Цены снижены! Бесплатная доставка контурной маркировки по всей России

Знак объезд препятствия слева: Дорожный знак 4.2.2 «Объезд препятствия слева»

Содержание

Дорожный знак 4.2.2 «Объезд препятствия слева»

Думается, никто из водителей не станет спорить с тем, что объезжать возникшую на проезжей части помеху (препятствие, начало разделительной полосы, островок безопасности, направляющие островки, тумбы и прочие объекты) целесообразно именно с правой стороны, то есть по «своим» полосам.

Однако бывают случаи, когда сделать это не представляется возможным, и объезд слева является единственно приемлемым вариантом.

В подобных обстоятельствах должен выставляться дорожный знак 4.2.2 «Объезд препятствия слева».

Требования знака элементарны: водителю предписывается объезжать препятствие исключительно с левой стороны. И даже, несмотря на то, что осуществить объезд справа тоже физически возможно, ПДД четко прописывают действия водителя — только слева.

Достаточно часто знак «Объезд препятствия слева» можно встретить на автомобилях, принадлежащих коммунальным службам, предприятиям благоустройства, дорожно-ремонтным службам, которые выполняют сезонные работы по уборке дорожной территории, проводят мероприятия по ремонту дорожного полотна и пр.

Нередки случаи, когда требование знака «Объезд препятствия слева» вступает в противоречие с требованиями сплошной линии горизонтальной разметки.

В данной ситуации водитель должен помнить, что в своих действиях он должен ориентироваться на указания знака. Следовательно, ему разрешается пересечь разметку, но исключительно в целях объезда препятствия и с последующим немедленным возвращениям на ранее занимаемую полосу.

И последнее. Водителю важно помнить, что в «чистом виде» знак «Объезд препятствия слева» не предоставляет приоритета транспортному средству, выполняющему объезд. Преимущество имеют транспортные средства, движущиеся во встречном направлении.

Если данная информация была для вас полезна, напишите, пожалуйста, об этом в комментариях. Если возникнут вопросы, пишите, обязательно постараемся вам помочь.

Пдд онлайн от команды autoass!

Содержание статьи:
  • знак объезд препятствия слева
  • дорожный знак объезд препятствия
  • Знак 4 2 2
  • знаки объезд препятствия слева пример
    Метки: объезд препятствия слева     

Дорожный знак Объезд препятствия слева 4.

2.2 в Ростове-на-Дону

Компания «Промышленная точка» реализует дорожные знаки для  автомобильных дорог. Наша продукция предназначена для организации потоков движения и обеспечения безопасности на автомобильных дорогах и прилегающих к ним территориях. Мы реализуем знаки изготовленные по Государственному стандарту России 52290-2004. Также при необходимости можем изготовить любой знак по Вашему чертежу.

Характеристики знаков.

При производстве знаков используется оцинкованная основа, выполненная с двойной отбортовкой по краям. Используется высоко устойчивая к выгоранию пленку, что обеспечивает срок службы знак более 5 лет. При необходимости вы можете приобрести все необходимы крепления («скоба» и «коромысло») а так же столбы на которые крепятся основания знаков.

Вы можете приобрести следующие группы дорожных знаков:

Для покупки товара в нашем интернет-магазине выберите понравившийся товар и добавьте его в корзину. Далее перейдите в Корзину и нажмите на «Оформить заказ» или «Быстрый заказ».

Когда оформляете быстрый заказ, напишите ФИО, телефон и e-mail. Вам перезвонит менеджер и уточнит условия заказа. По результатам разговора вам придет подтверждение оформления товара на почту или через СМС. Теперь останется только ждать доставки и радоваться новой покупке.

Оформление заказа в стандартном режиме выглядит следующим образом. Заполняете полностью форму по последовательным этапам: адрес, способ доставки, оплаты, данные о себе. Советуем в комментарии к заказу написать информацию, которая поможет курьеру вас найти. Нажмите кнопку «Оформить заказ».

Оплачивайте покупки удобным способом. В интернет-магазине доступно 3 варианта оплаты:

  1. Наличные при самовывозе или доставке курьером. Специалист свяжется с вами в день доставки, чтобы уточнить время и заранее подготовить сдачу с любой купюры. Вы подписываете товаросопроводительные документы, вносите денежные средства, получаете товар и чек.
  2. Безналичный расчет при самовывозе или оформлении в интернет-магазине: карты Visa и MasterCard. Чтобы оплатить покупку, система перенаправит вас на сервер системы ASSIST. Здесь нужно ввести номер карты, срок действия и имя держателя.
  3. Электронные системы при онлайн-заказе: PayPal, WebMoney и Яндекс.Деньги. Для совершения покупки система перенаправит вас на страницу платежного сервиса. Здесь необходимо заполнить форму по инструкции.
Подробнее о способах оплаты

Экономьте время на получении заказа. В интернет-магазине доступно 4 варианта доставки:

  1. Курьерская доставка в Ростове-на-Дону работает с 9.00 до 19.00. Когда товар поступит на склад в Ростове-на-Дону, курьерская служба свяжется для уточнения деталей. Специалист предложит выбрать удобное время доставки и уточнит адрес. Осмотрите упаковку на целостность и соответствие указанной комплектации.
  2. Самовывоз из магазина в Ростове-на-Дону. Список торговых точек для выбора появится в корзине. Когда заказ поступит на склад, вам придет уведомление. Для получения заказа обратитесь к сотруднику в кассовой зоне и назовите номер.
  3. Постамат. Когда заказ поступит на точку в Ростове-на-Дону, на ваш телефон или e-mail придет уникальный код. Заказ нужно оплатить в терминале постамата. Срок хранения — 3 дня.
  4. Почтовая доставка через почту России. Когда заказ придет в отделение в Ростове-на-Дону, на ваш адрес придет извещение о посылке. Перед оплатой вы можете оценить состояние коробки: вес, целостность. Вскрывать коробку самостоятельно вы можете только после оплаты заказа. Один заказ может содержать не больше 10 позиций и его стоимость не должна превышать 100 000 р.

обл Астраханская, г Астрахань, ул Николая Островского, дом 53

Пн-Пт 09.00-20.00 Сб,Вс 09.00-19.00

обл Астраханская, г Астрахань, ул Украинская, дом 3

ежедневно 10.00-19.00

обл Астраханская, г Астрахань, ул Магистральная, дом 29

Пн-Пт 09.00-20.00 Сб,Вс 09.00-19.00

обл Астраханская, г Астрахань, ул Кирова, дом 51А

ежедневно 09.00-18.00

обл Астраханская, г Астрахань, ул Бакинская, дом 94

Пн-Пт 09.00-20.00 Сб,Вс 09.00-19.00

обл Астраханская, г Астрахань, ул Дзержинского, стр. 56В

Пн-Пт 09.00-20.00 Сб,Вс 09.00-19.00

обл Астраханская, г Астрахань, ул Победы, дом 53

Пн 09.00-21.00 Вт-Вс 09.00-20.00

обл Астраханская, г Астрахань, ул Немова, дом 34, корп. А, влад. 75

ежедневно 09.00-21.00

обл Астраханская, г Астрахань, ул Николая Островского, дом 134

Пн-Пт 09.00-19.00 Сб,Вс 10.00-17.00

обл Астраханская, г Астрахань, ул Балашовская, дом 13, корп. 2

Пн-Пт 10.00-20.00 Сб,Вс 10.00-19.00

Подробнее о вариантах доставки

Дорожный знак 4.2.2 Объезд препятствия слева

{{#each tradingPlatforms}} {{/each}} {{/if}}

Запросите оферту через форму обратной связи

{{#if tradingPlatforms.length}} {{/if}}

В наличии

  • Характеристики
  • Торговая марка: Технотерра
  • Группа знаков: предписывающие
  • Типоразмер: II
  • Тип пленки: тип-А (коммерческая)
  • Стандарты: ГОСТ Р 52289-2004
Все характеристики

Цена интернет-магазина. Указана с НДС.

Наличие в магазинах «Комус» товара с артикулом N {{productId}}
{{region}}, состояние на {{currentTime}}

{{> pageNumberTemplate pages}} {{#if availableStocks.length}} {{#if subwayNeed }} {{/if}} {{#each availableStocks}} {{/each}} {{/if}} {{> pageNumberTemplate pages}}

В розничных магазинах «Комус» цена на данный товар может отличаться от цены Интернет-магазина.

Подробную информацию о цене и количестве товара вы можете получить,
позвонив по телефону ближайшего к Вам магазина «Комус».

Адреса всех магазинов Комус

Закрыть

Закрыть

{{/if}} {{#each products}} {{#each this}} {{/each}} {{/each}} {{#each products}} {{/each}} {{#each products}} {{/each}}

Сравнение товаров

{{> breadcrumbTemplate breadcrumbs=breadcrumbs }} {{#if (gt products.length 0)}}

Закрыть

{{else}}

Нечего сравнивать

{{/if}} {{#if (gt products.length 1)}} {{/if}} {{#each products}} {{#each fields}} {{#each this}} {{/each}} {{/each}} {{#each products}} {{/each}} {{#each products}} {{/each}}
{{#if (eqw this.forbidden true)}} {{> productAddToCartForbiddenTemplate}} {{else}} {{#if (and (neqw this.stock null) (neqw (uppercase this.stock.stockLevelStatus.code) «OUTOFSTOCK») (neqw this.price null))}} {{else}} Товар недоступен {{/if}} {{/if}}

Арт. {{this.code}} {{#if this.stock}} {{#if (neqw this.stock.stockStatusText null)}} {{{ this.stock.stockStatusText }}} {{else}} {{#if (eqw (uppercase this.stock.stockLevelStatus.code) «ONREQUEST»)}} Под заказ {{else}} {{#if (neqw (uppercase this.stock.stockLevelStatus.code) «OUTOFSTOCK»)}} В наличии {{else}} Нет в наличии {{/if}} {{/if}} {{/if}} {{/if}}

{{/each}} {{#each fields}}
{{@key}} {{this}}
Торговая марка {{#if (neqw this.trademark null)}} {{this.trademark.name}} {{/if}}
Рейтинг {{#if (eqw this.ratingWidth null)}}

{{this.averageRating}}{{#if (eqw this.averageRating null)}}0{{/if}}

{{#unless eaistPopup}} Отсутствующий товар: {{/unless}} Выберите товары для замены:
{{#if (gt @index 0)}} {{/if}} {{#if (eqw this.forbidden true)}} {{> productAddToCartForbiddenTemplate}} {{else}} {{#if (and (neqw this.stock null) (neqw (uppercase this.stock.stockLevelStatus.code) «OUTOFSTOCK») (neqw this.price null))}} {{else}} Товар недоступен {{/if}} {{/if}}

Арт. {{this.code}} {{#if this.stock}} {{#if (neqw this.stock.stockStatusText null)}} {{{ this.stock.stockStatusText }}} {{else}} {{#if (eqw (uppercase this.stock.stockLevelStatus.code) «ONREQUEST»)}} Под заказ {{else}} {{#if (neqw (uppercase this.stock.stockLevelStatus.code) «OUTOFSTOCK»)}} В наличии {{else}} Нет в наличии {{/if}} {{/if}} {{/if}} {{/if}}

{{/each}}
{{@key}} {{this}}
Торговая марка {{#if (neqw this.trademark null)}} {{this.trademark.name}} {{/if}}
Рейтинг {{#if (eqw this.ratingWidth null)}}

{{this.averageRating}}{{#if (eqw this.averageRating null)}}0{{/if}}

Целевое положение и влияние запаса уклонения на планирование пути при уклонении от препятствий

Участники

В исследовании приняли участие двенадцать студентов колледжа с нормальным зрением (средний возраст ± стандартное отклонение: 20,3 ± 1,4 года, 10 женщин). Все участники заполнили Эдинбургский опросный лист 33 , и у них была правая рука (оценка 86,1 ± 9,05) и доминирующая правая нога. Согласно самоотчету, ни у кого из участников не было в анамнезе неврологических и опорно-двигательных расстройств или каких-либо других состояний, ограничивающих их подвижность во время участия.Протокол эксперимента был одобрен и выполнен в соответствии с соответствующими руководящими принципами и правилами Институционального наблюдательного совета Университета Индианы Блумингтона и соответствовал стандартам, установленным Хельсинкской декларацией. Все участники предоставили письменное информированное согласие до участия.

Аппарат

На рисунке 1 показана экспериментальная установка. Стартовая позиция была расположена на расстоянии 7,5 м от и прямо напротив 1,84 м (высота) × 0,90 м (ширина) × 0.Книжный шкаф глубиной 22 м с двумя полками. Нижняя полка находилась на высоте 0,88 м над землей. На нижней полке находилась пустая чашка на 16 унций («мишень») высотой 15,87 см, диаметром 8,30 см и весом 275,23 г. Три деревянных ящика размером 45 см (длина) × 32 см (ширина) × 24 см (высота) каждый были использованы для создания трех препятствий разной ширины, расположив ящики встык так, чтобы общая ширина препятствий составляла 45 см. см (одна коробка), 90 см (две коробки) и 135 см (три коробки). Эти препятствия располагались посередине пешеходной дорожки шириной 213 см.Левый и правый края прохода были обозначены красной лентой шириной 5 см. Правый запас уклонения (AM-R) — это расстояние между правым внешним краем препятствия и правым краем пешеходной дорожки, а левый запас уклонения (AM-L) — это расстояние между левым внешним краем препятствия и левый край прохода.

Рисунок 1

Экспериментальная установка. Участники прошли 7,5 м до книжного шкафа, на нижней полке которого (.88 м от этажа).

Движения глаз участников измерялись с помощью мобильного айтрекера от Pupil Labs. Данные о движении глаз обновлялись с частотой 120 Гц. Программное обеспечение для отслеживания взгляда, разработанное Pupil Labs 34 , использовалось для извлечения данных отслеживания взгляда из записанных видео. Была выполнена калибровка по девяти точкам.

Положение участников в комнате отслеживалось с помощью двух камер Microsoft Kinect. Специальное приложение Visual Studio C ++ на основе Kinect SDK 2.0 было разработано и использовалось для обнаружения, отслеживания и записи движений человека для постанализа.Дополнительные сведения о системе отслеживания движения глаз и настройке Kinect см. В Saeedpour-Parizi et al. 35 .

Задача и дизайн

Задача заключалась в том, чтобы пройти от начальной позиции до книжного шкафа в выбранном вами темпе и подобрать цель, расположенную на нижней полке, избегая при этом препятствия и не выходя за границу прохода. Было восемь препятствий (см. Таблицу 1). Каждое препятствие определялось левым и правым запасом уклонения. В Условии 1 (NOBST) на проходе не было никаких препятствий.Это условие послужило основой для проверки допущения в литературе 1 о том, что путь, пройденный к цели из начальной позиции, будет прямолинейным при отсутствии промежуточного препятствия. Это условие также обеспечило основу, на основе которой можно было интерпретировать результаты для других условий препятствия.

Таблица 1 Условия препятствий. AM-L представляет левую границу избегания; AM-R представляет собой правый запас избегания.

Условия запаса избегания пересекались с тремя условиями целевого местоположения.Мишень располагалась либо в центре нижней полки книжного шкафа, в 30 см слева от центра нижней полки книжного шкафа, либо в 30 см справа от центра нижней полки книжного шкафа. Участники подошли к цели три раза для каждого из условий запаса избегания. Эти экспериментальные манипуляции привели к дизайну повторных измерений 8 (пределы избегания) × 3 (целевая позиция) × 3 (испытания).

Процедура

В начале каждого испытания участники стояли с закрытыми глазами и босиком в исходном положении, поставив обе ноги рядом и на ширине плеч.Участникам сообщили, что они получат словесную команду «готово», за которой следует словесная команда «старт» от экспериментатора. Им было приказано открыть глаза и начать идти к книжному шкафу и захватить цель только после того, как услышат команду «старт». Участникам было предложено пройти в удобном, самостоятельно выбранном темпе к книжному шкафу и взять цель. В испытаниях, в которых присутствовало препятствие, участников проинструктировали избегать соприкосновения с препятствием, но они были свободны выбрать любой путь, который им нравился, чтобы добраться до книжного шкафа и подобрать цель.Поэтому участников не проинструктировали, по какой стороне дорожки им следует идти к цели. Участников также проинструктировали не наступать на бюрократическую ленту, обозначающую границу экспериментального прохода, и не переходить через нее. После того, как участники подняли мишень в конце испытания, они вернули мишень в исходное положение и вернулись в исходное положение.

По завершении выполнения восьми условий препятствия для каждой из целевых позиций участникам был проведен тест оценки выбора пути.Для этого теста участников попросили встать в исходное положение, а мишень поместили в центр нижней полки книжного шкафа. Настройка прохода была такой же, как для Условия 3 (то есть препятствие было размещено в середине прохода таким образом, чтобы левый и правый запасы уклонения составляли 61 см каждое). Затем целевое положение последовательно изменяли на 5 см влево до расстояния 35 см от центра полки. Участников попросили оценить по шкале Лайкерта от 0 до 10, с какой стороны препятствия они будут обходить, чтобы достичь цели, когда она находится в середине полки, и для каждых 5 см смещения цели.Эту же процедуру повторили, переместив мишень из центра в правую часть полки книжного шкафа.

Предварительная обработка данных

Данные о траектории

В этом исследовании было три параметра, которые могли повлиять на уклонение от препятствий: a.) Относительное расстояние до препятствия; б.) относительный угол к цели; и c.) маржа избежания. Как показано на рис. 2, D L и D R соответствуют расстоянию от центра исходной позиции до левого и правого краев препятствия соответственно.Относительное расстояние — это разница в расстоянии между правой и левой сторонами препятствия и может быть вычислено как ΔD = D R — D L . Если ΔD равнялось нулю, расстояние до правой и левой сторон препятствия было одинаковым. Если ΔD было положительным, расстояние до правой стороны препятствия было больше, чем расстояние до левой стороны препятствия. Обратное верно для отрицательного ΔD .

Рисунок 2

Экспериментальная установка. Участники подошли к книжному шкафу, на нижней полке которого стояла пустая чашка на 16 унций («мишень») (.88 м от этажа). AM-L представляет левую границу избегания; AM-R представляет собой право избегания; D L и D R соответствуют расстоянию от центра стартовой позиции до левого и правого краев препятствия соответственно. θ L — угол отклонения влево и представляет собой угол между прямой линией, соединяющей цель и центр исходной позиции, и линией, соединяющей внешний левый край препятствия относительно исходной позиции.θ R представляет собой угол отклонения вправо и определяется как угол между прямой линией, соединяющей цель из центра стартовой позиции, и линией, соединяющей правый внешний край препятствия относительно центра стартовой позиции.

Угол между прямой линией, соединяющей цель из исходного положения и линией, соединяющей левый внешний край препятствия из исходного положения, является углом отклонения влево (θ L , см. Рис.2). Точно так же θ R представляет собой угол отклонения вправо и определяется как угол между прямой линией, соединяющей цель из исходного положения, и линией, соединяющей правый внешний край препятствия из исходного положения. Относительный угол — это разница в угле отклонения между правой и левой сторонами и может быть рассчитан как Δθ = θ R — θ L . Положительный Δθ указывает, что угол отклонения вправо был больше угла отклонения влево.Обратное верно для отрицательных Δθ. При Δθ = 0 углы отклонения правой и левой сторон были равны. Угол отклонения от прямой в условиях NOBST также был рассчитан для различных целевых положений.

