 3D-приборной карте. Разработана модифицированная версия модели прогноза положения, обеспечивающая сокращение времени обработки. Проведены эксперименты для оценки эффективности метода.

В 4-й главе предложен алгоритм оценки систематических составляющих погрешностей масштабных коэффициентов перед применением метода функции максимального правдоподобия. Проведены эксперименты для оценки эффективности алгоритма.

В заключении сформулированы основные результаты диссертационного исследования и перспективы дальнейшей работы.

ГЛАВА 1. АНАЛИЗ БАЗОВЫХ СИСТЕМ НАВИГАЦИИ В ПОМЕЩЕНИИ

В настоящее время ученые разработали множество технологий для контроля и управления движением малых подвижных объектов [1-2] с использованием компактных и легких датчиков. К этим технологиям относятся оптический поток, инерциальные навигационные системы (ИНС), ультразвук и другие. Однако каждая из этих технологий имеет свои ограничения, например, низкая точность и высокая вычислительная нагрузка у систем оптического потока [3]; накопление погрешности со временем в ИНС, в то время как ультразвук обеспечивает высокую точность, но имеет ограниченный радиус действия [3]. Поэтому перспективным направлением является комбинирование методов с целью устранения недостатков каждой отдельной технологии.

На сегодняшний день существует не так много обзоров технологий позиционирования в помещениях для подвижных объектов. В работе [4] представлен обзор технологий позиционирования на основе поиска информации из статей, опубликованных в системе IEEE Xplore. Однако это исследование не описывает подробно принципы работы каждого метода и их классификацию, а также не предоставляет достаточной информации о современных методах. Юньтянь Л. и соавторы в работе [3] сравнивали типы датчиков, используемых для позиционирования в помещениях. Несмотря на предложенную классификацию датчиков, оценка не учитывала точность и радиус действия. Обзор сравнительных характеристик технологий позиционирования в помещениях представлен в работе [5], где особое внимание уделено популярным системам, таким как оптический поток, ультразвук, радиотехнические,.... Аналогично [3], автор работы [5] также не предложил полной системы классификации, которая позволила бы получить общее представление о современных технологиях позиционирования.

С этой целью в первой главе диссертации представлена подробная классификация технологий по различным признакам, а также проведена оценка и анализ конкретных методов с целью предоставить более полное представление о данной области.

1.1 Методы позиционирования в системах навигации в помещений

Определение положения устройства в помещении обычно включает три основных этапа:

- Этап 1: Датчики получают сигналы от различных технологий.

- Этап 2: На основе характеристик полученных сигналов применяются методы для оценки расстояния до контрольных точек в системе координат.

- Этап 3: Расстояния преобразуются в определение положения устройства в заранее заданной системе координат.

В системах позиционирования в помещениях выбор опорной системы координат зависит от цели применения.

1.1.1 Метод многолучевого измерения

Метод многолучевого измерения - это метод определения положения устройства на основе измерения расстояний до опорных точек в пространстве. Оценка расстояний может выполняться с использованием различных методов измерения, таких как уровень сигнала (УС) , время прихода (ВП), разность времени прихода (РВП), угол прихода (УП). В особом случае, когда количество опорных точек равно трем, используется метод триангуляции.

Время прихода (ВП)

Время прихода (ВП) - это метод определения расстояния от устройства до опорной точки на основе времени передачи сигнала от источников к приемной станции (Рис. 1.1). Получив расстояния до нескольких опорных точек, положение устройства можно определить с помощью метода многолучевого измерения. Из-за погрешностей в измерениях ВП (погрешности, вызванные шумом, многолучевостью, рассеянием сигнала) оценка положения не дает единственной точки, а представляет собой область, в которой выбирается точка с наилучшими характеристиками. Преимуществом этой техники является простота и легкость реализации, однако она требует точной синхронизации по времени источников сигналов [6].

A, B, C - источники сигнала; Г - приемная станция.

