Файл: Федеральное государственное бюджетное образовательное учреждение высшего образования керченский государственный.pdf

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
77 специализированные вычислительные устройства, такие как графические процессоры, FPGA и ASIC [3].
Проблемы интеграции ИИ и АСУС
1. Этические и юридические вопросы: вопросы ответственности при происшествиях, вопросы конфиденциальности данных и принятие автономных решений в непредвиденных ситуациях.
2. Проблемы безопасности и защиты от кибератак: возможность взлома и хакерских атак на системы управления судном.
3. Необходимость обучения и переподготовки персонала: новая технология требует новых знаний и умений у экипажа и сотрудников.
4. Проблемы взаимодействия автономных судов с другими судами и портовыми структурами: разработка стандартов и правил взаимодействия автономных судов с другими судами и портовыми структурами.
5. Ограничения автономных систем управления судном: ограничения в сфере применения автономных систем, например, в условиях сильной погоды и морского льда [4].
Перспективы развития автономных систем управления судном на
основе искусственного интеллекта
Автономные системы управления судном на основе искусственного интеллекта представляют собой перспективное направление развития судоходной отрасли. Они могут принести множество преимуществ в области безопасности, экономической эффективности, сокращения нагрузки на экипаж и повышения качества жизни на борту, а также в области инноваций и развития новых технологий.
Одним из основных преимуществ автономных систем управления судном является повышение безопасности. Использование искусственного интеллекта может помочь уменьшить количество человеческих ошибок и принимать решения на основе большого количества данных, что позволяет более точно предсказывать возможные проблемы и решать их до того, как они приведут к аварии.

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
78
Также автономные системы управления судном на основе искусственного интеллекта могут помочь сократить нагрузку на экипаж и повысить качество жизни на борту. Это позволит сделать работу на судах более привлекательной и повысить профессиональный уровень моряков.
Однако при разработке и применении автономных систем управления судном на основе искусственного интеллекта существуют и проблемы. К ним относятся этические и юридические вопросы, проблемы безопасности и защиты от кибератак, необходимость обучения и переподготовки персонала, проблемы взаимодействия автономных судов с другими судами и портовыми структурами, а также ограничения автономных систем управления судном [6].
Несмотря на эти вызовы, автономные системы управления судном на основе искусственного интеллекта имеют большой потенциал для развития и применения в судоходной отрасли. Будущее развития этой технологии зависит от продолжающихся исследований и инвестиций в эту область, а также от внедрения новых технологий и инноваций.
Выводы. Исследование автономных систем управления судном на основе искусственного интеллекта позволяет оценить перспективы применения таких систем в судоходной отрасли. Одним из главных преимуществ использования искусственного интеллекта в автономных системах управления судном является улучшение безопасности и экономической эффективности, а также сокращение нагрузки на экипаж и повышение качества жизни на борту. Однако при разработке и применении автономных систем управления судном на основе искусственного интеллекта возникают ряд проблем и вызовов, таких как этические и юридические вопросы, проблемы безопасности и защиты от кибератак, необходимость обучения и переподготовки персонала, проблемы взаимодействия автономных судов с другими судами и портовыми структурами, а также ограничения автономных систем управления судном.
Однако, несмотря на вызовы и проблемы, автономные системы управления судном на основе искусственного интеллекта имеют большой потенциал для развития и применения в будущем. Перспективы применения автономных

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
79 систем управления судном могут быть связаны с различными областями, включая грузоперевозки, туризм и военные операции. Кроме того, наблюдается тенденция развития технологий искусственного интеллекта в судоходной отрасли, что может привести к развитию новых методов и алгоритмов управления судами.
Тем не менее, развитие технологий искусственного интеллекта и судоходной отрасли позволяет предположить, что в будущем автономные системы управления судном будут все более распространяться и станут неотъемлемой частью судоходства. Дальнейшие исследования и разработки в этой области позволят решить многие текущие проблемы и создадут новые возможности для улучшения технологий и обеспечения безопасности на море.
Список использованной литературы:
1.
Ahuja, S. Autonomous shipping: a systematic review of the literature / S. Ahuja, R. Carrasco //
Maritime Policy & Management. 2021. - №48(1). –Р. 1-22.
2.
Гладкова, А. М. Искусственный интеллект и автоматизация в навигации и судоходстве.
Снижение влияния человеческого фактора / А. М. Гладкова, М. В. Марушевский, О. Г.
Фаустова // Вестник молодежной науки. – 2021. – № 5(32). – DOI 10.46845/2541-8254-
2021-5(32)-8-8. – EDN ZSJOWQ.
3.
Пугачев, А. А. Автономные суда: технологии и перспективы / А. А. Пугачев, А. С.
Груздев, А. А. Корнилова // Вестник Нижегородского университета им. Н. И.
Лобачевского. - 2019. - № (1). – С.116-123.
4.
Федотов, В. В. Анализ применения технологий искусственного интеллекта в автономных судах / В. В. Федотов, Е. В. Решетникова // Морской транспорт. - 2021. – № 22(1). – С.
70-75.
5.
Брызгалин, К. В. Автономные суда и управление ими / К. В. Брызгалин // Морская газета.
– 2019. – № 4 (177). – С. 16-19.