Как описано ранее, AM-R представляет собой правый запас уклонения и рассчитывается как расстояние между внешним краем правого препятствия и правым краем пешеходной дорожки. Точно так же AM-L представляет левую границу уклонения и рассчитывается как расстояние между внешним краем левого препятствия и левым краем прохода.Коэффициент запаса избегания (AMR) рассчитывался как AM-R, деленный на AM-L. Коэффициент запаса уклонения, равный 1,0, означает, что правая и левая поля уклонения были равны по размеру. Коэффициент запаса уклонения больше 1.0 означает, что правый запас уклонения был больше, чем левый запас. Обратное верно для полей избегания менее 1,0.

Изменения разницы в относительном расстоянии (ΔD), относительном угле (Δθ) и запасах уклонения (AM-R и AM-L) были достигнуты путем изменения ориентации препятствия и положения цели.Например, когда препятствия были расположены в середине пути, ΔD было равно нулю, а AM-R и AM-L были равны по значению. В этой ситуации, если цель располагалась посередине полки, Δθ также равнялось нулю. Когда цель перемещалась влево или вправо, значение Δθ было положительным или отрицательным соответственно. Когда препятствия были перемещены на правую сторону пути, ΔD было положительным, а AM-R было меньше, чем AM-L. Когда препятствия перемещались на левую сторону пути, ΔD было отрицательным, а AM-R было больше, чем AM-L.Для каждого участника мы рассчитали Δθ, ΔD, AM-R и AM-L для всего 24 уровней (8 уровней препятствий × 3 уровня целевой позиции) .

Скорость походки

Для каждого участника рассчитывалась скорость походки для каждого испытания препятствия и целевых условий. Как описано Dolatabadi et al. 36 , скорость походки рассматривалась как смещение голеностопного сустава в передне-задней плоскости (AP), деленное на время, прошедшее между началом первой и завершением последней фазы движения.Были рассчитаны два показателя скорости походки. Это была средняя скорость походки для всего пути и средняя скорость походки до середины запаса избегания.

Анализ стопы при старте

На основе данных, собранных камерами Kinect, было определено количество попыток старта правой и левой ногой для каждого препятствия и целевой позиции.

Данные отслеживания взгляда

Расчет распределения взгляда

Поведение взгляда при различных условиях цели и препятствия было проанализировано для определения информации, используемой участниками для выбора пути.Записи испытаний каждого участника обрабатывались вручную. Чтобы вычислить распределение взгляда, для каждого кадра глазных записей мы нашли двумерный вектор взгляда и спроецировали этот вектор на плоскость земли с эталоном, установленным в начальной позиции. В результате распределение взгляда в каждом испытании рассчитывалось с использованием оценки плотности по Гауссу. Эти гауссианы были нормализованы по общей продолжительности каждого испытания. Когда мы нашли координацию распределения взгляда для каждого испытания, мы масштабировали результат от 0 до 10 и нарисовали трехмерный счетный график для каждого из различных полей избегания.Общее количество записанных кадров в каждом испытании было больше, чем количество кадров с взорами в трех возможных местах (цель, запас избегания и область пути), потому что не все векторы взгляда участников пересекали три возможных местоположения. Частота взгляда также рассчитывалась как сумма взглядов на каждую из областей интереса для испытаний.

Последовательность объектов взгляда

Чтобы оценить порядок взгляда, мы количественно оценили последовательность объектов взгляда каждого участника и продолжительность их последовательности взгляда.Модели Хаджи Фаталияна и др. 37 и Пан и др. 38 были использованы для расчета последовательности пристального взгляда. Проанализированы взгляды на сферу интересов. Каждой интересующей области был назначен цвет. Они были красными для поля избегания, синими для цели и белыми для пути. Взгляды за пределами этих областей интересов не анализировались. Поскольку разные испытания имели разную продолжительность, каждое испытание было нормализовано к общей продолжительности и разделено на 100 равных сегментов (см. Рис.3). На рисунке 3 представлен пример анализа последовательности взгляда, полученного путем преобразования взгляда в матричную форму. В результате получилось восемь матриц, и каждая матрица представляла одно из восьми условий маржи уклонения. Для каждого условия маржи уклонения было три матрицы. Это были матрицы A, B и C. В матрицах A и B разные строки (N) указывают количество испытаний в каждом состоянии запаса избегания, а каждый столбец представляет положение взгляда. В матрице A буква «T» указывает взгляды на целевую область, «P» указывает взгляды в области пути, а «S» указывает взгляды в области запаса избегания.В первой строке матрицы A этого примера позиция взгляда перешла от цели к траектории, а затем к цели. Для матрицы B мы масштабировали данные матрицы A до целых чисел, которые были определены произвольно. Число «2» указывало на целевую область, число «5» указывало на область пути, а число «10» указывало на запас уклонения. Матрица C показывает среднее значение чисел (2, 5 и 10) для каждого из 100 пробных сегментов. На основе матрицы C был построен график для каждого условия запаса уклонения.

Рисунок 3

Порядок расчета последовательности объектов пристального взгляда. В матрице A буква «T» указывает взгляды на целевую область, «P» указывает взгляды в области пути, а «S» указывает взгляды в области запаса избегания. Цвета на рисунке соответствуют объектам с цветовой кодировкой (синий: цель, белый: путь и красный: поле избегания). Каждая последовательность объектов необработанного взгляда была представлена ​​набором кадров (1 × 100). В первой строке этого примера объект взгляда перешел от цели к траектории, а затем к цели.«N» указывает количество попыток в каждом из условий запаса уклонения. Матрица B показывает матрицу преобразования. Мы масштабировали результат до целых чисел (например, «2» указывает на целевую область, «5» указывает на путь, а «10» указывает на запас уклонения). Матрица C показывает средний результат.

Для сравнения последовательностей взгляда в различных положениях препятствий мы использовали модель «ScanMatch» 39 , которая основана на алгоритме Нидлмана-Вунша, используемом в биоинформатике для сравнения последовательностей ДНК. Эта модель выравнивает одну строку друг с другом, чтобы максимизировать оценку сходства.По этой причине мы рассчитали оценку сходства между разными испытаниями. Были рассчитаны средние значения оценок сходства между положениями препятствий.

Коэффициент взгляда поля избегания

Чтобы оценить влияние взгляда на поля избегания для выбора пути, мы количественно оценили случаи для каждого участника на левом и правом полях уклонения. Затем мы определили коэффициент взгляда на поле избегания (AMGR), как описано в уравнении. (1):

$$ AMGR = \ frac {{\ left ({Взгляд \; время \; на \; Право \; AM — Взгляд \; время \; на \; Left \; AM} \ right)} } {{\ left ({Взгляд \; время \; на \; Справа \; AM + Взгляд \; время \; на \; Left \; AM} \ right)}} $$

(1)

AMGR — это значение от — 1 до +1.Значение AMGR, равное нулю, означает, что взгляды на правом и левом поле избегания были равны по времени. AMGR больше нуля означает, что взгляды на правом поле уклонения были длиннее, чем взгляды на левом поле уклонения. Обратное верно для AMGR меньше нуля.

Анализ данных

Множественные логистические регрессии были выполнены для ΔD и AMR при учете Δθ (когда цель находилась в среднем, левом и правом положениях на полке книжного шкафа) для оценки взаимосвязи каждого из этих параметров при планировании пути .Одномерная логистическая регрессия была выполнена по Δθ, чтобы оценить взаимосвязь этого параметра с планированием пути. Двоичные метки наземной истинности: правая сторона = 1 и левая сторона = 0.

Чтобы оценить влияние всех параметров вместе (ΔD , Δθ, AMR) на выбор пути, была выполнена модель многомерного анализа. Эта модель также учитывала взаимодействие ΔD и AMR с Δθ. Чтобы оценить влияние этих весов параметров, мы использовали метод начальной загрузки со случайным перемешиванием 2000 суррогатных данных.Затем мы использовали модель логистической регрессии машинного обучения с разреженным набором функций, определенным регуляризацией L 1 (LASSO), чтобы предсказать, был ли выбранный путь вправо или влево. Чтобы оценить производительность модели, мы использовали метод перекрестной проверки исключения по одному 40 . Затем при планировании пути мы рассчитали «учет отклонений для каждого из параметров». Регрессия логистики была реализована на Python с использованием библиотеки машинного обучения scikit-Iearn. Чтобы оценить влияние различных параметров на индивидуальном уровне, был проведен многоуровневый анализ 41 , чтобы найти вес, который каждый участник присвоил каждой из переменных решения.

ANOVA с повторными измерениями 8 (состояние препятствия) × 3 (положение цели) был проведен для средней скорости походки, чтобы оценить, как скорость изменилась в результате различных условий препятствия и целевых положений.

Был проведен дисперсионный анализ повторных измерений 8 (состояние препятствия) × 3 (положение цели) × 3 (положение взгляда) на частоте взгляда, чтобы оценить, как поведение взгляда изменилось в результате различных условий препятствия и целевых положений. Распределение распределения взгляда также оценивалось с помощью пакета HyBayes 42 .

Тест Колмогорова-Смирнова использовался для различных условий избегания для оценки предположения о нормальности оценок сходства для последовательности взгляда. Метод PROPER, предложенный Jahandideh et al. 43 использовалось для сравнения оценок сходства. Односторонний дисперсионный анализ был проведен по показателям сходства между условиями 2-8 и условием NOBST, чтобы оценить, как поведение последовательности взгляда изменилось в результате различных границ избегания. Скорректированные по Бонферрони апостериорные сравнения были использованы для дальнейшего исследования влияния условия запаса избегания на последовательность взгляда.

Одномерные логистические регрессии были выполнены для оценки влияния AMGR на планирование пути. Бинарные метки наземной истинности имели следующие значения: правая сторона = 1 и левая сторона = 0. Чтобы оценить влияние AMGR и AMR на выбор пути, была проведена модель многомерного анализа.

Независимый анализ испытаний не был значительным, поэтому оценки испытаний были усреднены. Все анализы проводились на языке Python, а для контроля нарушений сферичности использовался эпсилон Greenhouse – Geisser.Для всех тестов использовался альфа-уровень 0,05.

Этическое одобрение

Все процедуры были одобрены Блумингтонским университетом Индианы при Совете по институциональной проверке.

Местная навигация: объезд препятствий | SpringerLink

Модель — это абстракция системы, которая показывает, как параметры влияют на явления. Модели используются, например, для изучения схем движения, чтобы предсказать влияние новых дорог или светофоров. Чтобы понять, как создается путь от гнезда до корма, в этом разделе представлена ​​упрощенная модель поведения муравьев.

Основная характеристика поведения муравьев заключается в том, что у них нет карты окружающей среды, поэтому они должны перемещаться беспорядочно, чтобы искать источник пищи. Следовательно, модель их поведения должна быть вероятностной. Предположим, что среда — это прямоугольная область, представляющая собой сетку ячеек. На рис. 7.10 показана область, разделенная на \ (6 \ умножить на 8 = 48 \) ячеек.

Координаты в сетке ячеек

На протяжении всей книги координаты ячейки в сетке даются как \ ((\ textit {row}, \ textit {column}) \).Строки нумеруются сверху вниз, а столбцы слева направо, как матрицы в математике, однако нумерация начинается с 0, как в типе данных массива в информатике.

Рис. 7.10

Представление окружающей среды в виде сетки ячеек

Без какой-либо информации о том, как муравьи выбирают свои движения, мы предполагаем, что они могут двигаться в любом направлении с одинаковой вероятностью, поэтому вероятность p муравья нахождение в любой ячейке равно 1, деленному на количество ячеек, здесь \ (p = 1/48 = 0.021 \).

Вероятность того, что муравей окажется в клетке с источником пищи, равна p , как и для любой другой клетки. Согласно нашей спецификации поведения муравья, как только он входит в эту ячейку и определяет ее как источник пищи, он возвращается прямо в гнездо. На рис. 7.10 источник пищи находится в ячейке (3, 4), поэтому муравей, посетивший эту ячейку, должен вернуться в гнездо в ячейке (0, 7), пройдя через ячейки (2, 5) и (1, 6). Какова вероятность того, что муравей окажется в любой из этих трех клеток? Возможны две возможности: либо муравей находится в клетке, потому что он случайным образом переместился туда с вероятностью p , либо муравей находится там, потому что он переместился к источнику пищи случайным образом с вероятностью p , а затем с вероятностью 1 перемещается к гнезду.Следовательно, общая вероятность оказаться в любой из этих ячеек равна \ (p + p \ times 1 = p + p = 2p \). 1 Если наш робот рисует линии по мере своего движения, ячейки по диагонали должны быть в два раза темнее, чем другие ячейки. Рис. 7.11

Вероятности местонахождения муравья

Как только муравей достиг гнезда, он снова будет перемещаться случайным образом, то есть выберет случайного соседа для перемещения. Обычно у ячейки восемь соседей (сверху и снизу, слева и справа, по четыре по диагоналям), поэтому вероятность того, что она будет в любом из этих соседей, равна p /8.Однако гнездо находится в углу только с тремя соседями, поэтому вероятность того, что оно переместится к любому из них, составляет p /3. На рис. 7.11 показана вероятность того, что муравей найдет источник пищи, вернется в гнездо и сделает еще один случайный ход. При реализации роботом с маркером ячейки с большей вероятностью станут темнее (рис. 7.12).

Что можно сделать из этой модели?
  • Хотя муравьи перемещаются беспорядочно, их поведение при возвращении в гнездо после обнаружения источника пищи приводит к тому, что вероятность оказаться на диагонали выше, чем где-либо еще в окружающей среде.

  • Поскольку муравьи сбрасывают феромоны (черные метки) в каждой посещаемой ими клетке, из этого следует, что отметки на диагональном пути между источником пищи и гнездом будут темнее, чем отметки на других клетках. В конце концов, разметка на этом пути станет достаточно темной, чтобы робот мог проследовать по нему к источнику пищи, не выполняя случайное исследование.

  • Поскольку робот часто посещает гнездо, клетки в непосредственной близости от гнезда будут иметь вероятность где-то между равномерной вероятностью и высокой вероятностью следа.Следовательно, важно выделить след, используя методы, подобные тем, которые были исследованы в упражнении 7.8.

Рис. 7.12

Вероятности местоположения робота с маркером

Метод обхода препятствий в реальном времени для автономных транспортных средств с использованием гауссова потенциального поля, зависящего от препятствий

Новый метод обхода препятствий для автономных транспортных средств, названный препятствием -зависимое гауссово потенциальное поле (ODG-PF). Он обнаруживает препятствия и рассчитывает вероятность столкновения с ними.В этой статье мы представляем новый метод расчета поля притяжения и отталкивания, а также подход к решению о направлении. Моделирование и эксперименты были выполнены и сравнены с другими методами предотвращения препятствий на основе потенциального поля. Результаты показывают, что ODG-PF показал наилучшие результаты в большинстве случаев.

1. Введение

Автономным системам транспортных средств требуется планирование пути, определение местоположения внутри и снаружи помещений, обход препятствий, обнаружение объектов и классификация автомобилей, людей, домашних животных, дорожных знаков, сигналов и т. Д.

Планирование пути — одна из фундаментальных технологий в автомобильной технике. В планировании пути есть две категории, а именно: глобальное планирование пути и локальное планирование пути. Для глобального планирования пути требуется информация из географической информационной системы (ГИС) и глобальная локализация, в то время как для местного планирования пути требуется относительное положение и избегание препятствий. Существует множество алгоритмов как глобального, так и локального планирования пути. При глобальном планировании пути для построения графа используются графические методы, такие как алгоритм Вороного [1–4], алгоритм декомпозиции ячеек [5–7] и алгоритм быстрого перехода [4, 8, 9], а затем поиск кратчайшего путь к цели.

Предотвращение препятствий — одна из важнейших технологий при планировании местных маршрутов и одна из важнейших технологий, гарантирующих безопасность людей и транспортных средств. На протяжении десятилетий по этой теме было проведено множество исследований и разработано множество методов, некоторые из которых были реализованы в реальных системах. Чтобы избежать столкновения с препятствиями, роботу необходимо не только обнаруживать препятствия, но и пересчитывать обходной путь и направлять себя по безопасному и эффективному пути в режиме реального времени.

Хатиб [10] сформулировал концепцию метода искусственного потенциального поля (PFM) для реализации системы предотвращения препятствий. Этот метод, состоящий из поля притяжения и поля отталкивания, прост и легок в вычислительном отношении. Два разных поля вычисляются и суммируются, после чего робот следует направлению вычисленного вектора. Уклонение от препятствий достигается за счет поля отталкивания, а направление к цели — за счет поля притяжения. Концепция искусственных потенциальных полей также может быть использована в качестве глобального планировщика пути [11].

Алгоритм ошибки был введен Люмельским и Степановым [12], в котором транспортное средство движется вдоль стены препятствия, когда оно встречается. Если направление к цели снова доступно, машина покидает препятствие и движется к цели.

Боренштейн и Корен [13] представили другой метод, позволяющий избежать препятствий, названный методом гистограммы векторного поля (VFH), а Ульрих и Боренштейн [14] улучшили метод, учитывая размер роботов и выбрав безопасный и эффективный угол (VFH +: позже модернизирован до VFH [15]).

Метод динамического окна (DWA) с использованием динамики транспортного средства был предложен в [16]. Этот метод состоит из трех окон скорости-угловой скорости: первое окно — это окно от минимальной до максимальной угловой скорости транспортного средства, второе — это зона без препятствий в первом окне, а последнее — доступная угловая скорость. окно скорости, возможное из текущей пары скорость-угловая скорость. На пересечении трех окон DWA выбирает пару скорость-угловая скорость, максимизируя целевую функцию.

Андерсон и др. [17] использовали управление с прогнозированием модели (MPC) для разработки метода планирования пути на основе оптимального управления, который использует относительно новый метод управления для прогнозирования движения транспортного средства. Главный недостаток этого подхода заключается в том, что это, по сути, нелинейная задача оптимального управления, и даже когда проблема может быть линеаризована, найти оптимальный путь в реальном времени непросто. Это сильно зависит от производительности процессора.

Метод диаграммы близости (ND) был предложен Мингесом и Монтано [18], которые классифицировали реальные ситуации на пять категорий, каждая из которых имеет свою процедуру принятия решений.Позже этот метод был усовершенствован рядом других исследователей [19–21].

Метод следования зазора (FGM) был разработан Сезером и Гокасаном [22], в котором определяется угол максимального зазора, а затем вычисляется средневзвешенное значение угла и угла к цели.

Park et al. [23] разработали усовершенствованный метод нечеткого потенциального поля (AFPFM) как улучшенный алгоритм обычного PFM с использованием нечеткого членства и нечеткого вывода TS [24]. В этом методе поле притяжения AFPFM такое же, как и у обычного PF, но расчет поля отталкивания выполняется с использованием нечеткого вывода TS.

