Интеллектуальная система распознавания образов мобильного робота на основе стереозрения

Ульянов Сергей Викторович
д.ф.-м.н., ГБОУ ВО МО «Университет «Дубна», Институт системного анализа и управления, профессор, 141980, Московская область, г. Дубна, Университетская ул., д. 19, тел.: +7(49621)66010, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Решетников Андрей Геннадьевич
к.т.н., ГБОУ ВО МО «Университет «Дубна», Институт системного анализа и управления, доцент, 141980, Московская область, г. Дубна, Университетская ул., д. 19, тел.: +7(49621)66010, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Кошелев Кирилл Викторович ^*
ГБОУ ВО МО «Университет «Дубна», Институт системного анализа и управления, аспирант, 141980, Московская область, г. Дубна, Университетская ул., д. 19, тел.: +7(977)710-41-40, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра. 

Материал поступил в редакцию 01 августа 2019 года.

Аннотация
Последние достижения в области цифровых технологий, искусственного интеллекта и глубокого машинного обучения дают возможность решать проблемные ситуации, которые ранее считались алгоритмически неразрешимыми. Сверточная нейронная сеть – широко распространенный и эффективный инструмент глубокого машинного обучения, с помощью которого успешно решаются задачи компьютерного зрения. Процесс классификации образов сверточной нейронной сетью приближен к аналогичному процессу, происходящему в коре головного мозга человека. В статье рассматривается архитектура сверточных нейронных сетей и ее применение в интеллектуальной робототехнике. Описываются преимущества сверточных сетей, используемых для распознавания с высокой степенью инвариантности к преобразованиям, искажениям и масштабированию. В работе представлено краткое описание проведенной модернизации системы распознавания образов, базирующейся на технологии стереозрения. В качестве результата представлен программный модуль распознавания на основе сверточной нейронной сети, достигнуто повышение качества распознавания за счет использования нейросетевого подхода. Обсуждаются возможные обобщения предложенного подхода на основе технологии квантовых мягких вычислений и квантового глубокого машинного обучения с применением квантовых нейронных сетей.

Ключевые слова
Распознавание образов, стереозрение, сверточная нейронная сеть, обучение с учителем, операция свертки, классификация.

DOI
https://doi.org/10.31776/RTCJ.7307    

Индекс УДК 

004.932

Библиографическое описание 
Ульянов С.В. Интеллектуальная система распознавания образов мобильного робота на основе стереозрения / С.В. Ульянов, А.Г. Решетников, К.В. Кошелев // Робототехника и техническая кибернетика. – Т. 7. - №3. – Санкт-Петербург : ЦНИИ РТК. – 2019. – С. 224-232. – Текст : непосредственный.