Рисунок 1.1 - Метод времени прихода (ВП)

Расстояние от приемной станции до источников сигнала вычисляется как произведение скорости распространения сигнала V на время передачи сигнала

Разность времени прихода (РВП)

Разность времени прихода (РВП) - это метод определения расстояния от устройства до опорных точек на основе различий во времени поступления сигнала на приемную станцию от разных источников. Разность расстояний от устройства до двух приемных станций вычисляется как произведение скорости распространения сигнала на разность времени прихода двух сигналов. Множество точек, удовлетворяющих условию постоянной разности расстояний, образует гиперболоиды. Пересечение нескольких гиперболоидов позволяет оценить положение устройства. Отличие РВП от ВП заключается в том, что, в то время как ВП требует высокой синхронизации между источником и приемной станцией, РВП не определяет расстояние до опорных точек и поэтому не требует синхронизации между приемной станцией и источником; синхронизация требуется только между самими источниками сигнала [7].

Угол прихода (УП)

Угол прихода (УП) - это метод определения направления на источник сигнала на основе угла, под которым сигнал поступает на приемную станцию. На этой основе определяется прямая, соединяющая устройство с опорными

точками. Определяя такие прямые для разных опорных точек, положение устройства оценивается по их точке пересечения (Рис. 1.2). Преимуществом этого метода является то, что не требуется синхронизация между источниками и приемной станцией. Однако недостатком данной технологии является сложность аппаратного обеспечения, необходимого для измерения углов [8].

Р _

A, B - источники сигнала; Г - приемная станция.

в

А'

Рисунок 1.2 - Метод угла прихода

Уровень сигнала (УС)

Уровень сигнала (УС) - это метод определения расстояния между устройством и опорной точкой на основе мощности сигнала, принимаемого приемной станцией. Принцип УС основан на зависимости ослабления мощности сигнала от пройденного расстояния. Измеряя уровень сигнала в точке и используя модель распространения сигнала, система может определить расстояние от приемной станции до соответствующего источника [9, 10]. Преимуществом метода УС является простота и отсутствие необходимости в синхронизации между приемной станцией и источником сигнала. Однако точность сильно зависит от многолучевости и рассеяния сигнала.

1.1.2 Цифровой отпечаток

Цифровой отпечаток (ЦО) - это метод определения положения устройства на основе характерного сигнала, получаемого в различных точках. Вместо того чтобы вычислять расстояние или измерять угол, ЦО использует карту сигналов, фиксируя значения уровня принятого сигнала в разных местах. Когда требуется

оценить положение, параметры сигнала в точке измерения сравниваются с образцами в базе данных, что позволяет определить ближайшее местоположение. Метод обычно включает два этапа: обучение и определение положения [11].

- Этап обучения: создается карта уровня сигнала в различных точках. Чем детальнее карта, тем выше точность системы.

- Этап определения положения: сравнение с базой данных осуществляется с помощью алгоритмов сопоставления для оценки положения устройства.

1.1.3 Ячейка происхождения

Метод ячейки происхождения (ЯП) - это метод определения положения устройства на основе расположения ближайшей опорной точки. Преимуществом этого метода является простота, поскольку он не требует измерения каких-либо характеристик сигнала. Устройство, подключенное к определенной опорной точке, оценивается как находящееся в зоне покрытия этой точки. ЯП часто используется как предварительный метод, который затем комбинируется с другими методами для точного определения координат устройства.

Таким образом, рассмотрены наиболее распространенные методы позиционирования в помещениях. Далее следует рассмотреть технологии, которые обычно используются для задач навигации в помещениях.

1.2 Технологии позиционирования в помещениях

Технологии позиционирования в помещениях обычно классифицируются по типу сигнала, используемого для связи, и по способности обрабатывать информацию без внешнего сигнала. Как правило, их делят на два типа: автоматические и полуавтоматические. На рисунке 1.3 показана классификация технологий по этим признакам

Рисунок 1.3 - Классификация технологий позиционирования в помещениях

1.2.1 Оптический поток

Это метод определения кажущегося движения пикселей на плоскости изображения с одинаковой интенсивностью между двумя последовательными кадрами [2]. Этот метод позволяет определять положение, скорость и направление движения объекта. Точность системы зависит от характеристик датчика и используемого алгоритма. Алгоритмы определения оптического потока основаны на следующих предположениях [12-13]:

- Сохранение характеристик: относительное движение объекта относительно камеры вызывает изменение интенсивности изображения.