Для обнаружения препятствий используются многие виды датчиков, такие как гидролокатор, лазерный дальномер, лидар, стереовидение и трехмерный датчик глубины. В этом исследовании мы использовали лазерный дальномер и представили новый метод избежания препятствий, который мы называем методом гауссова потенциального поля, зависящего от препятствий (ODG-PF), который мы сравнили с PFM, FGM и AFPFM.

Эта статья состоит из 6 разделов. Раздел 1 — это введение. Алгоритмы сравнения с ODG-PF упомянуты в разделе 2.Раздел 3 подробно описывает ODG-PF. Результаты моделирования представлены в Разделе 4. Соответствующие эксперименты на открытом воздухе приведены в Разделе 5. Заключение находится в Разделе 6.

2. Сопутствующие работы

Во всех следующих методах используется датчик дальности. Синие линии на Рисунке 1 (а) — это инфракрасные лазерные лучи, используемые для измерения расстояния. Как показано на Рисунке 1 (b), данные лазерного дальномера представляют собой расстояния, соответствующие заранее заданным углам в датчике.

Эти данные о расстоянии обрабатываются по-разному в разных алгоритмах.

2.1. Традиционный метод потенциального поля

По сути, методы, основанные на потенциальном поле, используют искусственное потенциальное поле, состоящее из поля притяжения и поля отталкивания. Притягивающее поле притягивает автомобиль к цели, а поле отталкивания отталкивает его от препятствий. Следующие уравнения отображают обычные расчеты потенциального поля: где.

Уравнение (1) показывает вычисление общего поля, в то время как поле притяжения, которое «притягивает» транспортное средство к цели, вычисляется по (2), где — вектор положения целевой точки, а — вектор положения транспортного средства.Уравнение (3) — это расчет поля отталкивания, которое отталкивает транспортное средство от препятствий, в котором находится вектор положения каждого препятствия. На рис. 2 показаны поле притяжения и поле отталкивания.


Как показано на рисунке 3, традиционный метод потенциального поля имеет недостаток в том, что он легко застревает в локальных минимумах [25].


2.2. Метод Follow-the-Gap

FGM не основан на искусственном потенциальном поле, но его решение угла гильдии в чем-то похоже.Кроме того, его методы обнаружения препятствий и пробелов в чем-то напоминают наш ODG-PF.

Основная идея FGM состоит в том, чтобы найти максимальный зазор перед автомобилем и сначала вычислить средний угол зазора (). Из полученных данных мы знаем, где находятся препятствия, и должны увеличить препятствия до некоторой степени с учетом ширины транспортного средства. Увеличивая препятствия, мы можем легко узнать, подходит ли проезд для транспортного средства или нет. Этот метод также определяет угол по направлению к цели, для которого решение о направлении принимается с использованием средневзвешенного значения угла максимального зазора и угла по направлению к цели.

В примере на рисунке 1 максимальный зазор находится в диапазоне от -14 ° до 18 °, а средний угол (2 °) становится таким, как показано на рисунке 4. Направляющий угол выбирается путем вычисления средневзвешенного значения и следующим образом : где — это минимальное расстояние от всех данных о расстоянии от датчиков дальности, и это значение, которое мы должны решить, чтобы избежать препятствия и эффективно двигаться к цели. Если он маленький, транспортное средство будет двигаться прямо к цели, но с большей вероятностью столкнется с препятствиями, тогда как если оно велико, транспортное средство будет двигаться более безопасно, но путь к цели не будет таким эффективным.Если автомобиль находится рядом с препятствием, он будет маленьким и станет больше, поэтому автомобиль будет двигаться скорее навстречу, чем навстречу. Если транспортное средство находится далеко от любых препятствий, оно станет большим и станет относительно небольшим, поэтому транспортное средство будет двигаться прямо навстречу.


2.3. Усовершенствованный метод нечеткого потенциального поля

Расчет силы отталкивания в AFPFM отличается от такового в обычном PFM. Следующее уравнение показывает расчет силы отталкивания в AFPFM: где — максимальный диапазон датчика расстояния, — это термин безопасности, учитывающий внешний корпус транспортного средства, — это коэффициент поля отталкивания, имеющий в основном то же значение, что и у PFM, и — вес что в нечеткой TS является минимальным значением трех функций принадлежности, и.Подробное описание процессов расчета приведено в [23].

3. Гауссово потенциальное поле, зависящее от препятствий

Здесь мы представляем ODG-PF. Основная идея этого метода заключается в том, что после получения данных о расстоянии от датчика (ов) дальности (как показано на рисунке 1 (b)) мы рассматриваем только те объекты, которые находятся в пределах порогового диапазона (например, 2 м), увеличить препятствия относительно ширины транспортного средства и построить из них гауссовское (отталкивающее) потенциальное поле. Затем мы вычисляем поле притяжения на основе информации об угле рыскания, полученной от инерциального измерительного блока (IMU).Суммарное поле состоит из этих двух полей, и из него мы выбираем угол с минимальным общим значением поля. На рисунке 5 представлена ​​блок-схема всего процесса.


Если некоторые данные пространственно непрерывны в пределах порогового значения, они распознаются как препятствие. Эллипсы на рисунке 6 показывают, что есть два препятствия. Затем мы вычисляем среднее расстояние до каждого препятствия (и угол, занимаемый им. На рисунке 6 средние расстояния до препятствий 1 и 2 равны 1.99 и 1,36 м и соответствующие углы (занимаемые препятствиями составляют 1,5 и 51,5 ° соответственно.


В реальных системах мы должны учитывать ширину транспортного средства, и во многих алгоритмах ширина или размер транспортного средства добавляются к размер препятствия и размер транспортного средства уменьшаются до нуля. На рисунке 7 показан процесс увеличения препятствия.


Если мы учитываем ширину транспортного средства, нам необходимо пересчитать угол, поскольку где находится среднее расстояние до препятствия k th .

Как описано в (6), получается из среднего расстояния каждого препятствия и занятого угла препятствия. Яркие полосы, добавленные к левой и правой сторонам темной полосы на рисунке 7, представляют собой увеличение препятствия с учетом ширины транспортного средства. Если требуется больше безопасности, мы можем добавить больше запаса к ширине автомобиля.

Гауссовские функции правдоподобия (поля отталкивания) препятствий вычисляются как где — центральный угол каждого препятствия. Это функция.Нижний индекс i означает, что i -й сегмент данных данных датчика (i = 1… 361), и это порядковый номер каждого угла. Каждая гауссова функция правдоподобия становится компонентом отталкивающего поля. Коэффициент должен быть установлен таким образом, чтобы гауссова вероятность каждого препятствия полностью охватывала угол, занимаемый каждым препятствием. Впоследствии Таким образом, где. это максимальная дальность обнаружения датчика дальности и составляет половину угла, занимаемого препятствием k th .

На Рисунке 8 (a) показаны углы, занимаемые препятствиями, и гауссовы вероятности препятствий. Это объясняет, что вероятность каждого препятствия по Гауссу полностью охватывает занимаемый угол при.

Мы получаем поле отталкивания, суммируя все гауссовские функции правдоподобия препятствий в одну функцию, поскольку это также функция угла. Поле притяжения рассчитывается как Общее поле рассчитывается путем сложения этих двух полей. Поскольку эти два поля являются функциями, общее поле также является функцией: В (11) — это значение, которое мы должны выбрать (как в PFM и AFPFM).Если он слишком мал, транспортное средство будет избегать препятствий, но путь будет неэффективным, тогда как, если он слишком велик, транспортное средство с большей вероятностью столкнется с препятствиями. Значение было выбрано равным 5,0 путем выполнения нескольких симуляций. Мы использовали это заданное значение во всех симуляциях и экспериментах. Пример расчета полей показан на рисунке 9. Наконец, угол, минимизирующий общее поле, выбирается в качестве угла курса. Маленький кружок на Рисунке 9 указывает этот угол.


Этот метод имеет некоторые особенности, которые не похожи на классические методы, основанные на потенциальном поле, т.е.е., использованный Ge и Cui [26]. Во-первых, вместо того, чтобы помещать данные датчика дальности в уравнение, ODG-PF определяет препятствия (угол захвата, среднее расстояние и т. Д.) На основе данных датчика дальности, а затем вычисляет поля отталкивания препятствий. Во-вторых, поле отталкивания и поле притяжения ODG-PF являются функциями угла; то есть они не векторы. В классическом потенциальном поле направление определяется направлением полного вектора поля отталкивания и поля притяжения.Таким образом, ODG-PF очень надежен: даже если есть небольшие изменения в окружающей среде, они не так сильно влияют на траекторию. Математически основное различие между PFM и ODG-PF состоит в том, что поле притяжения и поле отталкивания (а также полное поле) являются угловыми функциями, в то время как все поля в PFM являются векторными значениями. Решение о направлении принимается путем нахождения угла с минимальным значением общего поля, а не путем вычисления арктангенса вектора.

4.Моделирование
4.1. Настройки

Положения препятствий в моделировании и на транспортном средстве были такими, как на рисунке 10. Настройки были такими же, как и в реальных экспериментах. Препятствия были расставлены зигзагообразно, и машина двигалась впереди них. Чтобы свести к минимуму влияние стены, препятствия и автомобили не располагались рядом со стенами с обеих сторон.


Мы сравнили наш новый метод ODG-PF с традиционными PFM, FGM и AFPFM. PFM и AFPFM используют искусственное потенциальное поле, и было полезно сравнить их с потенциальным полем ODG.FGM использует промежутки между препятствиями, и зависимость препятствий ODG-PF сравнима. Все алгоритмы, использованные в этом исследовании, определяют угол направления на основе полученных данных датчика дальности. Из данных датчика на рисунке 1 (b) мы смогли узнать, где был максимальный зазор в FGM, и рассчитать отталкивающие поля PFM, AFPFM и ODG-PF.

У каждого метода есть параметры, которые необходимо определить. Для PFM и AFPFM мы зафиксировали коэффициент поля отталкивания () равным 0,16 и провели моделирование с ними, изменяя коэффициент поля притяжения (для простоты.

Для FGM нам нужно было выбрать подходящий в (4), поэтому мы установили его на 0,5 м, что означает, что углы к цели и максимальный зазор имеют одинаковый вес при минимальном расстоянии от препятствий и транспортного средства было 0,5 м.

На самом деле, мы должны выбрать максимальное расстояние датчика для PFM и AFPFM. Наш датчик дальности может обнаруживать объект на расстоянии до 10 м, но если бы мы изменили значение в PFM и AFPFM, нам пришлось бы изменить все правила нечеткого вывода в AFPFM.Для честного сравнения мы оставили его без изменений.

Нам нужно было определить две вещи для ODG-PF. Один из них — это пороговое расстояние, которое мы установили равным 2,0 м, чтобы его можно было легко адаптировать к любым низкоскоростным датчикам с низким разрешением. Еще один параметр, который нам нужно было выбрать, был похож на PFM и AFPFM, но, как описано в (7), используется для применения штрафа, пропорционального отклонению от угла к цели. Мы установили 5.0, что было получено как в результате моделирования, так и в результате экспериментов. ODG-PF не очень чувствителен, и экспериментально его можно установить на 4.0 ~ 6.0.

, угол к цели во всех алгоритмах данного исследования, был фиксированным. Другими словами, не было положения цели, но фиксированный угол и цель алгоритмов уклонения от препятствий в этом исследовании заключались в том, чтобы сделать все возможное, чтобы сохранить фиксированное положение, не сталкиваясь ни с чем.

Таким образом, нам нужно было изменить вектор поля притяжения, описанный в (2), на

4.2. Результаты моделирования в статической среде

Мы провели моделирование с использованием алгоритмов, используя те же настройки, что и на рисунке 10, результаты которого показаны на рисунке 11.На рисунке 11 (а) показаны результаты моделирования PFM. Как и предполагалось, он сыграл ключевую роль в поиске компромисса между безопасностью и эффективностью, и PFM не работал эффективно ни в одном из случаев. Как уже говорилось в [23], PFM был очень чувствителен к отталкивающему полю, и траектории легко изменялись, даже когда транспортное средство находилось относительно далеко от препятствий. Большое значение сделало его менее чувствительным.

FGM работал лучше, чем PFM, поскольку он пытался найти самый безопасный угол, как показано на рисунке 11 (b), и имел тенденцию следовать за максимальным зазором, если транспортное средство приближалось к препятствиям, как описано в (4).В любом случае, FGM будет в опасности столкновения, если препятствие находится между углом максимального зазора и углом к ​​воротам. AFPFM был лучше, чем PFM во всех случаях, но когда он был большим, возникали коллизии, как показано на рисунке 11 (c). Значение должно быть намного больше (для простоты в 10 раз), чем PFM. Причина этого в том, что существует коэффициент при вычислении поля отталкивания, а также веса TS Fuzzy в AFPFM, которые максимум в 15 раз больше, чем в PFM, когда препятствие размещается близко к передней части транспортного средства.

Моделирование ODG-PF показало наилучшие результаты во всех случаях. Мы проводили одни и те же эксперименты несколько раз, столкновений не было. Он всегда успешно избегал препятствий, и его угол курса в конце концов вернулся к значению, как показано на Рисунке 11 (d).

PFM не дала хороших результатов, и окончательное отклонение от начальной позиции y было самым большим. Когда мы устанавливаем большое значение, отклонение становилось меньше, но, как показано на Рисунке 11 (a), риск столкновения также увеличивался.

Результаты FGM были не так уж плохи. Когда мы устанавливаем меньшее значение, это вызывало коллизии, а большие значения вызывали большие отклонения.

Результаты AFPFM показывают, что он зависит от PFM, но они также показывают, что этот алгоритм можно улучшить. На рисунке 11 (c) мы можем представить себе, что существует оптимальное значение (или функция принадлежности), которое эффективно избегает препятствий без особых отклонений в моделировании, но оптимальное значение будет варьироваться в зависимости от конкретного случая.

4.3. Результаты моделирования в динамической среде

Еще одним достоинством ODG-PF является то, что он может успешно избегать препятствий без какой-либо регулировки, даже когда они движутся. Любой метод уклонения от препятствий не может обойти все движущиеся препятствия из-за физических ограничений транспортного средства, таких как скорость, угловая скорость, радиус вращения, диапазон измерения датчика и т. Д. Успех уклонения от движущихся препятствий в значительной степени зависит от относительной скорости между движущимся препятствием и транспортного средства, но это также зависит от алгоритма уклонения от препятствий.

Мы разработали три сценария движущихся препятствий. В сценариях 1 и 2 мы использовали первые два статических препятствия, которые использовались в предыдущих экспериментах, и движущееся препятствие, но траектория движущегося препятствия в сценарии 1 отличалась от траектории в сценарии 2.

На рисунке 12 показаны сценарии и моделирование. уклонения от движущегося препятствия в Сценариях 1 и 2. Как показано на Рисунке 12 (a), транспортное средство, использующее ODG-PF, успешно уклонилось от движущегося препятствия. Цвета транспортного средства и движущегося препятствия становились темнее по мере их сближения, а после встречи (точка, в которой они были ближе всего) их цвет снова становился белым.Используя разные цвета, читатель может легко различать движения транспортного средства и движущееся препятствие с учетом временных шагов.

В сценарии 2 движущееся препятствие приближалось с левой стороны транспортного средства с той же скоростью, что и транспортное средство (после того, как транспортное средство прошло второе статическое препятствие). Автомобиль с использованием ОДГ-ПФ двигался так, как будто он двигался вместе с препятствием.

Для более строгого сравнения алгоритмов мы разработали еще один экспериментальный сценарий.На рис. 13 (а) показаны статические препятствия, а также направление движения транспортного средства и движущегося препятствия.

Результаты моделирования этого сценария движущихся препятствий показывают, что транспортные средства с PFM, AFPFM и ODG-PF смогли избежать как статических препятствий, так и движущихся препятствий. Однако, когда мы увидели детали результатов моделирования для PFM и AFPFM, их движения были несколько нестабильными, так что транспортное средство двигалось зигзагообразно.

5. Эксперименты
5.1. Технические характеристики и настройка оборудования

На рисунке 14 показана конфигурация системы.


Используемый автомобиль представлял собой Unmanned Solution ™ ERP42v1 без тормозной системы. Его физические размеры составляли см. Датчик дальности представлял собой лазерную измерительную систему SICK ™ LMS200, которая могла определять расстояния до препятствий в диапазоне 90 ° с разрешением 0,5 °. Мы использовали Xsens ™ MTI-100 IMU для расчета угла рыскания системы с использованием алгоритма Мэджвика [27]. Во всех случаях угол рыскания начальной точки составлял 0 °. Для записи экспериментов использовалась USB-камера Hardkernel ™ USB-CAM 720P с разрешением 640 x 480 пикселей.ЦП ноутбука был Intel i5 (2 ядра, 4 потока, 2,67 ГГц) и 4 ГБ памяти. В качестве ОС использовалась Windows 7. Для реализации алгоритмов и отображения графиков использовались библиотеки Microsoft Visual C ++ и OpenCV. Все данные были записаны в режиме реального времени. На рисунке 15 показан снимок записанного видео. Поскольку мы реализовали все алгоритмы в одной программе для ПК, пользователь должен выбрать один из них перед запуском программы.


На рисунке показаны ① вид спереди с USB-камеры, ② данные графического датчика, ③ расчетные данные (в данном примере ODG-PF) и ④ используемые значения параметров.Таким образом, записанные видео можно использовать для анализа причины сбоя позже.

5.2. Экспериментальная среда на открытом воздухе

Эксперименты проводились в задней части Зала инноваций Корейского университета. Одно препятствие состояло из двухсантиметровых ящиков из пенополистирола. В основном положения препятствий и транспортного средства были такими же, как и в экспериментах по моделированию. Внешняя экспериментальная среда показана на рисунке 16.


5.3. Результаты экспериментов в статической среде

Траектория каждого эксперимента была рассчитана позже на основе сохраненных данных с использованием. Значение AFPFM изначально было установлено на 100, потому что мы использовали это значение в экспериментах в помещении.Для обычного PFM мы изначально использовали = 10 для экспериментов в помещении.

Рисунок 17 — траектории экспериментов. Временной интервал между маркерами на всех рисунках траекторий составляет 0,8 с. Скорость была установлена ​​постоянной, но в начале каждой навигации робот разгонялся с нулевой скорости. Время выборки IMU составляет 0,01 с, и он использовался в качестве эталонных часов.

Для случаев PFM с = 10 (Рисунок 17 (a)) и AFPFM с = 100 (Рисунок 17 (c)), транспортное средство столкнулось со вторым препятствием.

Как это произошло при моделировании, Рисунок 17 (a) показывает, что PFM не работал хорошо и сталкивался с препятствиями, когда был большим, и отклонялся от желаемого угла, когда был маленьким. Когда он был слишком мал, он отклонился от угла цели и столкнулся со вторым препятствием, когда = 10.

Автомобиль с FGM показал себя очень хорошо, когда необходимо было избегать препятствий в сложных условиях. В нескольких экспериментах столкновений не было, хотя траектория не была достигнута.

