Модель та алгоритм навчання системи автономної навігації для малогабаритного безпілотного апарату

Abstract

В статті розглядається нова модель системи автономної навігації малогабаритного безпілотного апарату, що включає згорткову нейронну мережу для виділення візуальних ознак, машину екстремального навчання для оцінки переміщення та інформаційно-екстремальний класифікатор з використанням бустінгу для оцінки перешкод. Запропоновано новий алгоритм навчання моделі, що полягає у навчанні екстрактора ознак без вчителя на основі зростаючого розріджено кодуючого нейронного газу, навчанні з учителем вирішальних правил та тонкій настройці моделі за допомогою алгоритму симуляції відпалу. Розглянуто комплексний критерій вибору параметрів моделі екстрактора ознак. Результати фізичного моделювання з оптимальною моделлю на відкритих KITTI-наборах даних підтверджують придатність запропонованих алгоритмів для практичного використання. В статье рассматривается новая модель системы автономной навигации малогабаритного беспилотного аппарата, которая включает свёрточную нейронную сеть для выделения визуальных признаков, машину экстремального обучения для оценки перемещения и информационно-экстремальный классификатор с использованием бустинга для оценки препятствий. Предложен новый алгоритм обучения модели, который заключается в обучении экстрактора признаков без учителя на основе растущего разреженно кодирующего нейронного газа, обучении с учителем решающих правил и тонкой настройке модели с помощью алгоритма симуляции отжига. Рассмотрен комплексный критерий выбора параметров модели экстрактора признаков. Результаты физического моделирования с оптимальной моделью на открытых KITTI-наборах данных подтверждают пригодность предложенных алгоритмов для практического использования. The paper presents a novel model of convolutional neural network for visual feature extraction, extreme-learning machine for position displacement estimation and boosted information-extreme classifier for obstacle prediction with new training algorithms to build decision rules of autonomous navigation system for compact drones are presented in the paper. Growing sparse-coding neural gas algorithm for unsupervised training of the convolution filters, supervised learning algorithms for training decision rules and simulated annealing search algorithm for fine tuning are proposed. The complex criterion for choosing parameter of feature extractor model is considered. Simulation results with optimal model on open KITTI-datasets confirm the suitability of proposed algorithms for practical usage.