- Гладкость изображения: движение является согласованным в окрестности пикселя.

- Малые смещения пикселей: движение объекта непрерывно во времени при достаточной частоте обновления.

В настоящее время исследователи разработали множество алгоритмов для вычисления оптического потока на изображениях, среди которых можно выделить: дифференциальный метод [14], метод на основе энергии [15], метод на основе дробных операторов [16], метод сопоставления областей [17]. Для навигации в помещениях можно отметить следующие алгоритмы:

- Метод «Lucas-Kanade» [14] представляет дифференциальный метод, позволяющий определять оптический поток с оптимизацией локальной энергии. Метод мало чувствителен к шуму, однако поле оптического потока получается разреженным.

- Метод «Horn-Schunck» [18] представляет алгоритм вычисления оптического потока с минимизацией локальной погрешности; этот метод создает плотное поле оптического потока, но чувствителен к шуму.

- Метод «Srinivasan» предназначен для малогабаритных устройств [19].

- Метод суммарной абсолютной разности в сочетании с инерциальной навигационной системой [20].

- Метод масштабно-инвариантного признака представляет оптический поток на основе корреляции между признаками и движением пикселей [21].

В настоящее время датчики оптического потока были значительно усовершенствованы, что позволяет измерять оптический поток с высокой частотой обновления кадров. Например, в работе [22] компания CentEyes Inc. разработала встроенный визуальный чип с асинхронным интерфейсом, способный уменьшать образцы окна пикселей гибким образом. Сообщается, что чип «CentEye» способен вычислять оптический поток со скоростью 545 кадров в секунду. Другим примером является PX4FLOW Smart Camera (Рис. 1.4), разработанная для прямого предоставления оценки оптического потока на устройстве после калибровки вращательного движения [23].

Рисунок 1.4 - Датчик оптического потока PX4FLOW [23] Техника оптического потока обычно используется для решения таких задач, как посадка, распознавание пространства, обнаружение препятствий и регулирование скорости полета [5]. Преимуществом этого метода является высокая степень автоматизации и отсутствие необходимости во вмешательстве внешних систем. Однако этот метод имеет и определенные ограничения, включая невозможность построения 3D-карты пространства и значительные вычислительные нагрузки, требующие мощной аппаратной платформы.

В работе [24] была предложена система позиционирования для устройств в помещениях на основе метода «Lucas-Kanade». Система использует погрешности «вперед-назад», что позволяет повысить точность при сопоставлении признаков. При этом оценка движения зависит от подхода «игольное ушко» модели камеры.

Другая новая система сочетает разреженный и плотный оптический поток с расширенным фильтром Калмана для позиционирования транспортного устройства в помещениях [25]. Схема системы представлена на рисунке 1.5. Основной особенностью этой системы является использование плотных измерений оптического потока для оценки скорости подвижного объекта.

Рисунок 1.5 - Система, объединяющая разреженный и плотный оптический поток с фильтром Калмана для позиционирования в помещении [25] 1.2.2 Ультразвук

Система позиционирования в помещениях на основе ультразвука использует высокочастотные звуковые волны для определения расстояния от приемника до передатчика. Ультразвуковые волны - это звуковые волны с частотой выше слышимого диапазона человека (свыше 20 кГц). Ультразвуковая система позиционирования может быть автоматической или полуавтоматической.

Автоматическая система работает по принципу, аналогичному летучей мыши: передатчик и приемник устанавливаются на транспортное средство, при этом передатчик излучает ультразвуковые волны в окружающую среду [5]. Когда эти волны сталкиваются с препятствиями, они отражаются, и система вычисляет расстояние от устройства до объекта на основе времени, прошедшего от излучения волны до ее приема. Для этих целей автоматическая ультразвуковая система используется для обнаружения объектов, поддержания дистанции и удержания высоты полета.