Литература

1. Ульянов С.В. Разработка системы распознавания образов для мобильного робота. – Текст: электрон-ный / С.В. Ульянов, А.Г. Решетников, К.В. Кошелев // Системный анализ в науке и образовании: [сайт]. – 2016. – №4. – URL: http://sanse.ru/download/273 (дата обращения: 01.08.2019).
2. Ульянов С.В. Использование технологии стереозрения в системе навигации мобильного робота. – Текст: электронный / С.В. Ульянов, А.Г. Решетников, К.В. Кошелев // Программные продукты, системы и алго-ритмы: [сайт]. – 2018. – №2. – URL: http://swsys-web.ru/using-stereo-vision-technology-in-the-navigation-system-of-the-mobile-robot.html (дата обращения: 01.08.2019).
3. Expert fuzzy-neuro controller design for wall climbing robot for decontamination of nuclear-power station / Sergei V. Ulyanov [et al] // Journal of Robotics and Mechatronics. – 1995, vol. 7, no. 1, pp. 75-85.
4. Ulyanov S.V. Development of intelligent mobile robots for service use and mobile automation systems including wall climbing robots: Pt. 1: Fundamental design principles and motion models / S.V. Ulyanov, Yamafuji K., Fukuda T. // Intern. J. of Intelligent Mechatronics. – 1995, vol. 1, no. 3, pp. 111-143.
5. Intelligent control of a mobile robot for service use in office buildings and its soft computing algorithms / Tanaka T. [et al] // Journal of Robotics and Mechatronics. – 1996, vol. 8, no. 6, pp. 538-552.
6. Ulyanov S.V. Quantum fast algorithm computational intelligence Pt I: SW/HW smart toolkit / S.V. Ulyanov // Artificial Intelligence Advances. – 2019, vol. 1, no. 1, pp. 18-43.
7. Backpropagation Applied to Handwritten Zip Code Recognition / Y. LeCun [et al] // Neural Computation. – 1989, 1(4), pp. 541-551.
8. Немков Р.М. Разработка нейросетевых алгоритмов инвариантного распознавания образов: дис. ... канд. техн. наук: 05.13.18 / Роман Михайлович Немков. – Ставрополь, 2015. – 162 с.
9. What is the best multi-stage architecture for object recognition? / M.A. Ranzato [et al]. – In ICCV, 2009.
10. Шевелёв И.А. Нейроны-детекторы зрительной коры / И.А. Шевелёв. – Москва: Наука. – 2010. – 183 с.
11. Хайкин С. Нейронные сети / С. Хайкин. – Москва: Издательский дом «Вильямс». – 2008. – 1104 с.
12. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – Москва: Техносфера. – 2012. – 1104 с.
13. Саттон Р.С. Обучение с подкреплением / Р.С. Саттон, Э.Г. Барто. – Москва: Бином. Лаборатория зна-ний. 2011. – 399 с.
14. Ackley D.H. A learning algorithm for Boltzmann machines / D.H. Ackley, G.E. Hinton, T.J. Sejnowski // Cognitive Science, vol. 9, 1985, pp. 147-169.
15. Bengio Y. Learning deep architectures for AI / Y. Bengio // Foundations and Trends in Machine Learning, vol. 2, issue 1, 2009, pp. 1-127.
16. Ciresan D. Multicolumn Deep Neural Networks for Image Classification / D. Ciresan, U. Meier, J. Schmidhuber // In Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), CVPR '12, pp.3642-3649, Washington, DC, USA, 2012. IEEE ComputerSociety.
17. Unsupervised learning of invariant feature hierarchies with applications to object recognition / M. Ranzato [et al] // in Proceedings of the Computer Vision and Pattern Recognition Conference (CVPR'07), IEEE Press, 2007.
18. Гилл Ф. Практическая оптимизация / Ф. Гилл, У. Мюррей, М. Райт. – Москва: Мир.1985. – 509 с.; ил.
19. Измайлов А.Ф. Численные методы оптимизации / А.Ф. Измайлов, М.В. Солодов. – Москва: ФИЗМАТ-ЛИТ. 2005. – 304 с.
20. Тархов Д.А. Нейросетевые модели и алгоритмы: справочник / Д.А. Тархов. – Москва: Радиотехника. 2014. – 352 с.
21. Ulyanov S.V. Deep machine learning and pattern/face recognition based on quantum neural networks and quantum genetic algorithm / S.V. Ulyanov, A.G. Reshetnikov, N.V. Ryabov // DISTRIBUTED COMPUTING AND GRIDTECHNOLOGIES IN SCIENCE AND EDUCATION, Book of abstract of the 8th International Conference Dubna, 10 – 14 September, 2018 – P. 38.
22. Ульянов С.В. Квантовое распознавание лиц и квантовая визуальная криптография: модели и алгоритмы. – Текст: электронный / С.В. Ульянов, С.П. Петров // Системный анализ в науке и образовании: [сайт]. – 2012. – №1. – URL: http:/www.sanse.ru/archive/23 (дата обращения: 01.08.2019).

Полный текст статьи (pdf)