Детальная информация

Тема выпускной квалификационной работы: «Применение нейросетевых методов визуальной локализации и картирования в задаче анализа обстановки мобильным роботом». Целью работы является исследование имеющихся решений в задаче визуальной одновременной локализации и картирования с использованием нейросетевых методов для анализа окружающей среды мобильным роботом. Объектом исследования являются алгоритмы разнообразных визуальных алгоритмов с применением нейронных сетей. По ходу работы выполнен разбор существующих алгоритмов с применением нейронных сетей в разных областях VSLAM, структурированы входные данные в системе визуального SLAM, используемых мобильным роботом. На основе одной из наиболее актуальных задач современного визуального SLAM, ориентации в динамической среде, рассмотрены и проанализированы алгоритмы детектирования динамических объектов и их семантическая сегментация. В результате анализа предложена и построена система VSLAM с использованием нейросетевой архитектуры YOLOv9 для детектирования и семантического сегментирования динамических объектов. Проведены эксперименты на различных наборах баз данных, с сравнением с другими аналогами, а также протестирована работа системы на смоделированной сцене.

The topic of the final qualification work is «The application of neural network methods of visual localization and mapping in the task of analyzing the situation by a mobile robot». The aim of the work is to study the available solutions to the problem of visual simultaneous localization and mapping using neural network methods for analyzing the environment by a mobile robot. The object of the study is algorithms of various visual algorithms using neural networks. In the course of the work, an analysis of existing algorithms using neural networks in different areas was performed VSLAM, and input data in the visual SLAM system used by the mobile robot was structured. Based on one of the most urgent tasks of modern visual SLAM, orientation in a dynamic environment, algorithms for detecting dynamic objects and their semantic segmentation are considered and analyzed. As a result of the analysis, a VSLAM system was proposed and built using the YOLOv9 neural network architecture for detecting and semantic segmentation of dynamic objects. Experiments were carried out on various sets of databases, compared with other analogues, and the operation of the system was tested on a simulated scene.