Полуавтоматическая система использует фиксированные опорные точки [26]. Затем применяется ВП и метод триангуляции для определения абсолютного

положения относительно фиксированной системы координат. В полуавтоматических системах ультразвуковая система дополнительно делится на активные и пассивные системы.

Активная система - это когда источник излучения закреплен на устройстве. Недостатком такой системы является низкая масштабируемость: при увеличении числа устройств возникает наложение сигналов, что снижает точность системы. В отличие от активной, в пассивной системе приемник устанавливается на устройстве, которое пассивно принимает сигналы от передатчика и определяет свое положение. Так как процесс является независимым, диапазон системы можно расширять без риска наложения сигналов.

Ультразвуковые датчики обычно легкие (около 10 г), небольшого размера и имеют низкое энергопотребление (50 мВт). Поэтому ультразвуковые датчики часто подходят для малогабаритных транспортных средств с ограниченной грузоподъемностью (Рис. 1.6).

Рисунок 1.6 - Ультразвуковой датчик расстояния Преимуществом ультразвуковой системы является высокая точность, которая может достигать миллиметрового уровня. Однако основным недостатком этой системы является небольшой диапазон действия (около 10 метров), а также сильное влияние условий окружающей среды из-за поглощения звука (температура, влажность воздуха, давление) [3].

Хосе А. и соавторы [26] предложили систему для позиционирования транспортного устройства, объединяющую ультразвуковые и оптические технологии. Ультразвуковой модуль использует схему множественного доступа с разделением по времени и коду для вычисления горизонтального положения

транспортного устройства через процедуру двумерного мультилатерационного позиционирования. Схема системы представлена на рисунке 1.7.

В работе [27] была представлена внутренняя система с пятью опорными точками, расположенными на потолке, которые излучают ультразвуковые волны и используются для оценки SD-положения дрона.

j ulfs z

WiFi Acouslic Receiver

Рисунок 1.7 - Схема системы ультразвукового позиционирования [26]

1.2.3. Сверхширокополосная технология

Сверхширокополосная технология (Ultra-Wideband - UWB) является одной из наиболее широко используемых технологий для внутреннего позиционирования. Данная технология использует радиоволны с очень широкой полосой пропускания и короткой длиной волны. Федеральная комиссия по связи США ограничивает нелицензируемый диапазон рабочих частот UWB от 3,1 ГГц до 10,6 ГГц [28]. Ограничения по мощности передаваемого сигнала ограничивают дальность действия системы значениями менее 100 м. Для определения положения транспортного устройства в помещении в системах UWB применяются методы ВП и РВП.

Системы на основе сверхширокой полосы пропускания (несколько сотен МГц) с короткими временными импульсами (порядка 1 нс) позволяют достигать точности позиционирования на уровне нескольких сантиметров [3]. Основным

преимуществом технологии UWB является высокая устойчивость к многолучевым помехам. Это достигается за счет использования широкой полосы частот, что облегчает обнаружение задержанных сигналов. Технология UWB работает на малых длинах волн, благодаря чему часть сигнала способна проникать через такие материалы, как стекло, бетон и дерево, что обеспечивает возможность позиционирования в помещениях даже в условиях отсутствия прямой видимости, где, как правило, присутствует большое количество препятствий [28-29].

С другой стороны, часть сигнала поглощается объектами, что создает серьезные сложности при определении положения на больших расстояниях. Поэтому извлечение полезной информации из принимаемого сигнала является важной задачей для данной технологии. В работе [30] Тиманн Дж. и соавторы представили метод позиционирования дрона в помещении на основе UWB с использованием РВП. Система включает восемь приемных узлов, размещенных на стенах, и метку, установленную на транспортном устройстве (рис. 1.9). В работе [31] был предложен новый подход к построению 3D-карты, сочетающий UWB и облака точек. Данная карта используется в алгоритме Монте-Карло для оценки положения транспортного устройства.