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
80
УДК 004.896:621.865.8
НАПРАВЛЕНИЯ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЙ
КОМПЬЮТЕРНОГО ЗРЕНИЯ И МАШИННОГО ОБУЧЕНИЯ В
ПРОМЫШЛЕННОЙ РОБОТОТЕХНИКЕ
Урбах Екатерина Дмитриевна,
аспирант кафедры электропривода, мехатроники и электромеханики
Урбах Эдгар Александрович,
аспирант кафедры электропривода, мехатроники и электромеханики
ФГАОУ ВО «ЮУрГУ (НИУ)»,
Южно-Уральский государственный университет, г. Челябинск
Аннотация. Технологии компьютерного зрения и машинного обучения широко применяются в различных областях. В промышленных робототехнических системах эти технологии могут быть использованы для повышения эффективности выполнения операций по манипуляции объектами. В данной статье рассмотрены основные подходы к решению различных задач в этой области.
Ключевые слова: компьютерное зрение, робототехника, роботы-манипуляторы, распознавание объектов, искусственный интеллект.
Промышленные роботы выполняют такие операции по манипуляции объектами как перемещение, упаковка, механическая обработка и прочие. Новые направления и методы использования манипуляционных роботов для более сложных технологических операций появляются постоянно и требуют также развития сопутствующих технологий.
Большая часть промышленных роботов, использующихся в на производствах, в настоящее время работают по заранее написанным программам в строго ограниченной и известной (определенной) среде, что позволяет эффективно выполнять определенные операции, но в то же время делает робототехнические комплексы значительно менее гибкими, в то время как от них все чаще требуется возможность адаптироваться к изменениям в среде, будь они вызваны работой нескольких роботов или человека в той же зоне, необходимостью передвижения и манипулирования в неопределенном пространстве или другими причинами.
Широкий спектр задач роботизированной манипуляции объектами может быть решен с помощью технологий компьютерного зрения, поскольку такие

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
81 системы являются эффективным источником комплекса сенсорных данных, таких как цвет, положение, размеры объектов в достаточно широком поле (по сравнению, например, с оптическими датчиками). Существует большое количество методов, основанных на компьютерном зрении, каждый из которых предполагает использование различной компонентной базы, алгоритмов и имеет собственные преимущества и недостатки.
Применение систем компьютерного зрения в робототехнике имеет существенные отличия от классических приложений для анализа графической информации, поступающей от среды:
1) требуется обработка в режиме реального времени, поскольку данные системы компьютерного зрения используются для управления приводами робота;
2) как следствие из описанного в предыдущем пункте, существенным является тип сигнала, получаемого на выходе модуля технического зрения (как части системы управления роботом), так как далее он должен стать входным значением для подсистемы планирования движений.
Целью данной работы является обзор текущего состояния и основных подходов к использованию технологий компьютерного зрения в промышленной робототехнике.
Состояние вопроса. Первое устойчивое применение в робототехнике системы технического зрения получили в системах телеуправления манипуляторов и мобильных роботов. В 70–80-е годы прошлого столетия в
ЦНИИ РТК были созданы такие системы управления для подводных роботов различного назначения.
Большой опыт применения систем управления роботами с помощью компьютерного зрения был получен при ликвидации последствий аварии на
Чернобыльской АЭС в 1986 году. Операторы вручную управляли перемещением мобильных роботов, находящихся в зоне радиационного поражения и передающих изображение окружающего пространства, для обследования и выполнения очистки территории [5].

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
82
В настоящее время общие направления, прослеживающиеся в развитии систем компьютерного зрения в робототехнике, — это совершенствование алгоритмов обработки получаемой информации, в том числе с помощью технологий машинного обучения, включая адаптацию к изменениям среды и задачам для выполнения; распознавание сложных образов, преимущественно, в сервисной робототехнике [9]; алгоритмы для работы в реальном времени в промышленности [7].
Приложения. Технологии компьютерного зрения могут быть использованы в робототехнике для решения различных задач. Многие из подходов с определенной степенью полноты описаны в научных работах, что позволяет выделить основные приложения для систем компьютерного зрения в робототехнике.
1. Распознавание объектов: система компьютерного зрения используется для определения объекта и принятия решения о дальнейших манипуляционных операциях в зависимости от объекта. Распознавание и идентификация объектов могут применяться для автоматизации процессов сортировки, распознавания опасных и запрещенных объектов без участия человека [4; 11; 17]. Кроме того, может распознаваться не только тип объектов, но также их форма и размеры без классификации для передачи данных системе управления и затем, например, управления захватом [8; 30; 33].
2. Контроль качества продукции: система компьютерного зрения используется для проверки на наличие дефектов, проведения метрологической оценки. [1, 13]. Роботизированный контроль качества может применяться также в агропромышленности для отбраковки пищевых продуктов [3].
3. Навигация и ориентация: использование системы компьютерного зрения для навигации в производственном окружении. Камеры могут определять местоположение робота и обнаруживать препятствия для избежания столкновений [6]. Одним из направлений также является обеспечение коллаборативности, то есть возможности работы в одной зоне с человеком, для этого требуется своевременное определение и локализация человека в рабочем

