RU2742394C1

RU2742394C1 - Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах

Info

Publication number: RU2742394C1
Application number: RU2020120676A
Authority: RU
Inventors: Михаил Андреевич Ищенко; Александр Евгеньевич Ченцов; Алексей Вячеславович Толок; Михаил Александрович Локтев
Original assignee: Михаил Андреевич Ищенко
Priority date: 2020-06-22
Filing date: 2020-06-22
Publication date: 2021-02-05

Abstract

Изобретение относится к способу построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах. Для определения областей маршрутов по данным геоинформационной системы производят обучение свёрточной нейронной сети (СНС), для чего подают на ее вход заранее подготовленный образ, а на выход пиксельную маску той же размерности. По завершении обучения приступают к выполнению основной задачи, для чего на вход системы вводят геоинформационные данные, формируют цифровой образ, который поступает на вход СНС. Спрогнозированный ответ сети поступает на устройство вывода информации. Обеспечивается определение наиболее безопасных областей маршрутов полета БПЛА. 3 ил.

Description

Предлагаемое изобретение относится к способам построения интеллектуальных систем на основе искусственной нейронной сети. Техническим результатом предлагаемого способа является компьютерно-реализуемая интеллектуальная система, основная задача которой состоит в определении областей маршрутов полета беспилотного летательного аппарата (БПЛА) на основе интеллектуального анализа данных, полученных с цифрового образа. Данное изобретение может найти применение в комплексах моделирования маршрутов полета БПЛА при проведении геоинформационного анализа.

Известно, что аналитические методы описания препятствия преобладают над другими [1], но сложность представления рельефа поверхности в совокупности с препятствиями искусственного происхождения при моделировании трехмерной сложно построенной среды в ряде случаев накладывают временные и расчетные ограничения, тем самым приводя к необходимости «упрощения» модели, что впоследствии сказывается на точности оценки пространственных возможностей по применению БПЛА. Внедрение нейросетевых технологий в задачу пространственного анализа призвано устранить такие недостатки за счёт:

1. Эффективного учета большого количества разнородных факторов при построении среды;

2. Обеспечение высокой скорости обработки пространственной информации;

3. Возможность быстрого обучения и перенастройки алгоритмов пространственного анализа.

Процесс интеллектуального анализа характеризуется возможностью системы извлекать из данных необходимые признаки (атрибуты) для формирования знания и реализуется алгоритмами, принадлежащими к разновидности методов машинного обучения. С точки зрения машинного обучения, искусственная нейронная сеть представляет собой модельно-методический аппарат, содержащий значительный аналитический потенциал по классификации и оценке массивов данных.

Использование данной модели при построении интеллектуальной системы приводит к необходимости не только разработки ее архитектуры, но и настройки, что в общем случае называют обучением нейронной сети и представляют в виде этапов:

1. Сбор данных для обучения;

2. Подготовка и нормализация данных;

3. Выбор топологии сети;

4. Обучение сети;

5. Проверка результатов обучения.

Один из вариантов нормализации данных, описывающих многообразие типовых объектов местности, лежит в построении некоторого абстрактного образа. Наиболее близким по своему назначению для этого является устройство [2]. Данное устройство позволяет на основе использования математического аппарата метода функционально-воксельного компьютерного моделирования осуществить топологический переход от конкретного представления сложно построенной среды к пространственному абстрактному плоскому образу.

Проведенный анализ работ, из которых можно выделить [3,4,5], показал, что на сегодняшний день наиболее эффективной архитектурой искусственной нейронной сети для решения задачи классификации на образе является свёрточная нейронная сеть (СНС).

Исходя из заявленной области применения общая структура предлагаемой интеллектуальной системы представлена на Фиг.1. Назначение элементов системы будет рассмотрена с учетом 2 режимов работы: режима обучения и режима функционирования. На Фиг.1 пунктиром показана связь блоков при режиме обучения и сплошной линией режима функционирования.

Процесс обучения (переобучения) является трудоемким и требует большого количества людского и временного ресурсов для подготовки данных и обучения нейронной сети. В интересах сокращения трудозатрат, связанных с формированием правильно отсегментированных ответов в систему включен блок формирования обучающих пар. Прототипом этого блока является устройство [2] позволяющее помимо формирования образа осуществлять его сегментацию, тем самым результатом функционирования блока является построения обучающих пар (образ-пиксельная маска).

Сокращение времени обучения системы достигнуто за счет применения технологии переноса обучения. За прототип модели СНС предложена модель предварительно обученной сети Inception-ResNet-v2 на выборке ImageNet. Сеть состоит из 164 слоев и можно классифицировать порядка 1000 категорий объектов. Техническая реализация процесса переноса обучения заключается в корректировке последнего классификационного слоя и до обучения сети. Полученная модель обучается методом обратного распространения ошибки. Процесс обучения наглядно представлен в виде схемы на Фиг.2. На вход сети подается заранее подготовленный образ размером [352] [480] а на выход пиксельная маска той же размерности. Данный процесс сопоставим с алгоритмом, реализующим метод машинного обучения с учителем и в связи с широкой известностью, чтобы не затруднять понимание особенностей настоящего изобретения не описывается. По завершению обучения система готова к выполнению основной задачи.

В режиме непосредственного функционирования на вход интеллектуальной системы поступают геоинформационные данные на блок формирования образов структурно состоящего из блоков (2,3,4) устройства [2] в котором формируется цифровой образ, и передается на вход СНС. Спрогнозированный ответ сети поступает на устройство вывода информации.

В интересах апробации результатов предлагаемого способа построения интеллектуальной системы на язык С++ и графической видеокарте, управляемой операционной системой построена ее программно-аппаратная реализация. Основной целью эксперимента являлось определение наиболее безопасных областей маршрутов полета БПЛА на высоте 40 метров над уровнем поверхности в горной местности. В интересах обучения системы было сформировано 5000 обучающих пар. Результат эксперимента представлен на Фиг.3. Для оценки результата так же приведена область, полученная с применение алгоритма, реализующего метод аналитического сечения модели.

Литература

1. Казаков К.А., Семенов В.А. Обзор современных методов планирования движения. Труды ИСП РАН, том 28, вып. 4, 2016, стр. 241-294.

2. Патенте РФ на полезную модель № 196078 от 14.02.2020.

3. Digital Architecture // Knowledge-Based Intelligent Information and Engineering Systems. –2003 – P. 169–176.

4. Krizhevsky A. ImageNet Classification with Deep Convolutional Neural Networks –2013.

5. Колесников, А.А. Использование технологий машинного обучения при решении геоинформационных задач / А.А. Колесников, П.М. Кикин, Е.В. Комиссарова, Е.Л. Касьянова // ИнтерКарто. ИнтерГис. – 2018. – № 24. – С. 371–384.

Claims

Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах, при котором сначала по данным геоинформационной системы в блоке формирования цифрового образа осуществляется топологический переход от конкретного представления сложно построенной среды к пространственному – абстрактному плоскому образу, далее, этот образ поступает на вход обученной сверточной нейронной сети, где свёрточная нейронная сеть предварительно обучалась методом обучения с учителем на данных, полученных по результатам работы блока формирования обучающих пар, которая осуществляет семантическую сегментацию цифрового образа и формирует набор сегментов, характеризующих области маршрутов полета беспилотного летательного аппарата, которые отображаются на устройстве вывода и служат исходными данными для построения маршрута полета беспилотного летательного аппарата.