Список литературы диссертационного исследования кандидат наук Нгуен Куок Хань, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. C Kanellakis, G. Nikolakopoulos. Survey on Computer Vision for UAVs: Current Developments and Trends. Journal of Intell Robot Syst. 2017

2. H Chao, Y Gu, M Napolitano. A survey of opti-cal flow techniques for UAV navigation applications. International Conference on Unmanned Aircraft Sys-tems (ICUAS). Atlanta, GA. 2013: 710-716

3. L Yuntian , M Scanavino. A novel distributed ar-chitecture for UAV indoor navigation. Transportation Research Procedia Volume 35, 2018, 13-22 c.

4. M. C. Pérez, D. Gualda. Review of UAV position-ing in indoor environments and new proposal based on US measurements. International Conference on Indoor Positioning and Indoor Navigation, 2019.

5. A Muhammad. Comparative Study of Indoor Navigation Systems for Autonomous Flight. Telecom-munication Computing Electronics and Control. Vol.16, No.1, pp. 118~128, 2018.

6. M. Khalaf-Allah. Time of arrival (TOA)-based direct location method. 16th International Radar Symposium (IRS). Dresden, Germany, pp. 812-815, 2015.

7. Wu, Peng, Shaojing Su, Zhen Zuo, Xiaojun Guo. Time Difference of Arrival (TDoA) Localization Combining Weighted Least Squares and Firefly Algorithm. Sensors 19, no. 11, pp. 2554, 2019.

8. Guillem B., Aleix B., Ivan P.. Indoor position estimation using angle of arrival measurements: An efficient multi-anchor approach with outlier rejection. Internet of Things,Volume 26, 2024.

9. Lorenzo-López, José, and Leandro Juan-Llácer. Received Signal Strength Indicator Measurements and Simulations for Radio Frequency Identification Tag Identification and Location in Beehives. Sensors 25, no. 11, 2025.

10. Y Chapre, P. Mohapatra, S. Jha and A. Seneviratne. Received signal strength indicator and its analysis in a typical WLAN system. 38th Annual IEEE Conference on Local Computer Networks, Sydney, NSW, Australia, pp. 304-307, 2013.

11. Bose, P. K., & Kabir, M. J.. Fingerprint: A Unique and Reliable Method for Identification. Journal of Enam Medical College, Volume 7, no. 1, pp 29-34, 2017.

12. S. Roth, M. J. Black. On the spatial statistics of optical flow. Internatioanl Journal of Computer Vision, vol. 74, no. 1, pp. 33-50, 2007.

13. M. J. Black, P. Anandan. The robust estimation of multiple motions: Parametric and piecewise-smooth flow fields. Computer Vision and Image Understand-ing, vol. 63, no. 1, pp. 75-104, 1996.

14. B. D. Lucas and T. Kanade, "An iterative image registration technique with an application to stereo vision," 1981

15. D. Fleet and A. Jepson, "Computation of component image velocity from local phase information," International Journal of Computer Vision, vol. 5, no. 1, pp. 77-104, 1990.

16. D. Chen, H. Sheng, Y Chen, and D. Xue, "Fractional-order variational optical flow model for motion estimation," Phil. Trans. R. Soc. A., pp. 107-117, 2013

17. J. Sun, H.-Y Shum, and N. Zheng, "Stereo matching using belief propagation," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 25, no. 7, pp. 787-800, 2003.

18. J. Barron, D. Fleet, and S. Beauchemin, "Performance of optical flow techniques," Internatioanl Journal of Computer Vision, vol. 12, no. 1, pp. 43-77, 1994.

19. M. V. Srinivasan, "An image interpolation technique for the computation of optical flow and egomotion," Biological Cybernetics, vol. 71, pp. 401-415, 1994.

