##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Анотація
Використання наземних роботів-кур’єрів є дуже розповсюдженим в процесах систем, які забезпечують комплексну автоматизацію управління транспортними перевезеннями. Найчастіше основними проблемами робота є знаходження та оминання перешкод на шляху під час вантажоперевезення. Багато обчислювальних ресурсів займає моделювання маршруту з урахуванням особливостей рельєфу місцевості під час логістичної навігації. Для забезпечення руху було обгрунтовано вибір моторів- редукторів, драйверів двигуна, мікроконтролерів та мікрокомп’ютерів. Для забезпечення ефективної автономної навігації робот повинен містити ToF, LіDAR, ультразвукові датчики, GPS-модулі, камери, акселерометр, магнітометр. Обрана комбінація досліджених апаратних компонентів дозволить точніше визначати місцезнаходження транспортного засобу. У статі проаналізовано комплектуючі робота. Визначено принцип роботи драйверів та двигунів. Було розглянути дві моделі драйверів та дві моделі двигунів. Було розроблено схему пристрою зі всіма підключеними датчиками, контролером та мікрокомп’ютером. Був розроблений принцип взаємодії всіх компонентів системи для забезпечення автономної навігації. Для довготривалої роботи системи з автономною навігацією було розраховано систему живлення та ємність необхідного акумулятора. Була створена та використана нейронна мережа для виявлення об’єктів. Для обчислень нейронної мережі була створена серверна частина, яка отримує кадри з камери пристрою та повертає дані про виявленні об’єкти до транспортного засобу.
##plugins.themes.bootstrap3.article.details##
Посилання
2. Min, K., & Choi, J. (2012). Vehicle positioning technology using infra-based laser scanner sensors for autonomous driving service. Lecture Notes in Electrical Engineering, 114 LNEE. https://doi.org/10.1007/978-94-007-2792-2_48
3. Szeliski, R. (2021). Computer Vision: Algorithms and Applications 2nd Edition. Springer. https://doi.org/10.1016/j.arcontrol.2022.11.001
4. Watzenig, D., & Horn, M. (2016). Introduction to automated driving. In Automated Driving: Safer and More Efficient Future Driving. https://doi.org/10.1007/978-3-319-31895-0_1
5. Zhou, X., Weber, C., & Wermter, S. (2017). Robot localization and orientation detection based on place cells and head-direction cells. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10613 LNCS. https://doi.org/10.1007/978-3-319-68600-4_17
6. Uçar, A., Demir, Y., & Güzeliş, C. (2017). Object recognition and detection with deep learning for autonomous driving applications. Simulation, 93(9). https://doi.org/10.1177/0037549717709932
7. Meyer, G., & Beiker, S. (2016). Road Vehicle Automation - Reducing Conflict Between Vulnerable Road Users and Automated Vehicles. Lecture Notes in Mobility Road Vehicle Automation, August. https://doi.org/10.1007/978-3-319-19078-5
8. Shim, V. A., Tian, B., Yuan, M., Tang, H., & Li, H. (2014). Direction-driven navigation using cognitive map for mobile robots. IEEE International Conference on Intelligent Robots and Systems. https://doi.org/10.1109/IROS.2014.6942923
9. Clement, P., Veledar, O., Könczöl, C., Danzinger, H., Posch, M., Eichberger, A., & Macher, G. (2022). Enhancing Acceptance and Trust in Automated Driving through Virtual Experience on a Driving Simulator. Energies, 15(3). https://doi.org/10.3390/en15030781
10. Salimpour Kasebi, S., Seyedarabi, H., & Musevi Niya, J. (2021). Hybrid navigation based on GPS data and SIFT-based place recognition using Biologically-inspired SLAM. ICCKE 2021 - 11th International Conference on Computer Engineering and Knowledge. https://doi.org/10.1109/ICCKE54056.2021.9721522
11. Shved A. V. , Davydenko Y. O. (2022). Outlier detection technique for heterogeneous data using trimmed-mean robust estimators. Radio Electronics, Computer Science, Control. (3), 50. https://doi.org/10.15588/1607-3274-2022-3-5