The expansion of Russian market of electric and autonomous vehicles leads to an increase in demand for automation of contactless charging (without driver participation). The article proposes a method of contactless charging of electric vehicles, which involves automatically determining the type of car charging connector, selecting the appropriate charger and connecting it to the charging connector of an electric vehicle through the use of a robot manipulator. A feature of the technique is the determination of the type and coordinates of the location of the charging connector of the car by reading images obtained from the camera of a gas station in real time and processing them with a convolutional neural network model. A study was conducted, and a function was selected that allows optimally solving the problems of classification of charging connectors, which ensures maximum accuracy of the result. The volume of the training sample for the neural network was used in the amount of 10,000 images from a synthetic data set, which was created on the basis of three types of the most popular three-dimensional models of charging connectors on various backgrounds. The proposed technique is implemented in a prototype of a software and hardware control complex for a manipulative robot based on a Raspberry Pi controller.

Расширение российского рынка электрических и автономных транспортных средств ведет к увеличению спроса на автоматизацию бесконтактной зарядки (без участия водителя). В статье предложена методика бесконтактной зарядки электромобилей, которая предполагает автоматическое определение типа зарядного коннектора автомобиля, выбор соответствующего зарядного устройства и его подключение в зарядный коннектор электромобиля благодаря использованию робота-манипулятора. Особенностью методики является определение типа и координат расположения зарядного коннектора автомобиля за счет считывания изображений, получаемых с камеры автозаправочной станции в режиме реального времени и обработанных при помощи модели свёрточной нейронной сети. Проведено исследование и выбрана функция, позволяющая оптимально решать задачи классификации зарядных коннекторов, обеспечивающая максимальную точность результата. Объём обучающей выборки для нейронной сети использован в размере 10 000 изображений из синтетического набора данных, созданного на основе трёх типов наиболее популярных трёхмерных моделей зарядных коннекторов на различных фонах, приближенных к реальным условиям использования роботов, обслуживающих зарядные станции. Предложенная методика реализована в прототипе программно-аппаратного комплекса управления манипуляционным роботом на основе контроллера Raspberry Pi.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Vol. 15, № 4, 2022. — 1 файл (7,64 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j23-121.pdf>.