20. F. Kendoul, I. Fantoni, and K. Nonami, "Optic flow-based vision system for autonomous 3d localization and control of small aerial vehicles," Robotics and Autonomous Systems, vol. 57, no. 6, pp. 591-602, 2009

21. D. G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, vol. 2, no. 60, pp.91-110, 2004.

22. CentEye Inc., "Cent Eye website," [http://embeddedeye.com/profiles/blogs/open-source-xmos-daughter], 2013.

23. D. Honegger, L. Meier, P. Tanskanen and M. Pollefeys. An open source and open hardware embedded metric optical flow CMOS camera for indoor and outdoor

applications. 2013 IEEE International Conference on Robotics and Automation, Karlsruhe, Germany, pp. 1736-1741, 2013.

24. Fausto F, Ju-Hyeon H. Visual Inertial Naviga-tion for a Small UAV Using Sparse and Dense Optical Flow. 2019 Workshop on Research, Education and Development of Unmanned Aerial Systems (RED UAS), Cranfield, UK, pp. 206-212, 2019.

25. Rudol P, Wzorek M, Conte G, et al. Micro un-manned aerial vehicle visual servoing for cooperative indoor exploration. Aerospace Conference IEEE, pp. 1-10, 2008.

26. Paredes, José A., Fernando J. Alvarez, Teodoro Aguilera, and José M. Villadangos. 2018. 3D Indoor Positioning of UAVs with Spread Spectrum Ultrasound and Time-of-Flight Cameras. Sensors 18, no. 1, 89 c.

27. Gualda, D., Urena, J., Pérez, M. C., Posso, H., Bachiller, S. and Nieto, R. 3D Position Estimation of an UAV in Indoor Environments using an Ultrasonic Local Positioning System. 9th International Conference on In-door Positioning and Indoor Navigation, 2018.

28. Mautz, R. Indoor positioning technologies, (PhD the-sis), Habil, ETH ZÛrich, 2012.

29. Paredes J. A., Alvarez, F. J., Aguilera, T. and Villadangos, J. M. 3D Indoor positioning of UAVs with spread spectrum ultrasound and Time-of-Flight Camer-as, Sensors, vol. 18, no. 89, 2018.

30. J. Tiemann and C. Wietfeld. Scalable and pre-cise multi-UAV indoor navigation using TDOA-based UWB localization. 2017 International Conference on Indoor Positioning and Indoor Navigation (IPIN), Sap-poro, Japan, pp. 1-7, 2017.

31. F. J. Perez-Grau, F. Caballero, L. Merino and A. Viguria. Multi-modal mapping and localization of un-manned aerial robots based on ultra-wideband and RGB-D sensing. 2017 IEEE/RSJ International Confer-ence on Intelligent Robots and Systems (IROS), Van-couver, BC, Canada, pp. 3495-3502, 2017.

32. Casati, G, Longhi, M., Latini, D., Carbone, F., Amendo-la, S., Frate, F., Schiavon, G. and Marrocco, G. The in-terrogation footprint of RFID-UAV:

electromagnetic modelling and experimentations. IEEE Journal of Ra-dio Frequency Identification, vol. 1, no. 2, 2017.

33. L. M. Ni, Yunhao Liu, Yiu Cho Lau and A. P. Patil. LANDMARC: indoor location sensing using active RFID. Proceedings of the First IEEE International Conference on Pervasive Computing and Communications. Fort Worth, TX, USA, pp. 407-415, 2003.

34. Alajami, Abdussalam A., Guillem Moreno, and Rafael Pous. Design of a UAV for Autonomous RFID-Based Dynamic Inventories Using Stigmergy for Mapless Indoor Environments. Drones 6, no. 8,pp. 208, 2022.

35. Vaupel T., Seitz J., Kiefer F., Haimerl S., Thielecke J. Wi-Fi Positioning: System Considerations and Device Calibration. Proceedings of the 2010 International Conference on Indoor Positioning and Indoor Navigation (IPIN), September 15-17, 2010.

36. P. Bahl and V. N. Padmanabhan. RADAR: an in-building RF-based user location and tracking system. Proceedings IEEE INFOCOM 2000. Conference on Computer Communications. Tel Aviv, Israel, vol.2, pp. 775-784, 2000.