На рисунке 17 (c) показаны характеристики автомобиля с AFPFM. Когда было большим (= 100), транспортное средство столкнулось со вторым препятствием, что не имело тех же результатов, что и при моделировании, что указывает на то, что в динамической модели транспортного средства могла быть проблема. Более того, в конце эксперимента был пешеход с = 10.

ODG-PF показал лучшие результаты во всех случаях. Мы проводили одни и те же эксперименты несколько раз, и столкновений не было. Ему всегда удавалось избегать препятствий, как показано на Рисунке 17 (d).

Результаты экспериментов неизменно показывают, что ODG-PF эффективно и успешно обходил препятствия. Другие алгоритмы смогли избежать препятствий, но отклонения от исходного положения y были большими.

5.4. Результаты экспериментов в динамической среде

Как показано на рис. 13, мы выполнили три сценария уклонения от движущихся препятствий.

В сценариях 1 и 2 положения двух статических препятствий были такими же, как и для уклонения от статических препятствий, и мы провели эксперименты со всеми вышеупомянутыми алгоритмами.Экспериментальные результаты транспортных средств с PFM, AFPFM и FGM показывают, что их траектории не сильно отличались от траекторий для случаев статических препятствий, поскольку они находились далеко от движущегося препятствия. Как показано на рисунках 17–19, скорость мобильного робота была постоянной, за исключением начала каждого эксперимента, когда мобильный робот разгонялся с нулевой скорости до заданной скорости. Мы модернизируем ODG-PF, чтобы учесть ускорение мобильного робота в будущей работе.

В сценарии 3 мы проанализировали все алгоритмы, используя различные статические положения препятствий и сценарии.

На рисунке 18 показаны некоторые изображения из эксперимента Сценария 1 и траектория. Как при моделировании, так и в экспериментах скорость транспортного средства составляла 0,8 м / с.

Рисунок 19 показывает некоторые изображения экспериментов и траекторию для Сценария 2. Мы видим, что они также согласились с результатами моделирования, показанными на Рисунке 13 (b).

Как и в сценариях 1 и 2, мы провели эксперименты с транспортным средством и всеми вышеупомянутыми алгоритмами для перемещения препятствия в сценарии 3.Как показано на Рисунке 13 (b), весь алгоритм, за исключением FGM, успешно избегал как статических, так и движущихся препятствий при моделировании. Этот сценарий является суровым, потому что в конце экспериментов зазор между статическим препятствием и движущимся препятствием был лишь немного шире, чем ширина транспортного средства. При моделировании мы отметили, что все алгоритмы успешно преодолели разрыв, когда он был относительно большим. Мы сократили разрыв в симуляциях до такой степени, что один из них начал двигаться по-другому.На Рисунке 13 (b) транспортное средство с FGM подошло к максимальному зазору, который находился слева от транспортного средства, когда оно начало движение. Мы также проводили эксперименты с большим разрывом, при котором все алгоритмы работали хорошо.

На рисунке 20 показаны некоторые изображения и траектории экспериментов по сценарию 3. В результатах, отличных от моделирования, только ODG-PF успешно прошел через промежуток между статическими препятствиями и движущимися препятствиями. Причины успеха и неудачи обсуждаются позже.

Для PFM и AFPFM направление определяется значением арктангенса полного вектора поля. Как описано в (1), полное поле представляет собой сумму поля притяжения и поля отталкивания. Отталкивающее поле становится больше, когда расстояние до препятствий становится меньше. В определенный момент поле отталкивания начинает подавлять поле притяжения, и значение арктангенса направляет автомобиль назад. Мы проанализировали причину сбоя, которая объясняется в следующем разделе.Мобильный робот не смог резко изменить направление, что привело к столкновению.

Тем не менее, автомобиль успешно избегал статических и движущихся препятствий с ODG-PF. Гауссово отталкивающее поле ODG-PF эффективно описывает препятствия и не пропускает их.

На рис. 20 (d) показаны траектории транспортного средства с использованием различных алгоритмов обхода препятствий. Помимо случая ODG-PF, экспериментальные результаты не совпадали с результатами моделирования, и поэтому мы думаем, что в модели транспортного средства, использованной в моделировании, могли быть некоторые ошибки.

Экспериментальная траектория FGM отличалась от траектории моделирования, что, как мы думаем, связано с моделью транспортного средства. Как и в результате моделирования, показанном на рисунке 13 (b), FGM пыталась следовать максимальному зазору.

5.5. Оценка и обсуждение

Чтобы оценить результаты различных алгоритмов, мы должны рассмотреть, столкнулся ли автомобиль с каждым алгоритмом с какими-либо препятствиями или нет. Если транспортное средство с определенным алгоритмом не столкнулось с какими-либо препятствиями, мы должны оценить алгоритм по некоторым критериям.При рассмотрении эффективности (изображенной на рисунке 21) максимальное отклонение от начальной направляющей линии может быть хорошим критерием.


Таблица 1 содержит результаты коллизий и максимальное отклонение от начальной строки для каждого алгоритма. Избегать препятствий важнее эффективности, потому что это вопрос безопасности. Эффективность имеет значение только в том случае, если нет столкновений с препятствиями.

9004 9004 9045 9004 904 9045 9045 9045
904 9045 906 в таблице 1 ODG-PF избегал препятствий с выдающейся эффективностью, а AFPFM был более эффективным, чем обычный PFM.

Эксперименты с движущимися препятствиями показывают, что только ODG-PF успешно избежал движущихся препятствий во всех трех сценариях.Экспериментальные результаты сценария 3 показывают, что в сложной ситуации только ODG-PF успешно избежал статических и движущихся препятствий.

Анализ отказов показывает, почему другие методы не могли избежать препятствий, и для каждого из них были разные причины. В PFM и AFPFM полное поле представляет собой векторную сумму поля отталкивания и поля притяжения. Направление вектора (рекомендуемый угол транспортного средства с помощью PFM или AFPFM) вычисляется с использованием арктангенса вектора. Как показано на рисунке 22, если поле притяжения недостаточно велико, чтобы толкать поле отталкивания, направление векторной суммы будет в задней части транспортного средства.Проблема в том, что использование большого поля притяжения не является решением, поскольку поле отталкивания обратно пропорционально расстояниям до препятствий. Кроме того, у транспортных средств есть некоторые физические ограничения, такие как радиусы поворота, максимальные углы поворота колес и размеры кузова. Мы не можем резко изменить направление движения автомобиля назад. Поскольку скорость поворота ограничена, повороты, пытающиеся избежать препятствия, часто могут привести к более опасным позициям.


Как показано на рисунке 23, угол направляющей в FGM рассчитывается, как в (4).Недостатком этого расчета является то, что направление угла направляющей может быть направлено к препятствию, когда он находится между максимальным углом зазора и целевым углом, поскольку угол направляющей является средневзвешенным из двух углов.


6. Выводы

В этой статье мы представляем новый метод обхода препятствий, ODG-PF, который позволяет избегать препятствий очень эффективно и безопасно. Хотя AFPFM является усовершенствованием, позволяющим избежать проблемы локальных минимумов, его коэффициент привлекательного поля следует регулировать при изменении окружающей среды.Как и в случае с обычным PFM, когда транспортное средство находится в узком пространстве, отталкивающее поле становится сильным; таким образом, значение должно быть большим. В противном случае робот застрянет на локальном минимуме или пойдет к цели очень неэффективно.

Моделирование и эксперименты показали, что движение транспортных средств с ODG-PF было очень стабильным. Кажется, что это стабильное движение происходит по двум причинам. Одна из причин заключается в том, что он сначала обнаруживает и определяет препятствия, а не напрямую вычисляет отталкивающее поле из данных о расстоянии, а другая заключается в том, что он находит угол с минимальными значениями из функции полного поля.Таким образом, ODG-PF не имеет проблемы с локальными минимумами, которая заставляет транспортное средство застревать в определенных точках.

Еще одним достоинством ODG-PF является то, что он избегает статических и движущихся препятствий без каких-либо регулировок. В выполненных сценариях движущихся препятствий использовавшееся транспортное средство не столкнулось ни с какими статическими или движущимися препятствиями, а вместо этого уклонилось от них, используя тот же метод. Это также неплохой момент, поскольку не нужно выполнять какие-либо трудоемкие действия, такие как обработка изображений или обработка компьютерного зрения.ODG-PF может быть легко имплантирован в систему реального времени, потому что накладные расходы при его расчетах относительно невелики.

Доступность данных

Читатели могут получить доступ к данным через домашнюю страницу: http://cml.korea.ac.kr.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.

Благодарности

Эта работа была поддержана Программой фундаментальных научных исследований через Национальный исследовательский фонд Кореи (NRF), финансируемой Министерством образования (NRF-2016R1D1A1B01016071 и NRF-2016R1D1A1B 03936281), а также частично Brain Korea 21 Plus Project в 2018 году.

Прогнозируемый объезд препятствий. Слева: без голов, Справа: с голом на …

Контекст 1

… (t — 1) · x 2 0 1 0 0 o (t — 2) · x 2 Проблема заключается в нахождении матрица K. Мы используем метод оценки движения, предложенный Тао 14, используя фактическое местоположение l o (t) объекта o в момент времени t и h самых последних временных меток, чтобы решить S · k l (t) = l. Чтобы найти решение этого уравнения, нам нужно найти обратное к S, Тао предложил декомпозицию сингулярного значения (SVD), но в нашей работе мы также пробовали другие более быстрые итерационные методы, такие как градиентное сопряжение, подходящее для больших ретроспективных исследований f.В нашем голономном моделировании мы протестировали различные типы движений, такие как линейные, полиномиальные и круговые. В этих случаях ретроспектива f = 5 точно представляла движение, указанное Дао. Однако, когда мы добавляем немного шума к входным данным, результаты резко меняются. На рис. 2 функция движения синусоиды предсказана с использованием f = 5, и предсказание почти идеальное. На рис. 3 мы добавляем шум к той же синусоиде, и в этом случае предсказатель не может точно оценить поведение движения, и предсказание будет менее точным.Если время вычислений не является проблемой, одним из способов решения этой проблемы является увеличение значения ретроспективы f, это снижает влияние шума, на рис.4 мы используем для тех же зашумленных данных ретроспективу f = 40, этот прогноз менее гладкий, но более точный, чем случай с небольшой ретроспективой. Кроме того, в нашем моделировании Webots мы реализовали фильтр Калмана, который значительно снижает влияние шума при прогнозировании. С точки зрения вычислительного времени, приращение ретроспективы дает большее S, и время вычисления SVD увеличивается.Для ретроспективы f = 100 наша реализация предсказателя в процессоре Core 2 Duo заняла 8 мс, в то время как большая ретроспектива f = 100 заняла 30 мс. Для отслеживания и прогнозирования одного объекта это может не быть проблемой, но для нескольких объектов это может быть чрезмерно высоким. Альтернативой является решение обратной функции S с использованием итеративного метода, такого как сопряженный градиент, и остановка на n итерациях, это дает оценку обратной, но время вычислений уменьшается с аналогичными результатами, для ретроспективы f = 100 время для расчета сопряженный градиент составлял 8 мс.Генерация векторных ссылок для робота основана на потенциальных поверхностях. Основные потенциальные функции препятствий, целей и стен описаны в работе Эстевеса. 11 В качестве препятствий мы используем Гауссовские холмы, которые имеют ограниченный диапазон действия и непрерывный градиент. Для целей используются конические аттракторы, обеспечивающие постоянное радиальное движение. Стены считаются препятствиями, и они имеют потенциальную поверхность того же типа с максимумом в положении стенки и гауссовым затуханием в направлении, перпендикулярном стене.В нашем методе прогнозируемый путь препятствий создает отталкивающее потенциальное поле. Дан прогноз P (t) размерности d × P h для объекта o, где d — размерность пространства, а P h — горизонт прогнозирования. Гауссовское потенциальное поле с σ x и σ y в соответствии с размером объекта o создается для каждого P (t) ∀ t ∈ [t, tP h]. Индивидуальный вклад каждой гауссовой поверхности в каждую P (t) суммируется с последовательными поверхностями, это создает гауссовский потенциальный путь вдоль прогнозируемого маршрута объекта o.Кроме того, аналогичный подход используется, чтобы избежать проблемы локальных минимумов, гауссов путь вдоль недавних исторических позиций робота способствует непрерывному движению робота к цели. На рис. 5 быстро движущееся препятствие (красный цвет) движется по курсу столкновения с более медленным роботом (синий), на рис. 6 одно препятствие движется по пути робота, а другое — перпендикулярно. Прогнозируемое положение препятствий и сгенерированные поля позволяют роботу предотвратить столкновение, когда те же самые тесты, которые выполнялись без прогнозирования, всегда происходили.Однако успех предлагаемого метода зависит от нескольких факторов: горизонта обучения, ретроспективы, горизонта прогнозирования и, наконец, веса и размера потенциального пути. Оптимальный P h в этом методе является открытым вопросом, поскольку он зависит как от относительной скорости между роботом и препятствием, так и от относительного направления движения, которое нелегко определить, поскольку движения не всегда линейны. Большое значение P h может увеличить время доступности для успешного обхода препятствия, но длинный прогнозируемый путь повлияет на большую область рабочего пространства, которая может не иметь значения, а также увеличит неопределенность прогноза в будущем.Из наших тестов мы пришли к выводу, что можно безопасно установить P h равным значению H. Размер и вес гауссовского потенциального пути P GP может изменить результат, даже если прогноз точен. Если площадь по Гауссу и вес слишком мал, робот не избежит препятствия вовремя, в отличие от этого, большая область воздействия оттолкнет любого робота на обширной территории, которая в действительности может быть безопасной. Хорошее значение для размера P GP — это ширина, равная максимальной ширине препятствия. Наконец, если одно препятствие внезапно меняет направление, прогноз с использованием RM F не удастся и будет очень нестабильным, пока не будут проиндексированы H выборок нового типа движения.А пока необходимо определить момент резкого изменения схемы движения и отключить предсказатель. Предыдущие методы навигации с использованием потенциальных полей обычно предполагали статические препятствия или медленно движущиеся препятствия. В нашей статье представлено реактивное решение с использованием зон гауссова отталкивания на основе прогнозируемых положений препятствий для обеспечения траекторий без столкновений в сценариях с быстро движущимися препятствиями. Мы считаем, что этот метод обеспечивает более безопасный планировщик реакции, чем другие методы, и открывает множество возможностей для будущих исследований влияния вариаций параметров на обеспечение безопасности и цели…

Избегание препятствий — Robolink Basecamp

Для этого занятия вам потребуются оба передних ИК-датчика. На этот раз, вместо того, чтобы останавливаться и ждать, пока препятствие будет устранено, вы скажете Зуми повернуть немного влево или вправо, чтобы обойти, в зависимости от того, какой датчик срабатывает.

Инициализировать заголовок

В начале программы установите заголовок на 0. Вы можете создать переменную с другим именем, например, угол или направление, но в этом примере мы будем использовать заголовок.Причина, по которой вы будете использовать переменную, заключается в том, что ваше направление будет постоянно меняться в зависимости от того, какие препятствия встречаются на пути Зуми!

 заголовок = 0 

Для всех наших программ очень важно установить нулевое значение заголовка, чтобы убедиться, что вы начинаете двигаться прямо!

Изменить заголовок

Для этой миссии ваша цель — повернуть немного влево, если срабатывает ваш правый датчик, и немного вправо, если срабатывает ваш левый датчик. Если срабатывают оба датчика, что-то прямо впереди! Зуми нужно будет сделать полный 180, чтобы избежать тупика.Вместо вызова turn_left () или turn_right () вы дадите указание Zumi изменить направление, добавляя или вычитая градусы. Например:

, если front_right_ir <100:
заголовок = заголовок + 30 

Поскольку срабатывание правого датчика означает, что мы идем на влево на , вам нужно прибавить градусов, а не вычесть. Вернитесь к урокам гироскопов, если вам нужна помощь в запоминании абсолютных углов.

Псевдокод

 установить курс на ноль
проверить ИК-датчики
если срабатывает передний правый датчик, измените направление на положительный градус, чтобы повернуть налево
в противном случае, если срабатывает передний левый датчик, измените направление на отрицательный градус, чтобы двигаться вправо
иначе, если оба датчика срабатывают, остановитесь, немного измените направление и измените курс на 180 (положительный или отрицательный)
продолжай прямо с новым заголовком
повторение!
 

Логические операторы

Прежде чем приступить к написанию кода, обратите внимание, что третий оператор if проверяет, запускаются ли оба.В Python вы должны использовать операторы и , как и в английском языке!

, если front_right_ir <100 и front_left_ir <100:
# Введите здесь код для остановки, реверса и изменения направления на 180 

В []:

 # Напишите здесь свой код!

заголовок = 0
zumi.reset_gyro ()

для x в диапазоне (1000):
    # Заявления

zumi.stop () 

control - Избегание препятствий при навигации

Мне нужны идеи для стратегий или алгоритмов, которые можно применить к этим стратегиям, чтобы избежать препятствий во время навигации.

В данный момент я занимаюсь автономным планированием пути и объездом известных препятствий с помощью сетки занятости. И запускаем алгоритм A * над созданной матрицей. После этого мой робот следует по получившейся траектории. Это делается путем разделения всей траектории на подпути. Робот корректирует направление движения к новой цели и следует по прямой. Робот управляется контроллером с нечеткой логикой, который корректирует отклонения от идеальной линии (рулевого управления) и регулирует скорость в соответствии с действием рулевого управления и расстоянием до цели.Все идет нормально. И это работает очень хорошо.

В качестве сенсорной системы я использую исключительно Google Project Tango (отслеживание движения и изучение области для правильного следования по пути). Теперь я хочу использовать возможности устройства по восприятию глубины. Получение соответствующей информации о глубине и выявление возможных препятствий осуществляется с помощью довольно простой стратегии. Робот анализирует информацию о глубине перед роботом, и если какой-либо объект находится между роботом и целевой точкой вспомогательного пути, препятствие должно быть там.

Теперь мне интересно, как наиболее эффективно обойти это препятствие. Робот знает только высоту и ширину препятствия, но не имеет представления о глубине (сканируется только передняя часть препятствия). Заполнение сетки присутствия этим новым препятствием и повторный запуск алгоритма A * неэффективны из-за недостающей глубины. Одна из возможных стратегий, которую я мог себе представить, - это оценить глубину ячейки сетки, перепланировать и продолжить навигацию. Если робот снова сталкивается с тем же препятствием, глубина увеличивается на размер одной дополнительной длины ячейки сетки.Но я считаю, что это крайне неэффективно.

Требуется использовать только Google Project Tango и никаких дополнительных датчиков, таких как ультразвуковые, для определения сторон.

Обновление 1

Первое изображение иллюстрирует заданную траекторию из планирования пути (оранжевый). Серые и синие точки данных - это обнаруженные препятствия перед роботом. Вырез за синим препятствием на самом деле является стеной, но он затенен синим препятствием. Изображение 2 показывает ту же сцену только с другой точки зрения.

