МЕТОД ЛОКАЛІЗАЦІЇ ТА ПОБУДОВИ МАПИ ДИНАМІЧНОГО СЕРЕДОВИЩА ДЛЯ БЕЗПІЛОТНИХ СИСТЕМ

DOI: 10.31673/2786-8362.2025.013241

Анотація

Стаття присвячена дослідженню методів одночасної локалізації та побудови мапи (SLAM)
для безпілотних систем, що функціонують у складних та динамічних середовищах. У роботі
розглядаються виклики, пов’язані з необхідністю адаптації до змін навколишнього середовища.
Запропоновано використання фільтра Калмана та його розширених версій, зокрема з оптимізацією
за допомогою методів нелінійного програмування. Отримані наукові результати включають
оптимізацію фільтра Калмана з урахуванням нелінійностей за допомогою методів нелінійного
програмування, а також інтеграцію класичних алгоритмів комп’ютерного зору (ORB) із згортковими
нейронними мережами. Для досягнення зазначених результатів були вирішені задачі аналізу існуючих
методів SLAM, розробки нових адаптивних алгоритмів локалізації, а також їхньої експериментальної
перевірки на існуючих датасетах. Отримані результати можуть бути рекомендовані до використання
у проектах з автономної навігації безпілотних наземних і повітряних платформ, особливо в умовах
обмеженої передбачуваності середовища, таких як рятувальні операції, військові місії,
автоматизоване виробництво та транспортні системи.
Ключові слова: SLAM, фільтр Калмана, динамічне середовище, локалізація, безпілотні
системи, згорткові нейронні мережі

Список використаної літератури
1. Bailey T., Durrant-Whyte H. Simultaneous localization and mapping (SLAM): part II. IEEE
Robotics & Automation Magazine. 2006. Vol. 13, no. 3. P. 108–117. URL:
https://doi.org/10.1109/mra.2006.1678144.
2. Yarovoi A., Cho Y. K. Review of simultaneous localization and mapping (SLAM) for
construction robotics applications. Automation in Construction. 2024. Vol. 162. P. 105344. URL:
https://doi.org/10.1016/j.autcon.2024.105344.
3. VDO-SLAM: A Visual Dynamic Object-aware SLAM System / J. Zhang et al. URL:
https://arxiv.org/abs/2005.11052.
4. Visual SLAM in dynamic environments based on object detection / Y.-b. Ai et al. Defence
Technology. 2020. URL: https://doi.org/10.1016/j.dt.2020.09.012.
5. Liu Y., Miura J. RDS-SLAM: Real-Time Dynamic SLAM Using Semantic Segmentation
Methods. IEEE Access. 2021. Vol. 9. P. 23772–23785. URL:
https://doi.org/10.1109/access.2021.3050617.
6. Wadud, R. A., & Sun, W. (2022). DyOb-SLAM: Dynamic Object Tracking SLAM System.
arXiv. URL: https://doi.org/10.48550/arXiv.2211.01941.
7. Kim, A., Osep, A., & Leal-Taixe, L. (2021). EagerMOT: 3D Multi-Object Tracking via
Sensor Fusion.
8. Mur-Artal R., Montiel J. M. M., Tardos J. D. ORB-SLAM: A Versatile and Accurate
Monocular SLAM System. IEEE Transactions on Robotics. 2015. Vol. 31, no. 5. P. 1147–1163. URL:
https://doi.org/10.1109/tro.2015.2463671.
9. Applying SLAM Algorithm Based on Nonlinear Optimized Monocular Vision and IMU in
the Positioning Method of Power Inspection Robot in Complex Environment / C. Wang et al.
Mathematical Problems in Engineering. 2022. Vol. 2022. P. 1–14. URL:
https://doi.org/10.1155/2022/3378163.
10. Choi K.-S., Lee S.-G. Enhanced SLAM for a mobile robot using extended Kalman Filter
and neural networks. International Journal of Precision Engineering and Manufacturing. 2010. Vol.
11, no. 2. P. 255–264. URL: https://doi.org/10.1007/s12541-010-0029-9.
11. Liu H. Identifying and updating local optimization methods in extended Kalman filter
SLAM. Applied and Computational Engineering. 2023. Vol. 4, no. 1. P. 569–573. URL:
https://doi.org/10.54254/2755-2721/4/2023325.