37. Stojkoska, B. R., Palikrushev, J., Trivodaliev, K. and Kalajdziski, S. Indoor Localization of Unmanned Aeri-al Vehicles Based on RSSI. 17th International Conference on Smart Technologies. IEEE EUROCON, 2017.

38. Zhou, M., Lin, J., Liang, S., Du, W. and Cheng L. A UAV Patrol System Based on Bluetooth Localization. 2017 2nd Asia-Pacific Conference on Intelligent Robot Systems, 2017.

39. Newman, N. Apple iBeacon technology briefing. J Direct Data Digit Mark Pract, Volume 15, pp. 222-225, 2014.

40. Scaramuzza, D. et al. Vision-Controlled Micro Flying Robots, IEEE Robotics & Automation Magazine, pp. 26-40, 2014

41. R. Opromolla, G. Fasano, G. Rufino, M. Grassi and A. Savvaris, "LIDAR-inertial integration for UAV localiza-tion and mapping in complex environments," 2016 International Conference on Unmanned Aircraft Sys-tems (ICUAS), Arlington, VA, USA, pp. 649-656, 2016.

42. Ole R, Lars G. LiDAR from drones employed for map-ping archaeology -potential, benefits and challenges. Norwegian Institute for Cultural Heritage Research, 2018.

43. R. Li, J. Liu, L. Zhang and Y Hang. LIDAR/MEMS IMU integrated navigation (SLAM) method for a small UAV in indoor environments. 2014 DGON Inertial Sen-sors and Systems (ISS), Karlsruhe, Germany, pp. 1-15, 2014.

44. C. Taylor, C. Ward, D. Sofge and D. M. Lofaro. LPS: A Local Positioning System for Homogeneous and Heterogeneous Robot-Robot Teams, Robot-Human Teams, and Swarms. 16th International Conference on Ubiquitous Robots (UR), Jeju, Korea (South), pp. 200-207, 2019.

45. M. Hoppe, M. Burger, A. Schmidt, and T. Kosch. DronOS: Aflexible open-source prototyping framework for interactive drone routines. International Conference on Mobile and Ubiquitous Multimedia (MUM), ACM, pp. 1-7, 2019.

46. M. Greiff, A. Robertsson, and K. Berntorp. Performance bounds in positioning with the vive lighthouse system. IEEE International Conference on Information Fusion (FUSION), pp. 1-8, 2019.

47. K. Sletten. Automated testing of industrial robots using HTC vive for motion tracking. M.S. thesis, University of Stavanger, Norway, 2017.

48. Taffanel, Arnaud. Lighthouse positioning system: Dataset, accuracy, and precision for uav re-search." arXiv preprint arXiv:2104.11523, 2021.

49. D. C. Niehorster, L. Li, and M. Lappe. The accuracy and precision of position and orientation tracking in the HTC vive virtual reality system for scientific re-search. i-Perception, vol. 8, no. 3, 2017.

50. M. S. Ikbal, V. Ramadoss, and M. Zoppi, "Dy-namic pose tracking performance evaluation of HTC vive virtual reality system", IEEE Access, vol. 9, pp. 3798-3815, 2021

51. Lwowski, Jonathan, Majumdar. HTC Vive Tracker: Accuracy for Indoor Localization. IEEE Systems, Man, and Cybernetics Magazine. vol. 6. pp. 15-22, 2020

52. Borges, Miguel et al. HTC Vive: Analysis and Accu-racy Improvement. IEEE/RSJ International Con-ference on Intelligent Robots and Systems (IROS) , 2018.

53. A. J. Davison, I. D. Reid, N. D. Molton, and O. Stasse. MonoSLAM: Realtime single camera SLAM. IEEETrans.PatternAnal.Mach.Intell., vol. 29, no. 6, pp. 1052-1067, 2007

54. J.Civera, A.J.Davison, and J.M.M.Montiel. Inverse depth parametrization for monocular SLAM. IEEE Trans. Robot., vol. 24, no. 5, pp. 932-945, 2008.