Проблема, которую я должен решить, заключается в том, как оптимально обойти синее препятствие, даже если я не знаю, насколько оно глубоко. Движение влево и вправо только для захвата точных данных (для создания 3D-модели) невозможно.

Обновление 2 Да, я использую датчик глубины, встроенный в Google Project Tango. Это визуальное измерение. Инфракрасный лазер направляет сетку на объекты, а камера RGB-IR фиксирует эту информацию и оценивает соответствующую информацию о глубине.

Сенсомоторная модель избегания препятствий у эхолокационных летучих мышей

Образец цитирования: Vanderelst D, Holderied MW, Peremans H (2015) Сенсомоторная модель избегания препятствий у эхолокационных летучих мышей. PLoS Comput Biol 11 (10): e1004484. https://doi.org/10.1371/journal.pcbi.1004484

Редактор: Йоси Йовель, ИЗРАИЛЬ

Поступила: 21.11.2014; Одобрена: 31 июля 2015 г .; Опубликовано: 26 октября 2015 г.

Авторские права: © 2015 Vanderelst et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника

Доступность данных: Все данные доступны из репозиторий данных Zenodo: http://dx.doi.org/10.5281/zenodo.31120

Финансирование: DV финансировался за счет постдокторского гранта Фламандского фонда научных исследований и стипендии Марии Кюри IEF.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Ринолофиды - это эхолокационные летучие мыши, специализирующиеся на охоте на воздушную добычу среди растительности с использованием эхолокации. Чтобы справиться с отраженным эхом, возвращающимся от растительности, они используют уникальную сенсорную стратегию обнаружения добычи.Они излучают длинные узкополосные импульсы и отслеживают сдвиги частоты и амплитуды, так называемые блики, в эхо-сигналах, вызванных трепетанием добычи [1]. Эхо от неподвижных препятствий не содержит этих бликов и не мешает обнаружению и локализации добычи [2].

В то время как сенсорная адаптация Rhinolophidae для обнаружения добычи была тщательно исследована (см. [1] для обзора), сигналы, поддерживающие способность этих летучих мышей ориентироваться и ориентироваться в загроможденной окружающей среде, получили гораздо меньше внимания.Тем не менее, их способность перемещаться по небольшим пространствам [3–6] и хорошо изученный эхолокационный аппарат [1, 7] делают их интересным таксоном для изучения того, как эхолокационные летучие мыши избегают препятствий в естественной среде обитания. В самом деле, как утверждается в ходе обсуждения, понимание сигналов, которые используют Rhinolophidae для преодоления пространства, потенциально может дать информацию о том, как другие летучие мыши, использующие частотно-модулированные импульсы, также могут избегать препятствий.

Похоже, что Rhinolophidae, использующие длинные узкополосные сигналы, не обладают ни шириной полосы, ни временным разрешением, доступными летучим мышам, использующим короткие широкополосные сигналы.Действительно, летучие мыши, использующие широкополосные сигналы, обычно сокращают свои звонки (обычно на 1–3 мс [8]) и увеличивают полосу пропускания при перемещении в загроможденное пространство [8]. Ринолофиды, напротив, преодолевают загроможденное пространство, используя гораздо более длинные (около 10–50 мс) и узкополосные сигналы, которые кажутся не особенно подходящими для избегания препятствий. В самом деле, хотя Rhinolophidae также сокращают свои звонки и увеличивают полосу пропускания при перемещении в загроможденное пространство [9, 10], их звонки остаются более длинными и более ограниченной полосой пропускания, чем у FM-летучих мышей при тех же условиях.

Было высказано предположение, что характерные циклические движения ушной раковины, демонстрируемые Rhinolophidae [11, 12], компенсируют отсутствие пространственных сигналов, доступных летучим мышам, полагающимся на широкополосные сигналы. Mogdans et al. [3] провели поведенческие эксперименты, чтобы конкретно проверить роль этих движений ушей в уклонении от препятствий, основываясь на различиях в интерауральной интенсивности (IID). Гипотеза [3, 10] о том, что движущиеся уши генерируют изменяющиеся IID, кодирующие положение отражателя как в горизонтальной, так и в вертикальной плоскости, была обнаружена этими авторами как согласующаяся с результатами их экспериментов по уклонению от проводов и выдвинута в качестве возможного объяснение способности летучих мышей избегать препятствий.С тех пор имитационные исследования и эксперименты с роботами подтвердили, что эти движения ушей действительно обеспечивают различные сигналы локализации, которые позволят локализовать отдельные отражатели, такие как предметы добычи [13-15]. Однако естественная среда, с которой встречаются летучие мыши, обычно состоит из объектов, которые состоят из множества стохастических отражателей, возвращающих множество перекрывающихся эхосигналов [16]. Следовательно, для трехмерной локализации отражателей, например Основываясь на типичных паттернах IID, вызванных движением ушей, чтобы считаться правдоподобным механизмом, лежащим в основе способности летучих мышей избегать препятствий, сначала необходимо доказать, что такая возможность локализации является устойчивой в присутствии нескольких перекрывающихся эхо-сигналов.Следовательно, хотя было показано, что движения ушной раковины играют важную роль в избегании препятствий [3], все еще не ясно, какую информацию Rhinolophidae извлекают из таких перемещений ушной раковины, чтобы позволить им избегать естественных (и сложных) препятствий.

Чтобы дополнить поведенческие эксперименты, мы используем синтетическую методологию, то есть понимание природных систем путем строительства артефактов [17–19], компьютерное моделирование, в данном случае, для изучения поведения летучих мышей в избегании препятствий. В частности, мы предлагаем сенсомоторную систему, которая не полагается на летучую мышь, реконструирующую трехмерное пространственное расположение отражателей по эхо-сигналам, а вместо этого полагается на динамику взаимодействия летучей мыши с препятствием, чтобы в результате можно было уклоняться от препятствия.Аналогичный подход используется в исх. [20] для ловли добычи при эхолокации летучих мышей, предполагая, что присутствует только одна отражающая цель, вызывающая уникальное изолированное эхо. Это предположение оправдано в случае ловли добычи, так как летучая мышь может выбрать охоту вдали от беспорядка [8] или принять активные меры для отделения эхо-сигналов от объекта добычи на переднем плане от отраженных на заднем фоне (например, [21, 22] ). Напротив, реалистичные препятствия, например листва и / или искусственные структуры всегда будут вызывать множественные перекрывающиеся эхо-сигналы [16].

Предлагаемая нами сенсомоторная система намеренно сделана максимально простой. Он использует IID и временную задержку появления первого эхо-сигнала в сочетании с чередующимися движениями ушной раковины для направления летучей мыши. В частности, он обрабатывает только первую миллисекунду эхо-последовательности. Кроме того, нет необходимости сегментировать эхо-сигналы правого и левого уха на составляющие от отдельных отражателей, как это требуется при любом подходе, который восстанавливает пространственное расположение окружающей летучей мыши.Хотя подходы, которые пытаются реконструировать пространственное расположение окружающей среды в первую очередь как необходимое условие для избегания препятствий [23, 24], в случае успеха, очевидно, достаточны для объяснения такого поведения, мы стремимся показать с помощью предлагаемой сенсомоторной системы, что такая возможность реконструкции не является обязательным условием. Основное преимущество предложенного механизма обхода препятствий состоит в том, что из-за его простоты, а также его зависимости только от первой миллисекунды эхо-последовательности он может очень быстро реагировать на соответствующую информацию, содержащуюся в очень сложном эхо-сигнале, состоящем из множества перекрывающихся друг друга. эхо.Это позволяет системе надлежащим образом реагировать в условиях жесткого реального времени независимо от сложности окружающей среды.

В этой статье мы сначала представляем среду, используемую для имитации эха, полученного летучей мышью, движущейся через реалистичные загроможденные пространства. Затем мы предлагаем сенсомоторную систему, которая позволяет избегать препятствий, извлекая задержку эхо-сигнала и информацию IID от начала первого эхо-сигнала в сочетании с чередующимися движениями ушной раковины. Наконец, мы тестируем производительность сенсомоторной системы в смоделированных 2D и 3D средах, показывая, что, несмотря на свою простоту, система может избегать препятствий в сложной среде без необходимости реконструировать трехмерное пространственное расположение присутствующих отражателей.

Методы

Окружающая среда

Мы протестировали предложенную сенсомоторную систему как в искусственно созданной среде, так и в среде, полученной с помощью трехмерного лазерного сканирования реальных мест обитания летучих мышей. Ниже мы обсудим создание обоих типов тестовых сред.

Искусственные среды.

Сенсомоторная система была протестирована как в 2D, так и в 3D искусственных средах. Сначала мы тестируем предлагаемый контроллер в 2D-средах в дополнение к использованию более реалистичных 3D-сред по следующим причинам.

С тех пор, как они были впервые предложены первыми исследователями летучих мышей (см. [25, 26], где приведены ранние ссылки), многие тесты на избежание препятствий с летучими мышами проводились путем их пролетания через ряд вертикальных или горизонтальных проводов, например [3, 25, 27, 28]. Количество проводов, которых коснулись летучие мыши, является мерой их способности избегать препятствий. Эти эксперименты по существу проверяют избегание препятствий летучими мышами в двух измерениях, позволяя оценивать уклонение от препятствий отдельно по горизонтали и вертикали.Например, Mogdans et al. [3] провел летучих мышей R. ferrumequinum через ряд проводов, расположенных на расстоянии 15 см друг от друга, до и после затруднения их типичных движений ушей. Эти авторы обнаружили, что отключение движений ушей привело к увеличению количества горизонтальных проводов, к которым прикасаются летучие мыши. В то же время на уклонение от вертикальных проводов не повлияла фиксация ушей. Включение двумерной искусственной среды позволяет нам соответствовать экспериментальным условиям Mogdans et al.[3].

Кроме того, поведение сенсомоторной системы в 2D-среде легче визуализировать и анализировать, чем в 3D-случае. Следовательно, двухмерное моделирование позволяет более наглядно продемонстрировать поведение контроллера.

Наконец, важны горизонтальные двухмерные среды, поскольку многие реальные среды, с которыми встречаются летучие мыши, порождают по существу двумерные проблемы уклонения от препятствий, то есть маневры уклонения могут выполняться в плоскости. Следуя по коридорам полета или путешествуя среди деревьев, летучие мыши обычно могут поддерживать фиксированную высоту, избегая препятствий.Таким образом, горизонтальный анализ представляет собой ситуацию, с которой обычно сталкиваются летучие мыши.

Одним из ограничений 2D-моделирования является то, что все отражатели располагались в плоскости полета. В действительности, даже если летучая мышь движется в самолете, эхо-сигналы сверху и снизу самолета также будут мешать обработке эхо-сигналов от самолета. Эти эхо-сигналы не моделировались в 2D-среде. Тем не менее, они были смоделированы во всем, включая сканированные с помощью лазера трехмерные среды, обсуждаемые ниже.

Регулярно расположенные искусственные среды

Mogdans et al. [3] протестировали способность уклоняться от препятствий для R. ferrumequinum , пропустив его через один ряд горизонтальных или вертикальных проводов, разнесенных на 15 друг от друга. Чтобы имитировать эти экспериментальные настройки, мы сгенерировали двумерный массив равномерно расположенных точечных отражателей на диске радиусом 5 м (примеры см. На рис. 4). Отражатели располагались на гексагональной сетке на расстоянии 15 см друг от друга. Сила цели для точечных отражателей была установлена ​​на -66 дБ, что соответствует диаметру проволоки 0.16 мм, как указано в исх. [29]. Мы создали как вертикальную, так и горизонтальную версии регулярно расположенных препятствий, проверяя способность контроллера избегать горизонтальных и вертикальных проводов соответственно.

На самом деле, R. rouxii не был бы способен к продолжительному полету в среде с таким плотным распределением проводов, поскольку летучая мышь должна была бы держать свои крылья сложенными, чтобы проходить через них. По этой причине в реальных поведенческих экспериментах зона препятствий обычно ограничивается одним или несколькими рядами проводов.Однако, игнорируя нереалистичные аэродинамические требования, смоделированный здесь плотный массив проводов позволяет нам эффективно оценивать эффективность предложенной стратегии обхода препятствий при работе с расстояниями между проводами, используемыми в поведенческих экспериментах Mogdans et al. [3].

Неоднородные искусственные среды

Неоднородная загроможденная среда, в которой обычно живут Rhinolophidae, была смоделирована как большое количество точечных отражателей, размещенных в объеме либо сферы (3D, см. Рис. 6), либо поверхности диска (2D, см. Рис. 5).Заполнение сферы или диска отражателями производилось в два этапа. Сначала случайным образом было выбрано несколько центральных точек (равномерное распределение). Затем для каждой центральной точки был сгенерирован кластер отражателей путем рисования местоположений из трехмерного или двумерного нормального распределения, ковариационная матрица которого была рандомизирована [30]. Этот двухэтапный процесс привел к образованию точечных отражателей, которые были сгруппированы в пространстве (см. Примеры на рисунках 5 и 6). Генерация сред контролировалась рядом параметров, перечисленных в таблице 1.

Окружающая среда с наклонным тором

Последняя искусственная среда, в которой был протестирован контроллер, состояла из тора, покрытого отражателями. Наибольший диаметр тора составлял 10 метров. Малый диаметр составлял 2 метра. Тор был наклонен на 45 градусов (см. Рис. 7c). Это заставляет контроллер контролировать высоту и азимут для отслеживания тора. Следовательно, эта среда проверяет способность контроллера следовать по коридору как по высоте, так и по азимуту.

Тор был облицован отражателями, расположенными на расстоянии примерно 10 см друг от друга.Сила цели отражателей s i была установлена ​​случайным образом изменяться в интервале от -46 до -34 дБ. Это соответствует -40 дБ, приблизительной силе цели для сферы диаметром 5 см [31], плюс-минус 6 дБ.

Среда, сканированная лазером

В дополнение к равномерно разнесенной и неоднородной искусственной среде мы также протестировали сенсомоторную систему с использованием массивов точечных отражателей, которые были получены на основе трехмерного лазерного сканирования двух реальных мест обитания летучих мышей.

Два места обитания летучих мышей, участок елового леса и коридор в лесу, были сканированы с помощью панорамного лазерного сканера IMAGER 5003 (Zoller + Fröhlich). Эта система имеет максимальную дальность 53 м и поле обзора 360 градусов. Сканер работал в режиме высокого разрешения, что дало 125 см 3 вокселей (то есть вокселей 5 × 5 × 5 см). Чтобы получить достаточно данных для восстановления полной модели обеих сред, отдельные сканы с разных позиций были объединены в зависимости от плотности деревьев и заграждений из коридоров полета летучих мышей [32].Отсканированный объем для елового леса имел размеры 20 × 20 м и высоту 12 м (39 миллионов 125 см 3 вокселей). Полетный коридор имел длину 20 м и ширину около 2 м. Коридор был окружен рядами растений шириной около 5 метров. Объем содержал 80 миллионов 125 см ( 3 вокселов). Из-за ограничений памяти компьютера данные для обеих сред были сглажены и субдискретизированы с разрешением 3375 см 3 (то есть вокселы 15 × 15 × 15 см). Затем координаты x, y и z занятых вокселей были извлечены и использованы в качестве набора точечных отражателей для тестирования алгоритма таким же образом, как и для искусственно созданных облаков точек.

Важно отметить, что при сканировании мест обитания с помощью лазерного сканера только внешние поверхности структур, таких как деревья, приводят к заполнению вокселей. Более того, могут быть обнаружены только поверхности, ориентированные в сторону сканера. Внутренняя и обратная сторона структур не видны сканеру. Следовательно, все используемые здесь воксели могут подвергаться звуку.

Следует отметить, что редко размещенные точечные отражатели являются лишь приблизительным отображением больших геометрических тел, таких как стволы деревьев. Ожидается, что они будут различаться по силе цели, пропорции геометрического затухания (поскольку отраженная волна не является сферической [33]) и количеством отражений, которые вносят вклад в первые 1 мс последовательности эхо-сигналов.Тем не менее Yovel et al. [34] продемонстрировали, что спектры мощности различных типов растений могут быть хорошо согласованы с облаками точек со средним расстоянием от 16 до 20 см (таблица 1 в ссылке [34]). Следовательно, хотя редко размещенные точечные отражатели не являются реалистичными акустическими представлениями больших геометрических тел, данные свидетельствуют о том, что они, по крайней мере, репрезентативны для лиственной растительности

Расчет силы эха

Интенсивность эха, возвращающегося от каждого точечного отражателя и , была рассчитана для каждого вызова.Интенсивность g i (в дБ) эхо-сигнала, полученного от рефлектора i , определяется уравнением сонара [31], (1)

В уравнении (1) g bat - это интенсивность крика на расстоянии 10 см от рта, в данном документе принимаемая равной 120 дБ spl [9]. Параметры r i , a f , d ϕ i , p , s i от 9016 до2 900 отражатель i , атмосферное поглощение на частоте f [35], направленная чувствительность d ϕ i , p гидролокатора летучей мыши на угол ϕ i и положение ушной раковины p (см. Ниже), а также мощность эхо-сигнала s i отражателя соответственно.Саймон и др. [36] озвучивали листья для диапазона углов обзора и обнаружили, что сила отражателя варьируется от –30 дБ до –6 дБ. Следовательно, вариации в зависимости силы отражателя от аспекта s i были смоделированы путем случайного выбора силы отражателя из равномерного распределения в этом интервале для каждого вызова.

Как указано выше, для равномерно расположенных искусственных сред, имитирующих испытания на избегание проводов, проведенные Могдансом и др. [3], сила отражателя s i была зафиксирована на уровне −66 дБ, что соответствует целевой прочности провода с диаметр 0.16 мм [29]. В среде тора сила отражателя выбиралась случайным образом из диапазона от -46 до -34 дБ. Это соответствует -40 дБ, приблизительной силе цели для сферы диаметром 5 см [31], плюс-минус 6 дБ.

В уравнении (1) c ϕ i обозначает дополнительное ослабление, отражающее изменения чувствительности улитки для разных частот. Улитка Rhinolophidae сильно настроена на видоспецифичную постоянную частотную составляющую звука (см. Обзор [1]).Во время полета эти летучие мыши компенсируют доплеровский сдвиг отраженных эхосигналов за счет снижения частоты излучения. При этом они эффективно гарантируют, что эхо-сигналы возвращаются с частотой, очень близкой к частоте, на которую настроена их улитка, то есть опорной частоте. Однако доплеровский сдвиг Δ f ϕ i эхосигнала зависит от направления ϕ i рефлектора i следующим образом: (2)

Нам не удалось найти данные о скорости полета для R.Рудник . Однако сообщалось, что летучие мыши весом около 10 граммов передвигаются со скоростью 6 мс -1 [37, 38]. Поэтому мы смоделировали максимальную скорость R. rouxii как v bat = 6 мс −1 . R. ferrumequinum способен резко снизить скорость полета при приближении к препятствию. Олдридж [4] сообщает о скорости полета около 0,3 мс -1 при максимальной скорости поворота для R. ferrumequinum .Более того, эта летучая мышь начинает снижать скорость примерно за 5 метров до приземления [9]. Следовательно, мы моделируем скорость полета R. rouxii как 0,3 мс −1 и 6 мс −1 на расстоянии 0 и 5 метров (и более) от ближайшего препятствия соответственно (см. Рис. 1a). Мы выполняем линейную интерполяцию между этими точками. Обратите внимание, что это означает, что смоделированная скорость полета в искусственных средах с регулярным интервалом (см. Ниже), где препятствия расположены на расстоянии 15 см друг от друга, составляет максимум около 0.47 мс −1 .