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
83 пространстве робота и планирование движения с учетом полученной информации [2].
4. Обеспечение безопасности: обнаружение опасных ситуаций и объектов, распознавание опасных материалов [22].
5. Имитационное обучение: системы компьютерного зрения делают возможным программирование робота путем визуальной демонстрации движений, на основе чего генерируется программа (последовательность действий), которые затем выполняет робот, «повторяя» движения за человеком
[15; 19; 34].
Компоненты. Основными компонентами системы технического зрения в манипуляционных робототехнических комплексах, использующихся для получения данных о состоянии трехмерных объектов в окружающей среде, являются камеры. Существует большое количество исследований с описанием использования различных типов камер и результатов, полученных с их помощью.
В задачах распознавания объектов и манипулирования ими наиболее широко применяются RGB камеры [10; 20; 29; 35]. В случае же, если робот должен взаимодействовать с человеком [36] или обнаруживать препятствия, либо выполняется обучение траекториям движения с помощью движений человека [15], более распространенными являются трехмерные камеры с возможностью восприятия глубины.
Наиболее распространенными техническими решениями являются Microsoft Kinect [23], 3D RGB (RGB-D) камеры [16; 31], RealSense [27], стереокамеры [32]. Гораздо реже, но также используются эндоскопические камеры, камеры совместно с лидарами и системы из нескольких камер [25].
На рисунке 1 представлено соотвествие типов камер и задач, которые решаются системой технического зрения.
Анализ приведенных выше научных статей позволяет сделать вывод, что выбор типа камеры должен быть обусловлен функциональным назначением системы технического зрения и во многом определяет ее эффективность.

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
84
Тем не менее, даже при существовании такой большой компонентной базы для СТЗ и путей ее использования, процесс разработки дальнейшего внедрения
СТЗ в робототехнические комплексы осложнен такими проблемами как недостаточное разрешение камер, влияние помех, значительная зависимость от освещения, накапливающиеся ошибки.
Рисунок 1 – Применение различных типов камер в зависимости от задач системы
управления
Алгоритмы. Манипуляционные роботы с 5 и более степенями свободы являются достаточно точными, чтобы выполнять стандартные операции манипулирования не хуже, чем это делает человек с помощью рук. Тем не менее, работа простых систем ограничена предварительно написанной программой, состоящей из строгой последовательности движений, которые должен выполнить робот, и не могут адаптироваться к каким-либо изменениям.
Существует большое количество исследований, описывающих применение различных алгоритмов компьютерного зрения. При проведении литературного обзора к данной работе рассматривалось описание теории и экспериментальных результатов в отношении именно робототехнических приложений.

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
85
Изображений и видео, полученных с камер, недостаточно для управления роботом. Необходимо обработать графическую информацию (классифицировать, определить положение, ориентацию, скорость объектов и так далее, в зависимости от задач), а затем на основе полученных данных сформировать сигналы для системы управления роботом.
В системах технического зрения для решения этих задач, в том числе в робототехнике, используются технологии машинного обучения, например, SVM
(Support Vector Machine), деревья решений (Decision Tree), а также алгоритмы глубокого обучения (deep learning).
Учеными описаны различные варианты применения конкретных моделей в робототехнических приложениях. Часто для обработки графических данных используются нейронные сети. Наиболее распространенным среди описанных в изученных источниках алгоритмов являются сверточные нейронные сети
(CNNs). Это одна из наиболее широко используемых моделей машинного обучения в области компьютерного зрения. Они могут использоваться для распознавания образов, сегментации изображений, классификации объектов и других задач. Сверточные нейросети не требуют предварительной обработки изображений, в процессе работы адаптируются к входящим данным, генерируя необходимую иерархию признаков. Использование CNNs подробно описано в различных научных работах. В статье [28] использована архитектура R-CNN для распознавания и классификации объектов роботом-манипулятором. Статья [18] описывает использование R-CNN для распознавания объектов и управления захватом в зависимости от их положения. Применение сверточной нейронной сети для определения положения манипулятора в пространстве описано в работе [12].
Часто используются также глубокие нейронные сети (DNNs). Глубокие нейронные сети могут обрабатывать большие объемы данных в реальном времени и распознавать сложные изображения, что позволяет роботам действовать более точно и автономно. Глубокие нейросети используются,

СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
86 например, авторами статьи [21] для калибровки с использованием нескольких камер.
Для решения практических задач распознавания также применяются предобученные модели. Такие модели уже обучены на больших наборах данных, что позволяет сократить период разработки за счет уменьшения времени, которое требуется на обучение. Примерами таких моделей являются ResNet,
DenseNet.
Некоторые исследователи при разработке алгоритмов управления популяционными роботами с использованием компьютерного зрения применяли также: обучение с подкреплением [24], Q-learning [14], графовые нейронные сети
[26] и другие методы.
Типичной для системы управления робота с системой компьютерного зрения является схема, представленная на рисунке 2.