55. A.Chiuso, P.Favaro, H.Jin, and S.Soatto. Structure from motion causally integrated over time. IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 4, pp. 523535, 2002.

56. E. Eade and T. Drummond. Scalable monocular SLAM. Proc. IEEE Comput. Soc. Conf. Comput. Vision Pattern Recog., New York, NY, USA, Jun. 2006, vol. 1, pp. 469-476.

57. E. Mouragnon, M. Lhuillier, M. Dhome, F. Dekeyser, and P. Sayd. Real time localization and 3D reconstruction. Proc. IEEE Comput. Soc. Conf. Comput. Vision Pattern Recog., 2006, vol. 1, pp. 363-370

58. G. Klein and D. Murray. Parallel tracking and mapping for small AR workspaces. Proc. IEEE ACM Int. Symp. Mixed Augmented Reality, Nara, Japan, Nov. 2007, pp. 225-234

59. H. Strasdat, J. M. M. Montiel, and A. J. Davison. Visual SLAM: Why filter. Image Vision Comput., vol. 30, no. 2, pp. 65-77, 2012

60. H. Strasdat, J. M. M. Montiel, and A. J. Davison. Scale drift-aware large scale monocular SLAM. Proc. Robot.: Sci. Syst., Zaragoza, Spain, 2010

61. H. Strasdat, A. J. Davison, J. M. M. Montiel, and K. Konolige. Double window optimisation for constant time visual SLAM. Proc. IEEE Int. Conf. Comput. Vision, Barcelona, Spain, Nov. 2011, pp. 2352-2359

62. K.Pirker, M.Ruther, and H.Bischof. CDSLAM-continuous localization and mapping in a dynamic world. Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst., San Francisco, CA, USA, Sep. 2011, pp. 3990-3997.

63. J. Engel, T. Sch'ops, and D. Cremers, "LSD-SLAM: Large-scale direct monocular SLAM," in Proc. Eur. Conf. Comput. Vision, Zurich, Switzer land, Sep. 2014, pp. 834-849.

64. Mur-Artal, R., Montiel, J., Tardos, J.: ORB-SLAM: A Versatile and Accurate Monocular SLAM System. In IEEE Transactions on Robotics, vol. 31, no. 5, pp. 11471163, 2015.

65. Joseph R., Santosh D., Ross G., Ali F.. You Only Look Once: Unified, RealTime Object Detection. arXiv:1506.02640, 2015.

66. Joseph R, Ali F.. YOLO9000: Better, Faster, Stronger. arXiv:1612.08242,

2016.

67. Alexey B., Chien-Yao W., Hong-Yuan M. L.. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv:2004.10934, 2020

68. Chuyi L., Lulu L., Hongliang J.. YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications. arXiv:2209.02976, 2022

69. Chien-Yao W., I-Hau Y, Hong-Yuan M. L.. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. arXiv:2402.13616, 2024.

70. Rahima K., Muhammad H.. YOLOv11: An Overview of the Key Architectural Enhancements. arXiv:2410.17725, 2024.

71. J. Engel, J. Sturm, D. Cremers, Scale-aware navigation of a low-cost quadrocopter with a monocular camera, Robotics and Autonomous Systems, Vol 62, Iss 11, 2014, p.p 1646-1656.

72. S. Weiss, M. Achtelik, M. Chli, R. Siegwart, Versatile distributed pose estimation and sensor self-calibration for an autonomous MAV, in: Proc. IEEE Intl. Conf. on Robotics and Automation, ICRA, 2012

73. Нгуен Чонг Иен, Нгуен Куок Хань, Нгуен Ван Хой. Метод подавления случайных шумов инерциальных датчиков на основе комплексирования AR модели и адаптивного фильтра Калмана типа SRUKF при начальной выставке БИНС на неподвижном основании // Изв. вузов России. Радиоэлектроника. 2023. Т. 26, № 2, С. 101-119