Рис. 1.

(а) Зависимость моделируемой скорости полета от расстояния до ближайшего препятствия. См. Текст для мотивации этой кривой. (b) Затухание как функция подшипника отражателя. Здесь предполагается, что V bat = 6 мс -1 . Neuweiler [7] сообщает об изменении порога обнаружения в зависимости от разницы между частотой эхо-сигнала и опорной частотой для трех отдельных R.Ломоносовский . Кривая, изображенная на этом рисунке, была получена путем усреднения по трем людям и использовалась для моделирования влияния различных доплеровских сдвигов на усиление эхо-сигнала, то есть c ϕ i в уравнении (1 ). (c) Зависимость моделируемой угловой скорости от скорости. См. Текст для мотивации этой кривой. Построенные данные были взяты из работы Джонса и Райнера [6].

https://doi.org/10.1371/journal.pcbi.1004484.g001

Детали того, как Rhinolophidae снижают свою частоту излучения, когда сталкиваются с несколькими отражателями с разными доплеровскими сдвигами, остаются неизвестными. Эксперименты с использованием маскирующих тонов [39] предполагают, что летучие мыши снижают частоту своего излучения так, чтобы частота максимально смещенного доплеровского эха была близка к опорной частоте (то есть частоте, к которой они максимально чувствительны). Однако показываемая компенсация зависит также от интенсивности и задержки эхо-сигналов, а также от постоянной времени контура обратной связи [39, 40].В качестве приближения первого порядка мы предположили, что синтетическая летучая мышь снижает частоту излучения примерно на 2,6 кГц, чтобы компенсировать доплеровский сдвиг для отражателей с заголовком ϕ = 0 (при v bat = 6 м / с и f эмиссия = 75 кГц). Более низкие скорости полета приводят к уменьшению доплеровских сдвигов. Это означает, что мы предполагаем, что отражатели i с ϕ i > 0 возвращают эхо-сигналы с частотами от 0 до примерно 2600 Гц ниже опорной частоты.Следовательно, в нашем моделировании мы ослабляем эхо для ϕ i > 0, поскольку летучие мыши менее чувствительны к частотам ниже предпочтительной. Затухание c ϕ i для каждого эхо-сигнала как функция угла курса ϕ i было определено на основе данных, представленных Neuweiler [7] (см. Рис. 1b). Следует отметить, что эта простая реализация механизма компенсации Доплера переоценивает потерю чувствительности из-за сдвигов Доплера.Действительно, мы предполагаем, что максимальный доплеровский сдвиг (и, следовательно, уменьшение частоты излучения) всегда равен гипотетическому доплеровскому сдвигу для объекта с нулевым курсом, даже если эти эхо-сигналы имеют большие задержки или низкие амплитуды. В действительности, летучие мыши в меньшей степени понижают свою частоту, когда эхо имеет низкую интенсивность и / или большие задержки [39, 40].

В текущем моделировании мы смоделировали летучую мышь Rhinolophus rouxii , которая использует вызовы постоянной частоты в диапазоне 73–79 кГц [5].Мы выбрали приблизительную частоту вызова, используя 75 кГц. Атмосферное поглощение a f на частоте 75 кГц было установлено равным 2,4 дБ / м [35]. Направленная чувствительность d ϕ i , p слуха и излучения синтетической летучей мыши для 75 кГц была взята из предыдущих исследований моделирования [13, 14, 41]. Максимальное усиление передаточной функции, относящейся к голове, было установлено на уровне 4,5 дБ на частоте 75 кГц [42].

Как указывалось выше, экспериментальные результаты подтверждают, что типичные движения ушей Rhinolophidae способствуют избеганию препятствий [3].Непрерывное движение ушных раковин аппроксимируется путем моделирования направленной чувствительности двух крайних положений ушей p . Это подтверждается тем фактом, что контроллер, предложенный в этой статье (подробно описанный в следующем разделе), обрабатывает только начало эхо-сигналов, то есть первую миллисекунду. Имеющиеся данные [11, 12, 43] предполагают, что ушные раковины находятся в самом крайнем положении в начале эхо-сигнала и разворачиваются в обратную ориентацию при получении эхо-сигнала.

Движения ушной раковины моделируются путем жесткого вращения образца пространственной чувствительности слуха перед объединением его с направленностью излучения для получения полной направленной чувствительности (см. Подробности в [13, 14]). Измерения показали, что уши Rhinolophidae не подвергаются жесткому вращению, а вместо этого деформируются при вращении [44]. Однако текущие данные оставляют открытым вопрос, является ли влияние этой деформации на структуру пространственной чувствительности слуха функционально значимым или нет.Ref. [45] обсуждает правомерность моделирования движений ушей как жестких вращений. Смоделированные передаточные функции головы для двух положений ушной раковины p показаны на рис. 2.

Рис. 2.

(a) Визуализация 3D-модели, используемой для моделирования направленной чувствительности гидролокатора R. rouxii . (b) Смоделированная направленная чувствительность (комбинация передаточной функции, связанной с головой (HRTF), и направленности пучка излучения). Верхний ряд: направленная чувствительность модели, как показано на (а).Средний ряд: чувствительность по направлению для HRTF повернута на 15 градусов вверх. Нижний ряд: направленная чувствительность HRTF повернута на 15 градусов вниз. Обратите внимание, что эмиссионный луч не вращался (т.е. HRTF вращался относительно эмиссионного луча). Моделируемая направленность слуха и излучения взята из литературы [13, 14].

https://doi.org/10.1371/journal.pcbi.1004484.g002

Вывод контроллера

В основе сенсомоторной системы, отвечающей за поведение при уклонении от препятствий, мы предлагаем биологически возможный контроллер, который не полагается на явную реконструкцию трехмерной схемы отдельных отражателей, чтобы изучить возможность того, что ринолофиды могут избегать препятствий, не используя трехмерную модель своего тела. мир.Контроллер показан на рис. 3. Мы предполагаем, что параметры полета обновляются после каждого вызова на основе только эхо-сигналов последнего вызова. Следовательно, предлагаемый контроллер не создает внутренней модели мира и не использует явным образом изменения характеристик эха между вызовами. Если предположить иное, нам потребуется указать механизм сегментации и группировки, с помощью которого отдельные эхо-сигналы от последующих вызовов назначаются так называемым эхо-потокам, взаимно однозначно соответствующим определенным объектам.Было выдвинуто предположение [46] об использовании таких эхо-потоков в качестве средства для системы восприятия летучей мыши для организации акустической информации из сложной окружающей среды. Однако до сих пор не предложено явного вычислительного механизма, способного обеспечить требуемую сегментацию и группировку сложных эхо-сигналов. Кроме того, хотя нейрофизиологические доказательства [47, 48] для представления на основе потока эха для стимулов с одним отражателем не были найдены, экспериментов с стимулами с несколькими отражателями еще не проводилось.Следовательно, до тех пор, пока возможное использование представления на основе эхо-потока в поведении избегания препятствий не будет дополнительно прояснено, мы предлагаем наш реактивный контроллер как более простую и явную с вычислительной точки зрения гипотезу. Основное преимущество реактивного подхода состоит в том, что он рассматривает мир как свою собственную лучшую модель [49, 50], которая всегда актуальна и всегда содержит все детали, которые необходимо знать [51]. Избегая задержки из-за реконструкции трехмерной модели окружающей среды и / или планирования пути, реактивный подход приводит к высокочувствительному и надежному контроллеру [50].Однако следует отметить, что использование только эхо-сигналов от последнего вызова для определения ответа контроллера не приводит к отсутствию памяти в предлагаемой сенсомоторной системе. Действительно, динамика взаимодействия между контроллером и его средой вводит неявную память информации, извлеченной из предыдущих пар «вызов-эхо». Иными словами, состояние контроллера, то есть положение и скорость, и последняя пара «вызов-эхо» совместно определяют следующий ход летучей мыши, тем самым гарантируя, что история восприятия, т.е.е. предыдущие пары «вызов-эхо», а не только последняя пара «вызов-эхо» определяют ответ контроллера.

Рис. 3. Эта диаграмма описывает моделирование и контроллер, исследуемый в этой статье.

(1) Симуляция начинается с того, что летучая мышь издает вызов. (2) Затем рассчитываются эхо-сигналы, возвращающиеся от всех точечных отражателей. (3) В ожидании прибытия первого эхо-сигнала контроллер сохраняет текущее направление полета. (4) Кроме того, 50 мс отводится на обработку начала последовательности эхо-сигналов (1 мс).На основании IID определяется направление вращения (5). Величина (6) зависит от скорости полета. Сама новая скорость полета выбирается исходя из расстояния до ближайшего препятствия (7). Контроллер применяет определенный угол поворота, и (8) перемещается в новом направлении на оставшуюся часть межимпульсного интервала (9). Наконец, контроллер меняет положение ушей перед отправкой следующего вызова (10).

https://doi.org/10.1371/journal.pcbi.1004484.g003

При моделировании мы предполагаем, что скорость синтетической летучей мыши v bat является функцией времени полета летучей мыши первое эхо, т.е. расстояние до ближайшего объекта. Диапазон скоростей составляет от 6 мс −1 до 0,3 мс −1 (см. Выше). Помимо скорости, необходимо обновлять направление полета на основе эхо-сигналов от каждого вызова. Для алгоритма уклонения от препятствий, основанного на гидролокаторах, желательные направления полета характеризуются эхосигналами малой амплитуды. В самом деле, при той же силе отражателя более слабые эхо-сигналы подразумевают наличие препятствий, которые находятся дальше или ближе к периферии. Эвристика, ведущая к более слабым эхо-сигналам, состоит в том, чтобы повернуть в сторону уха, которое принимает самые слабые эхо-сигналы, например.г. поверните направо, если правое ухо получает самый слабый эхо.

При неподвижных ушах движение в направлении уха, принимающего самый слабый эхосигнал, позволит обновить только горизонтальное направление полета. Однако движения ушей Rhinolophidae приводят к тому, что основная ось чувствительности каждого уха попеременно направляется вверх и вниз. Имеющиеся данные свидетельствуют о том, что Rhinolophidae перемещают одно ухо вверх, а другое - вниз, получая эхо [11, 12, 43]. Уши двигаются в другом направлении при получении следующего эха.В этой статье мы упростили непрерывное движение ушных раковин, смоделировав только два крайних положения ушей (см. Ниже и рис. 2). Учет крайних положений каждого уха приводит к тому, что сонар производит выборку четырех направлений во время каждой пары последовательных вызовов. Поэтому мы предлагаем нашему контроллеру поворачивать влево или вправо в зависимости от того, какое ухо получает самое слабое эхо. Кроме того, контроллер поворачивается вверх или вниз в зависимости от того, направлено ли ухо, принимающее самое слабое эхо, вверх или вниз.

Эхо, пришедшее раньше, отражается более близкими препятствиями. Следовательно, начальная часть эхо-сигнала имеет большее значение для сенсомоторной системы избегания препятствий. Поэтому мы решили учитывать только первую миллисекунду эха (т.е. контроллер использует только начало эхо-сигнала). Мы не утверждаем, что остальная часть эхо-сигнала не имеет никакого отношения к предотвращению препятствий, но мы предполагаем, как показывают результаты, что начало эхо-сигналов уже содержит достаточно информации.Ринолофиды держат уши в крайних положениях между сигналами и перемещают их в противоположную конфигурацию, принимая эхо [12]. Следовательно, сосредоточив внимание на возникновении эхо-сигналов, мы можем еще больше упростить модель и использовать только крайние положения ушей для каждого звонка. Помимо упрощения нашей модели, мы утверждаем, что сосредоточение внимания на возникновении эха также имеет преимущества для летучих мышей. Любой механизм, который вместо этого использует определенные характеристики шаблона модуляции эхо-сигнала, создаваемого полным движением ушной раковины (например,г. [13, 14]), необходимо более детально контролировать и / или измерять движение уха, что требует более сложной и менее надежной системы.

В нашем моделировании эхо-сигналы, полученные в каждом ухе t в течение первой миллисекунды после прихода первого эхо-сигнала, суммируются с рандомизированными фазовыми сдвигами. Интенсивность g t в децибелах суммированных эхо-сигналов i , полученных на ухо t , определяется как (3) В уравнении (3) ϕ i , t - случайный фазовый угол (между - π и π ), моделирующий интерференцию между узкополосными эхо-сигналами.Обратите внимание, что этот фазовый угол рандомизируется независимо для каждого отражателя , и уха , . Порог слышимости был принят равным 0 дБ spl . Следовательно, амплитуды эхо-сигнала g i ниже 0 дБ spl были установлены на 0 и не влияли на интенсивность g t .

Мы предлагаем летучую мышь вращаться в направлении уха, воспринимающего самые слабые эхо-сигналы, определяемые величиной g t (рис. 3, прямоугольник 5).Если g l < g r , летучая мышь поворачивается влево. И наоборот, если правое ухо принимает самые слабые эхо ( g l > g r ), летучая мышь поворачивается вправо. Более того, если g l < g r и левое ухо направлено вверх (вниз), летучая мышь поворачивается вверх (вниз).

Помимо направления поворота, контроллеру также необходимо указать величину поворота (рис. 3, поле 6).В предлагаемом контроллере величина поворота зависит от скорости полета (которая, в свою очередь, зависит от расстояния до ближайшего препятствия, рис. 3, блок 7). Джонс и Рейнер [6] сообщают о скорости и угловом вращении Myotis daubentonii (см. Рис. 1c). Мы применили линейную функцию к этим данным, чтобы получить следующее выражение для углового вращения R в градусах в секунду как функции скорости полета: R = 665 - 116 × V bat .Значения R меньше нуля были установлены на ноль, в результате получилась кривая, изображенная на фиг. 1c. Между прочим, полученные таким образом скорости поворота в значительной степени соответствуют тем, о которых сообщил Холдерид [38].

Обратите внимание, что при малых скоростях полета скорость поворота может быть значительно увеличена. Например, Олдридж [4] сообщает, что R ferrumequinum способен вращаться с кривизной до 115 м −1 (радиус поворота <1 см, угловая скорость вращения ∼ 1900 град / с) при внезапном столкновении с барьер.Тем не менее, поскольку мы не стремились моделировать такие маневры уклонения в последнюю минуту, мы решили зафиксировать максимальную скорость поворота на консервативном значении 665 градусов в секунду при V bat = 0.

Алгоритм 1. Сводка уравнений, управляющих контроллером по умолчанию (т. Е. Поля 5–7 на рис. 3).

Строка 2: Скорость летучей мыши V bat задается как функция F расстояния до ближайшего препятствия d min (с использованием кривой, изображенной на рис. 1a).Далее (строки 3–14) скорость V bat используется для задания углов поворота летучей мыши по азимуту (Δ ϕ ) и углу места (Δ θ ). Знак поворота азимута зависит от относительной силы эхо-сигналов слева ( g l ) и правого уха ( g r ), как определяется уравнением (3). Знак поворота по высоте зависит от того, направлено ли ухо с самым слабым эхом вверх или вниз.

https://doi.org/10.1371/journal.pcbi.1004484.t002

Таким образом, контроллер поворачивается влево или вправо в зависимости от того, левое или правое ухо получило самые громкие эхо. Кроме того, он поворачивается вверх или вниз в зависимости от того, направлено ли ухо, принимающее самые громкие эхо, вверх или вниз. Скорость летучей мыши определяется ближайшим (обнаруженным) препятствием (рис. 1а). В свою очередь, скорость вращения определяется скоростью летучей мыши (рис. 1в). См. Алгоритм 1 для списка вычислений и Рис. 3 для графического изображения всего контроллера.

Мы даем синтетической летучей мыши одинаковую аэродинамическую свободу в горизонтальной (слева и справа) и вертикальной плоскости (вверх и вниз). Это; он может вращаться с той же скоростью без учета силы тяжести (но см. ниже версию контроллера, учитывающую вектор силы тяжести). Действительно, если синтетическая летучая мышь достаточно долго поворачивается вверх / вниз, она может в конечном итоге полететь вверх ногами относительно своей первоначальной ориентации. Есть две причины для моделирования вертикального вращения таким образом.Во-первых, хотя хорошо известно, что летучие мыши очень подвижны, насколько нам известно, имеется очень мало информации об аэродинамических ограничениях при подъеме и восходящем полете летучей мыши. Во-вторых, что более важно, вводя одни и те же ограничения как на горизонтальное, так и на вертикальное вращение, мы можем сравнивать сенсорную производительность алгоритма как в горизонтальной, так и в вертикальной плоскости при отсутствии различий в двигательных ограничениях. Тем не менее, мы понимаем, что наличие одних и тех же ограничений для обеих скоростей поворота является искусственным.Следовательно, мы также тестируем вариант контроллера, который вводит ограничение на максимальное вертикальное вращение (см. «Ограниченный» контроллер ниже).

И R. rouxii , и R. ferrumequinum излучают импульс в среднем каждые 80–90 мс [5, 52]. Для упрощения вычислений и моделирования частоты обновления нижней границы синтетическая летучая мышь была смоделирована для излучения импульса каждые 100 мс. При приближении к месту посадки частота пульса R. ferrumequinum увеличивалась примерно до 80 Гц (т.е.е. интервал около 12 мс) [9, 53]. Однако информационное обновление с частотой 80 Гц может не привести к способности летучей мыши обновлять свое направление 80 раз в секунду. Ринолофиды машут крыльями с частотой около 12 Гц (то есть с интервалом около 80 мс) независимо от их воздушной скорости [54]. Рассмотрение биения крыла как минимальной единицы, позволяющей изменять направление полета, позволило бы обеспечить частоту обновления не более 12 Гц. В предлагаемом контроллере каждому импульсу соответствует единичное обновление направления полета.Следовательно, поскольку 12 Гц очень близко к смоделированной частоте следования импульсов 10 Гц, интервал между импульсами был зафиксирован на уровне 100 мс.

При моделировании мы учитываем не только время, необходимое для появления эхо-сигналов, но также время, необходимое летучей мыши для обработки эхо-сигналов и создания двигательной реакции. Уберникель и др. [55] обнаружили время реакции около 50 мс на переходные цели у траловой летучей мыши Noctilio leporinus в соответствии с аналогичным интервалом времени реакции 47–63 мс, указанным в ссылке.[56]. Следовательно, мы предоставили 50 мсек для обработки эхо-сигналов. В промежутке между передачей вызова и началом поворота сохраняется текущее направление и скорость полета. Интервал между вызовом и началом очереди определяется как (1) время прихода первого эхо-сигнала, (2) 1 мс, в течение которой эхо-сигналы суммируются, и (3) 50 мс времени обработки. Обратите внимание, что поскольку продолжительность поворота задается фиксированным периодом вызова (100 мс) за вычетом интервала между вызовом и началом поворота, как скорость вращения R , так и продолжительность поворота биты зависят от расстояния до ближайшего объект.По мере того как время прихода первого эха становится короче, продолжительность хода увеличивается. Это еще больше увеличивает вращательное усиление контроллера для близлежащих препятствий.

Условия эксперимента

Контроллер тестировался в 2D и 3D средах. Производительность описанного выше контроллера, с настоящего момента называемого контроллером по умолчанию, сравнивалась с производительностью пяти связанных контроллеров:

  1. Неподвижные уши: этот контроллер моделирует летучую мышь со статичными ушами.Для каждого уха используется одна направленная чувствительность. Таким образом, направленная чувствительность не меняется от вызова к вызову. Используемая направленность изображена в верхнем ряду рис. 2b. Азимутальное вращение обновляется, как в контроллере по умолчанию. Однако знак поворота (вверх / вниз) был выбран случайно.
  2. Внеосевые ушные раковины: этот контроллер идентичен контроллеру по умолчанию. Однако у этого контроллера левое ухо постоянно направлено вниз, а правое ухо - вверх.Если левое (правое) ухо воспринимает самые слабые эхо-сигналы, летучая мышь поворачивается вниз (вверх). Азимутальное вращение обновляется, как и раньше.
  3. Random A: Контроллер отличается от контроллера по умолчанию тем, что при каждом вызове случайным образом поворачивается влево или вправо. Хотя направление вращения выбирается случайным образом, величина рассчитывается как в контроллере по умолчанию.
  4. Random B: тот же контроллер, что и вариант Random A, с добавлением того, что скорость вращения летучей мыши также выбирается случайным образом из интервала от 0 до 350 градусов в секунду.
  5. Ограничено: этот контроллер идентичен контроллеру по умолчанию, но ограничивает угол наклона летучей мыши в вертикальной плоскости. Максимальный угол подъема и спуска летучей мыши составляет ± 60 градусов.

Контроллер с фиксированными ушами позволяет нам проверить вклад движения ушей в уклонение от препятствий. Контроллер с ушными раковинами, зафиксированными вне оси, позволяет нам проверить, присутствуют ли все еще сигналы, необходимые для предотвращения препятствий, если уши зафиксированы, но не выровнены по горизонтальной плоскости.Случайный A и Случайный B включены в тесты в качестве базовых условий для сравнения других контроллеров. Точно так же в экспериментах по избеганию поведенческих препятствий эффективность летучей мыши обычно сравнивается с количеством столкновений, ожидаемых при следовании случайному пути в пространстве, например [3, 25, 26]. Наконец, ограниченный контроллер добавляет более реалистичные ограничения к вертикальному вращению летучих мышей.

Результаты

Регулярно расположенные искусственные среды

Мы протестировали контроллер и его четыре варианта в среде, заполненной отражателями на шестиугольных решетках, расположенных на расстоянии 15 см друг от друга (примеры см. На рис. 4c и 4f).В этих средах коллизии учитываются как количество временных шагов (вызовов), на которые контроллер был ближе чем на 2,5 см к любому препятствию. Таким образом, мы смоделировали синтетическую летучую мышь с шириной тела 5 см в соответствии с Mogdans et al. [3]. В большинстве результатов, представленных ниже, различные варианты контроллеров различались результирующим средним расстоянием до отражателей и, следовательно, их средней скоростью и пройденным расстоянием. Чтобы компенсировать это, мы нормализовали количество столкновений для всех контроллеров к количеству столкновений на 100 м пройденного пути.

Рис. 4. Результаты 100 повторений (каждая из 250 смоделированных вызовов) 2D-моделирования в средах с равномерно расположенными отражателями, вдохновленными экспериментами по избеганию проводов Mogdans et al. [3].

Отражатели расположены по шестиугольной решетке на расстоянии 15 см друг от друга. (Слева, a-c) Вертикальные провода. (Справа, г-ж) Горизонтальные провода (т.е. горизонтальные отражатели). (a) Среднее количество столкновений для контроллера по умолчанию и пяти вариантов (Df: контроллер по умолчанию; Fx: фиксированные уши; rA: случайный A; rB: случайный B; Cs: ограниченный; OA: уши оси).(b) Распределение расстояния до ближайшего препятствия для каждого из диспетчеров. Цвета линий соответствуют цветам на панели (а). (c) Один пример путей, пройденных каждым из пяти контролеров. Голубые точки представляют собой отражатели. Черные точки на панели (c) указывают места, где произошли столкновения. (г-е) Аналогично, но для горизонтальных проводов. (f) Вид модели сбоку. Все симуляции запускаются в центре арены. Квадраты сетки имеют размер 1м на 1м.

https://doi.org/10.1371/journal.pcbi.1004484.g004

Результаты показывают, что контроллер по умолчанию успешно избегает как вертикальных, так и горизонтальных проводов (рис. 4). Действительно, в этих двухмерных задачах количество зарегистрированных столкновений было намного меньше, чем в случайных A и B. Контроллер с фиксированными ушами одинаково хорошо избегал вертикальных проводов. Однако избегание горизонтальных проводов было сведено к случайному уровню за счет фиксации ушей в горизонтальной плоскости.Напротив, фиксация ушных раковин вне оси восстановила характеристики уклонения от препятствий для горизонтальных проводов (и не снизила производительность для вертикальных проводов).

Контроллер, который был ограничен в своем вертикальном вращении, работал намного хуже, чем контроллер по умолчанию, избегая горизонтальных проводов (рис. 4d). Это указывает на то, что в то время как движущиеся уши предоставили необходимую информацию для обхода препятствий, наложенные аэродинамические ограничения слишком строгие, чтобы обеспечить успешное уклонение от препятствий в нашей сетке смоделированных проводов.

В целом результаты производительности в регулярных сетках соответствуют выводам Mogdans et al. [3], что препятствие движению ушных раковин мешает избегать только горизонтальных проводов, т.е. влияет только избегание препятствий в вертикальном направлении. Фиксация ушей не повлияла на отказ от вертикальных проводов. Кроме того, наши симуляции показывают, что ушные раковины, зафиксированные вне оси, дают достаточно сигналов для обхода препятствий как по азимуту, так и по углу места.

Неоднородные искусственные среды

На рис. 5а и 5г показано количество столкновений, зарегистрированных для летучей мыши в 100 повторностях с отражателями, рассеянными в горизонтальной или вертикальной плоскости для четырех вариантов контроллера. В этих прогонах столкновения определяются как количество временных шагов (на 100 м пройденного пути), на которые контроллер был ближе, чем на 15 см к ближайшему препятствию, то есть примерно на половину размаха крыльев R. rouxii . Результаты показывают, что контроллер по умолчанию способен избегать препятствий как в вертикальной, так и в горизонтальной плоскости.Фиксация ушных раковин не влияет на предотвращение препятствий в горизонтальном направлении. Однако уклонение от препятствий в вертикальном измерении сводится к уровню вероятности (то есть количество столкновений такое же, как у контроллера Random A).

Рис. 5. Результаты 100 повторений (каждая из 250 шагов) 2D-моделирования с использованием неоднородно расположенных отражателей.

Фильмы, иллюстрирующие поведение контроллеров в этих средах, представлены в качестве дополнительных материалов (S1 и S2 рис.).(Слева, a-c) Отражатели, рассеянные в горизонтальной плоскости (т. Е. Вертикальные отражатели). (Справа, г-е) Отражатели, рассеянные в вертикальной плоскости (т. Е. Горизонтальные отражатели). (a) Среднее количество столкновений для контроллера по умолчанию и четырех вариантов (Df: контроллер по умолчанию; Fx: фиксированные уши; rA: случайный A; rB: случайный B; Cs: ограниченный). (b) Распределение расстояния (в метрах) до ближайшего препятствия для каждого из диспетчеров. Цвета линий соответствуют цветам на панели (а).(c) Пример путей, пройденных каждым из пяти контроллеров в единой среде. Голубые точки представляют собой отражатели. Черные точки на панели (c) указывают места, где произошли столкновения. (d-f) Аналогично, но для отражателей, рассеянных в вертикальной плоскости. (f) Вид модели сбоку. Все симуляции запускаются в центре арены. Квадраты сетки 5м на 5м.

https://doi.org/10.1371/journal.pcbi.1004484.g005

В горизонтальной плоскости ограниченный контроллер имеет те же степени свободы, что и контроллер по умолчанию, и, следовательно, имеет такую ​​же производительность.Ограничение угла подъема летучей мыши явно ограничивает ее свободу. Следовательно, количество столкновений действительно увеличивается по сравнению с горизонтальной плоскостью. Однако количество коллизий по-прежнему меньше, чем в обеих случайных базовых линиях. Снижение производительности для ограниченного контроллера менее драматично, чем для регулярно разнесенных препятствий, описанных выше, что можно увидеть из сравнения производительности ограниченного контроллера на рисунках 4d и 5d. В качестве дополнительного материала мы предлагаем два фильма, иллюстрирующие поведение контроллеров в 2D-среде на рис. 5.

Контроллер по умолчанию, а также четыре производных контроллера также были протестированы на предмет избегания препятствий в трехмерных облаках точек (рис. 6, также представленный как рисунок MATLAB в дополнительном материале (рис. S3). Алгоритм по умолчанию работает лучше всего. Фиксация ушей не приводит к увеличению количества столкновений. Однако это приводит к полету несколько ближе к препятствиям. Количество столкновений не увеличивается за счет фиксации ушей, поскольку контроллер все еще может избегать препятствий в горизонтальной плоскости.Это означает, что контроллер с фиксированными ушами решает проблему уклонения от трехмерных препятствий как последовательность двумерных задач. Действительно, трехмерные облака точек не требуют, чтобы контроллер выполнял уклонение от препятствий как в горизонтальной, так и в вертикальной плоскости одновременно, он может избежать столкновений, избегая препятствий в одной плоскости.

Рис. 6. Результаты для 100 повторений смоделированных 3D сред.

Этот рисунок также представлен как рисунок MATLAB в дополнительном материале (S3 Fig).(a) Среднее количество столкновений для каждого контроллера (Df: контроллер по умолчанию; Fx: фиксированные уши; rA: случайный A; rB: случайный B; Cs: ограниченный). (b) Распределение расстояния до ближайшего препятствия. (c) Визуализация одной репликации трехмерной среды с заданными траекториями полета. Правая половина окружения была вырезана, чтобы показать траектории полета. Размер сетки 5м.

https://doi.org/10.1371/journal.pcbi.1004484.g006

Два случайных контроллера работали хуже, чем контроллер по умолчанию, из-за резкого увеличения количества коллизий.Контроллер с ограничениями работает на том же уровне, что и контроллер по умолчанию, в отношении количества коллизий. Следовательно, ограниченная свобода вращения по высоте, похоже, не мешает этому контроллеру в этой среде.

Окружающая среда с наклонным тором

Среда с наклонным тором явно проверяет, могут ли контроллеры следовать коридору как по азимуту, так и по высоте. Результаты, изображенные на рис. 7, показывают, что случайные контроллеры приводят к большему количеству столкновений (рис. 7a) и подлетают ближе к отражателям (рис. 7b, (также поставляются в виде рисунка MATLAB в дополнительном материале (S4 рис.)), Чем другие контроллеры.Количество столкновений следует той же схеме, что и количество столкновений в трехмерной среде, изображенной на рис. 6. Однако, что более важно, только контроллеры с движущимися ушами (то есть контроллеры по умолчанию и с ограничениями) успешно следуют за тором. Случайные контроллеры часто быстро выходят из тора, что объясняет небольшое количество столкновений для контроллера Random B. Контроллер с фиксированными ушами остается в торе, не сталкиваясь, но не может завершить круговой путь внутри тора.Он ограничен частью тора.

Рис. 7. Результаты 25 репликаций в среде с наклонным тором (каждая репликация состоит из 250 шагов).

Этот рисунок также представлен как рисунок MATLAB в дополнительном материале (S4 Fig) (a) Среднее число столкновений на репликацию с поправкой на пройденное расстояние (b) Распределение расстояния до ближайшего препятствия для каждого из контроллеров ( Df: контроллер по умолчанию; Fx: фиксированные уши; rA: случайный A; rB: случайный B; Cs: ограниченный).(c) Графики путей для 5 повторений в среде тора (не все репликации были нанесены для ясности). Тор представлен в виде прозрачного объема. Отдельные отражатели, составляющие тор, не изображаются, поскольку они закрывают траектории полета. Размер сетки 5м.

https://doi.org/10.1371/journal.pcbi.1004484.g007

Среда, сканированная лазером

На рис. 8 показаны результаты 50 повторений эксперимента с использованием данных трехмерного сканирования елового леса.Аналогичным образом на рис. 9 показаны результаты 50 экспериментальных прогонов с использованием 3D-сканирования лесного коридора. Поскольку настоящие летучие мыши демонстрируют почти двумерное поведение в полете в аналогичных реальных условиях (как, например, у Холдерида [57]), мы проигнорировали команды управления возвышением, приводящие к двумерным траекториям полета в этих симуляциях. В обеих средах Random A и B работали значительно хуже, чем любой другой вариант. Обратите внимание, что в этих экспериментах, хотя траектория полета летучей мыши ограничена плоскостью, эхо-сигналы, на основе которых контроллер принимает свои решения, рассчитываются на основе полной трехмерной среды.

Рис. 8. Результаты 3D-сканирования участка леса.

(a) Среднее количество столкновений для 50 повторений эксперимента (Df: контроллер по умолчанию; Fx: фиксированные уши; rA: случайный A; rB: случайный B; Cs: ограниченный). (b) Распределение расстояния до ближайшего препятствия. (c-f) Отображение препятствий с наложением единственной примерной траектории полета. Цвета указывают на разные контроллеры. Каждый запуск состоял из 250 шагов. 3D-рендеринг также предоставляется как фигура MATLAB в дополнительном материале (S5 Fig).

https://doi.org/10.1371/journal.pcbi.1004484.g008

Рис. 9. Результаты 3D-сканирования лесной дороги.

(a) Среднее количество столкновений для 50 повторений эксперимента (Df: контроллер по умолчанию; Fx: фиксированные уши; rA: случайный A; rB: случайный B; Cs: ограниченный). (b) Распределение расстояния до ближайшего препятствия. (c-f) Отображение препятствий с наложением единственной примерной траектории полета. Цвета указывают на разные контроллеры. Каждый запуск состоял из 250 шагов.3D-рендеринг также предоставляется как фигура MATLAB в дополнительном материале (S6 Fig).

https://doi.org/10.1371/journal.pcbi.1004484.g009

Обсуждение

Эхолокация поддерживает выполнение многих задач, сильно различающихся по вычислительной сложности, таких как распознавание объектов [16, 58], локализация добычи [22, 59], поиск воды [60] и навигация [61]. Понимание эхолокационной способности летучих мышей можно рассматривать как выделение (минимальный набор) сигналов, необходимых для выполнения каждой из этих различных задач, и подтверждение достаточности этих сигналов в поведенческих экспериментах [36, 60], симуляциях [13, 14, 20 , 62] или роботизированные исследования [15, 20, 63, 64].Для некоторых задач определен минимальный набор достаточных реплик. Например, водные объекты можно определить как горизонтальные отражающие поверхности. Действительно, любая горизонтальная поверхность с правильными отражающими свойствами легко принимается летучими мышами за поверхность воды [60]. Другие задачи, для которых определен минимальный набор сигналов, включают распознавание размера цветка [36] или размера жертвы [65, 66]. Однако, хотя способность летучих мышей избегать препятствий была изучена в первую очередь (например, [26] и рассмотрено в [25]) после новаторских экспериментов Лаззаро Спалланцани (1729-1799, описанных в [67]), относительно мало изучено. известно о минимальном наборе сигналов, достаточном для поддержки избегания препятствий, одной из самых основных задач, поддерживаемых эхолокацией [68].

Одним из объяснений этого перерыва, по-видимому, является предположение, что способность летучей мыши избегать сложных препятствий зависит от более базовой компетенции - сначала реконструировать трехмерную схему своего окружения. Было высказано предположение [3, 69] и подтверждено [15], что Rhinolophidae, используя длинные узкополосные сигналы, могут локализовать одиночные цели, используя изменяющиеся сигналы IID, генерируемые их движущимися ушами. Однако сложные отражатели в местах обитания летучих мышей, таких как растения и деревья [16], возвращают множество перекрывающихся эхосигналов.Множество эхо-сигналов, возвращаемых естественными препятствиями, проблематично для такой стратегии локализации, потому что ни один из предложенных сигналов не продемонстрировал свою надежность перед лицом множества перекрывающихся эхо-сигналов. Точно так же летучие мыши, использующие частотно-модулированные сигналы, могут обнаруживать одиночные цели на основе бинауральных спектральных сигналов, например [59, 62, 70, 71]. Однако из-за временной интеграции в слуховой системе летучей мыши [72, 73] спектральные сигналы также будут ухудшаться при столкновении с множеством перекрывающихся эхо [74]. Кроме того, спектральные реплики ненадежны для эхо-сигналов с низкой амплитудой [62].Поскольку растущее количество исследований по эхолокации летучих мышей показывает, что летучие мыши могут справляться с чрезвычайно сложными ситуациями (например, [27, 75]), мы делаем вывод, что сигналы, используемые для избегания препятствий, должны быть надежными и доступными даже (или, особенно) в ситуациях. где множество сложных объектов генерируют много перекрывающихся эхосигналов. Следовательно, мы утверждаем, что маловероятно, что возможность трехмерной реконструкции будет предварительным условием для успешного обхода препятствий.

В этой статье мы предлагаем альтернативную стратегию избегания препятствий, которая не полагается на явную трехмерную реконструкцию.Эта стратегия позволяет избегать препятствий даже при столкновении со сложными препятствиями, отражающими перекрывающиеся эхосигналы. Действительно, хотя контроллер использует только первую миллисекунду возвращающегося эхо-сигнала, этот короткий интервал обычно содержит эхо-сигналы от нескольких отражателей (см. Гистограммы на рис. 10). Среднее количество отражателей, возвращающих обнаруживаемый эхо-сигнал в течение первой миллисекунды, варьировалось в зависимости от моделирования. Например, среднее количество эхо-сигналов, возвращаемых искусственной трехмерной средой, составляло 3.Напротив, среднее количество обнаруживаемых эхо-сигналов, возвращаемых тором, составляло 36. В дополнение к вариациям в зависимости от условий, количество обнаруживаемых эхо-сигналов также изменяется от вызова к вызову в пределах условий. Об этом свидетельствуют длинные хвосты распределений.

Рис. 10. Гистограммы количества обнаруживаемых эхо-сигналов, полученных искусственной летучей мышью в течение первой миллисекунды после первого эхо-сигнала, то есть количества эхо-сигналов, используемых контроллером для управления летучей мышью.

Данные представлены для контроллера по умолчанию.Поскольку левое и правое ухо не обязательно обнаруживают одно и то же (количество) отражателей для каждого вызова, данные представляют собой максимальное количество эхо-сигналов через левое и правое ухо за вызов. (а) Данные для 2D-моделирования с использованием неоднородно расположенных отражателей в горизонтальной плоскости (рис. 5a-5c). (b) Данные для 2D-моделирования с использованием неоднородно расположенных отражателей в вертикальной плоскости (рис. 5d-5f). (c) Данные для трехмерной смоделированной среды (рис. 6). (d) Данные для среды с наклонным тором (рис. 7).(e-f) Данные для отсканированного участка леса и дороги соответственно (Рис. 8) и 9. (g) Данные для 2D-моделирования в средах с равномерно расположенными вертикальными проволоками (Рис. 4a-4c). (h) Данные для 2D-моделирования в средах с равномерно расположенными горизонтальными проводами (рис. 4d-4f). Звездочка (*) указывает на то, что ось x была обрезана, а оставшиеся данные были помещены в крайнюю правую ячейку. Коробчатая диаграмма на панелях (a-f) использует красную линию для медианы, красный крест для обозначения среднего, синюю рамку вокруг 25% и 75% квартилей и усы для границ 9% и 91% данных.Коробчатая диаграмма была исключена из (g) и (h) из-за низкого растекания на этих панелях.

https://doi.org/10.1371/journal.pcbi.1004484.g010

Наши результаты двумерного и трехмерного моделирования в искусственной и естественной среде показывают, что сигналы IID и задержки, полученные от начала первого эха в сочетании с характерных движений ушей достаточно для поддержки уклонения от препятствий, используя в качестве модели летучую мышь R. rouxii . Верно то, что хотя этот минимальный набор сигналов кажется достаточным, чтобы избежать препятствий в большинстве случаев, диспетчер действительно врезался в препятствия в ряде случаев, например.г. Рис. 4. Однако настоящие летучие мыши тоже не идеальны для избегания препятствий, и им иногда приходится прибегать к некоторым способам избегания столкновения в последний момент, предположительно, если эхо становится слишком громким или слишком близким [25]. Например, Олдридж [4] обнаружил, что R. ferrumequinum способен вращаться с угловой скоростью до 1900 градусов в секунду при внезапном столкновении с препятствием. Следовательно, летучие мыши способны выполнять очень быстрые маневры уклонения в последнюю минуту. Такое поведение не было запрограммировано в контроллере, но могло избежать столкновений в ограниченном количестве случаев, когда синтетическая летучая мышь рискнула слишком близко к препятствиям.

Еще один интересный результат, относящийся, в частности, к летучим мышам постоянной частоты, - это совпадение экспериментальных результатов Mogdans et al. [3]. Несмотря на их ограниченную величину (около 30 градусов, см. Рис. 2), успех нашего стандартного контроллера подтверждает, что движения ушей могут объяснить уклонение от препятствий в вертикальной плоскости (рис. 5). Кроме того, как и в экспериментах Mogdans et al. [3], фиксация ушей уменьшила способность синтетической летучей мыши избегать горизонтальных проводов, в то же время оставляя возможность избегать вертикальных проводов.Таким образом, это исследование избегания препятствий, предлагая конкретный механизм, добавляет дополнительные доказательства в пользу функциональной значимости этих небольших движений ушей для летучих мышей с постоянной частотой.

Прогноз, вытекающий из предлагаемого нами контроллера, заключается в том, что циклические движения ушей не являются строго необходимыми для избегания препятствий. Контроллер использует снимок только в начале цикла. Действительно, для уклонения от препятствий в горизонтальной плоскости контроллер полагается на разные азимутальные направления, в которые указывают оба уха.Точно так же для обхода препятствий в вертикальной плоскости контроллер требует, чтобы уши указывали только в разных направлениях возвышения. Мы проверили это предсказание на ушах, которые были зафиксированы вне оси (рис. 4, контроллер с ушами вне оси). Результаты подтвердили прогноз. Следовательно, мы предполагаем, что Rhinolophidae с ушами, зафиксированными вне оси, имеют доступ к достаточной информации, чтобы избежать препятствий в обеих плоскостях. В этом отношении интересно отметить, что Mogdans et al.[3] отчет: «Единичные фотографические записи полета неповрежденных летучих мышей показали, что иногда летучие мыши проходили по вертикальным проводам, наклонив голову над горизонтальной плоскостью». Такой наклон головы имел бы тот же эффект, что и фиксация ушей вне оси, как мы это делали в наших экспериментах. Обратите внимание, что мы не хотим подразумевать, что циклические движения ушей не предоставляют дополнительную важную информацию, которую можно использовать для управления другим поведением, например локализация отдельных отражателей, например, добычи [13–15].

Контроллер, предложенный в этой статье, зависит только от знака IID: он поворачивается влево / вправо и вверх / вниз в зависимости от того, какое ухо принимает меньшую амплитуду эхо-сигнала. Следовательно, алгоритм предполагает устойчивость к любым изменениям передаточной функции головы, которые сохраняют тенденцию для ипсилатеральных отражателей быть громче, чем контрлатеральные. Ранние эксперименты показали, что летучие мыши FM, у которых были удалены ушная раковина и козелок, избегали препятствий так же, как летучие мыши с неповрежденными ушами [28].Кроме того, нарушение сигналов IID путем закупорки одного уха снижает эффективность уклонения от препятствий для R. ferrumequinum . Слегка заткнуть оба уха (ослабление 15–25 дБ) не ухудшает уклонение от препятствий [76]. Более плотное затыкание обоих ушей (ослабление эха 55–60 дБ, [76]) или полное [28] снижает эффективность уклонения от препятствий, предположительно за счет предотвращения обнаружения эха. Эти результаты показывают, что грубых бинауральных сигналов интенсивности, на которые не влияет удаление или закупорка обоих ушей, но на которые влияет изменение чувствительности одного уха, достаточно, чтобы избежать препятствий.Эти результаты согласуются с прогнозами предложенного контроллера, поскольку он полагается только на знак IID. Напротив, эти ранние открытия [28, 76] нельзя объяснить, если предположить, что уклонение от препятствий зависит от трехмерной реконструкции окружающей летучей мыши. Действительно, было показано, что деформация внешнего уха путем приклеивания козелка вперед к стороне головы увеличивает ошибки локализации звука у летучих мышей FM [59, 70, 77]. Трехмерная реконструкция предполагает, что летучая мышь может одновременно локализовать несколько отражателей как по азимуту, так и по углу места.По-видимому, это требует наличия интактных ушных раковин [59, 70, 77], чего не было в исследовании Хана [28]. Поскольку он обнаружил, что летучие мыши все еще могут избегать препятствий без ушных раковин, трехмерная реконструкция схемы препятствий не кажется необходимой для обхода препятствий.

Следует отметить, что эксперименты, представленные в исх. [28] не проводились в темноте. Следовательно, летучие мыши могли полагаться как на зрение, так и на эхолокацию. Тем не менее, лишение летучих мышей слуха путем заливки носового прохода гипсом (но не удаление траги и ушных раковин) привело к увеличению количества столкновений.Следовательно, хотя летучие мыши могли частично полагаться на зрение в исх. [28], они также явно эхолотировали и не могли решить задачу уклонения от препятствий, полагаясь только на зрение.

Чтобы проверить достоверность скоростей полета, генерируемых предлагаемым контроллером, мы оценили смоделированные скорости полета для ряда моделей, обсужденных выше, построив их распределение (рис. 11). Из этих графиков мы делаем вывод, что скорости полета реалистичны. Алгоритм по умолчанию привел к средней скорости около 2.2–2,3 мс −1 . Фосетт и Рэтклифф [78] сообщили о скорости полета необученного M. daubentonii в маленькой и большой полетной комнате с площадью поверхности земли 3 м х 3 м и 7 м х 4,8 м соответственно. Вес этого вида колеблется от 5 до 10 граммов [79]. Сообщалось о скоростях коммутации от 3 до 8 мс -1 [80]. В экспериментах Фосетта и Рэтклиффа [78] летучие мыши-одиночки приняли среднюю скорость полета около 2,2 мс −1 в большей полетной комнате и 1.3 в меньшей полетной комнате. Следовательно, средняя скорость полета, используемая нашим алгоритмом по умолчанию, очень близка к скоростям полета, указанным для большего полетного помещения. Следовательно, хотя мы не смогли найти скорости полета для R. rouxii , данные другого вида подтверждают наши смоделированные скорости полета.

Обобщение на летучие мыши FM

Результаты, представленные в этой статье, могут быть легко распространены на летучих мышей с помощью частотно-модулированных (FM) сигналов. Для объезда препятствий в горизонтальной плоскости это расширение следует непосредственно из наших результатов.Действительно, в наших симуляциях контроллер избегает препятствий в горизонтальной плоскости, используя задержку первого эхо-сигнала и IID, извлеченные из одной узкой полосы частот. Более того, летучая мышь обрабатывает только начало эха (то есть первую миллисекунду). Этот тип переходной информации также доступен летучим мышам, использующим FM-сигналы. Основное различие между летучими мышами FM и CF в этом отношении состоит в том, что летучие мыши FM имеют доступ к IID в нескольких частотных диапазонах. Летучие мыши, перемещающиеся вдоль живых изгородей [57] или среди стволов деревьев, могут использовать этот механизм уклонения от горизонтальных препятствий.

Чтобы продемонстрировать, что предложенный механизм действительно распространяется на летучих мышей FM, избегающих препятствий, мы смоделировали летучую мышь FM в гетерогенных искусственных средах (идентичных тем, которые используются на рис. 5). Контроллер был адаптирован для использования передаточной функции головы [81] и направленности излучения [82] летучей мыши FM Phyllostomus discolor на частоте 60 кГц (атмосферное ослабление: 2 дБ / м [35]). P. discolor использует частотно-модулированные сигналы, которые включают частоты от 40 до 90 кГц [83, 84].Однако в текущем моделировании мы моделировали только один из частотных каналов, доступных этой летучей мыши. т.е. мы смоделировали одночастотный канал на 60 кГц. Циклические движения ушей не моделировались. Кроме того, поскольку летучие мыши FM не компенсируют доплеровские сдвиги, это поведение было опущено. Помимо этих изменений, контроллер не претерпел изменений. Сообщалось, что в полете крики P. discolor достигают максимальной интенсивности 124 дБ (цитируется в [85]). Следовательно, мы использовали 120 дБ в качестве мощности излучения ( g bat , уравнение (1)), как и раньше.Максимальное усиление HRTF было установлено на 6 дБ [86].

Насколько нам известно, движения ушей летучих мышей FM в полете изучали только на последнем заходе на посадку во время захвата добычи, например [22, 87]. Следовательно, неизвестно, демонстрируют ли летучие мыши FM движения ушами, избегая препятствий. Однако, как указано выше, движения ушей не являются необходимыми для успешного преодоления препятствий в вертикальной плоскости. Действительно, контроллер с ушными раковинами, зафиксированными вне оси, работал почти так же хорошо, как и контроллер по умолчанию (см. Рис. 4).Таким образом, мы предполагаем, что летучие мыши FM могут избегать препятствий как по азимуту, так и по высоте, поворачивая свои ушные раковины вне оси. Мы проверили это, объединив контроллер с HRTF, полученным путем поворота левого уха вниз на 15 градусов и правого уха вверх на 15 градусов (см. Рис. 12). Это такое же вращение ушных раковин, которое использовалось для моделирования R. rouxii . Мы использовали ту же конфигурацию смоделированных ушей для контроллера с ограничениями. С другой стороны, у стандартного контроллера оба уха расположены в горизонтальной плоскости (см. Рис. 12).

Рис. 12. Смоделированная направленная чувствительность на 60 кГц для P. discolor [81, 82] (комбинация передаточной функции, связанной с головой (HRTF) и направленности пучка излучения).

Обратите внимание, что была доступна только HRTF для одного (левого) уха. Следовательно, HRTF правого уха была создана путем отражения направленности левого уха. Графики направленности нормализованы до максимального значения 0 дБ, а контурные линии разнесены на 3 дБ друг от друга.

https: // doi.org / 10.1371 / journal.pcbi.1004484.g012

На рис. 13a-13c показано, что, как и ожидалось, контроллер, использующий направленность P. discolor , может избегать препятствий в горизонтальной плоскости. Единственными вариантами контроллера, которые не смогли избежать препятствий, были Random A и Random B. Направление ушей вне оси не имело (неблагоприятного) воздействия на поведение при уклонении от препятствий. Результаты на рис. 13d-13f показывают, что оснащение FM-контроллера летучей мыши ушами, направленными вне оси, приводит к повышению эффективности уклонения от препятствий.Напротив, расположение ушей в горизонтальной плоскости (то есть контроллер по умолчанию) приводит к многочисленным столкновениям.

Рис. 13. Результаты для 100 повторений P. discolor (летучая мышь FM), летящих в гетерогенной искусственной среде.

(Слева, а-в) Рассеянные в горизонтальной плоскости отражатели (т. Е. Вертикальные отражатели). (Справа, г-е) Отражатели, рассеянные в вертикальной плоскости (т. Е. Горизонтальные отражатели). (a) Среднее количество коллизий для контроллера по умолчанию и четырех вариантов.«Вне оси» означает, что контроллер использует HRTF, полученный путем поворота левого уха вниз на 15 градусов и поворота правого уха вверх на 15 градусов (правый столбец Рис. 12). «Контроллер с ограничениями» использовал ту же конфигурацию ушей. Кроме того, по-прежнему было ограничено вертикальное вращение этого контроллера. Все остальные контроллеры использовали HRTF с ушками в положении по умолчанию (левый столбец Рис. 12) (b) Распределение расстояния (в метрах) до ближайшего препятствия для каждого из контроллеров.Цвета линий соответствуют цветам на панели (а). (c) Пример путей, пройденных каждым из пяти контроллеров в единой среде. Голубые точки представляют собой отражатели. (d-f) Аналогично, но для отражателей, рассеянных в вертикальной плоскости. (f) Вид модели сбоку. Все симуляции запускаются в центре арены. Черные точки на панелях (c) и (f) указывают места, где произошли столкновения.

https://doi.org/10.1371/journal.pcbi.1004484.g013

Вращение ушей во внеосевое положение - это только один способ, которым летучие мыши FM могут компенсировать отсутствие циклических движений ушей во время полета. Они также могли менять ориентацию своей головы и / или тела между звонками. Фактически, такое поведение наблюдалось у CF летучих мышей, когда им мешали вращать ушные раковины. Mogdans et al. [3] сообщили, что в своем эксперименте летучие мыши CF с иммобилизованными ушными раковинами демонстрировали более энергичные движения головой, чем до операции, и по сравнению с контрольной группой, когда они висели в кабине полета.Они также сообщили, как упоминалось выше, что летные записи неповрежденных летучих мышей показали, что они иногда проходили по вертикальным тросам, наклонив голову над горизонтальной плоскостью. Доказательства изменения ориентации головы у FM-летучих мышей были зарегистрированы для Eptesicus fuscus , который, как было показано, способен переключать свой луч от вызова к вызову, например [88]. Аналогичным образом было обнаружено, что летучие мыши-коньки демонстрируют обширное сканирование по азимуту и ​​углу места во время полета через естественные места обитания [89].Такое поведение в сочетании с предложенным выше механизмом, то есть поворотом к уху, принимающему самый слабый эхо, будет поддерживать уклонение от препятствий на основе тех же сигналов, которые использует наш контроллер.

Поведенческий контроль при эхолокации летучих мышей

Сенсомоторная стратегия, предложенная в этой статье, может быть легко включена в архитектуру управления на основе поведения. Этот тип контроллера, первоначально предложенный для роботов Бруксом [90] и вдохновленный нейробиологией [50], разбивает сложное поведение на ряд независимых сенсомоторных петель (см.[50, 91, 92]). Каждый сенсомоторный цикл управляет одним поведением, таким как уклонение от препятствий, приближение к цели или следование коридору. Все данные датчиков поступают в каждый цикл. Однако циклы извлекают только информацию, необходимую для поведения, которое они контролируют. Механизм выбора действия (например, взаимное запрещение поведения [90]) гарантирует, что только один сенсомоторный контур приводит в действие исполнительные механизмы [93] в каждый момент времени.

Брукс предложил архитектуру управления на основе поведения в качестве альтернативы так называемым архитектурам преднамеренного управления.Эти контроллеры сначала обрабатывают данные датчиков, чтобы получить общее представление о мире. После того, как общее и полное представление получено, затем используются алгоритмы планирования и рассуждения для определения наиболее подходящей последовательности действий [49]. Однако создание представления, поддерживающего все необходимые действия, оказалось наиболее сложной задачей для преднамеренных контроллеров. Действительно, опыт робототехники показывает, что это возможно только в очень упрощенных средах.Сегодня ни один автономный робот, работающий в реальных условиях, не управляется полностью продуманной архитектурой управления [91]. Напротив, контроллеры на основе поведения избегают необходимости явно вычислять внутреннее представление мира. Действительно, по словам Брукса, в контроллере, состоящем из нескольких сенсомоторных контуров

.. понятие восприятия, доставляющее описание мира, размывается […], поскольку часть системы, выполняющая восприятие, разбросана по множеству частей […].Конечно, нет определенного места, где можно было бы найти результат восприятия. [90]

Мы утверждаем, что тот факт, что управление на основе поведения не зависит от извлечения общего представления об окружающей среде, делает его привлекательным кандидатом в качестве стратегии управления при эхолокации летучих мышей. Действительно, редкость и ненадежность сигналов локализации делает получение общего представления о мире очень трудным, если не невозможным во многих условиях реального мира.Архитектура управления, основанная на поведении, могла бы обойти эту проблему, полагаясь только на извлечение (и, возможно, сохранение [94]) тех сигналов, которые необходимы для конкретного сенсомоторного цикла.

Кроме того, архитектуры управления на основе поведения легко допускают избыточность. Каждое поведение (например, избегание препятствий [90]) может контролироваться несколькими независимыми сенсомоторными петлями, каждая из которых использует разные сигналы. Например, в данной статье мы предложили сенсомоторную петлю для избегания препятствий на основе IID и сигналов времени полета, полученных от начала первого эхо-сигнала.Однако мы признаем, что летучие мыши могут использовать гораздо больше эхо-сигналов, чем те, которые мы использовали в этой статье. Кроме того, они, вероятно, объединят больше эхо-информации между вызовами, то есть основывают свои решения на информации эхо-потока. В частности, летучие мыши CF могут использовать полное эхо для извлечения IID, использовать доплеровские сдвиги или использовать части FM эхо. С другой стороны, летучие мыши FM, скорее всего, будут использовать спектральные сигналы, когда они доступны. Каждый из этих сигналов может быть извлечен, оценен, сохранен и сопоставлен с моторными командами с помощью набора специальных сенсомоторных петель, имеющих приоритет благодаря соответствующему механизму выбора действия.Это приведет к высокому уровню устойчивости, поскольку в случае, если конкретная сенсомоторная петля не сможет извлечь соответствующие сигналы, другие петли возьмут на себя управление двигателем.

Таким образом, мы предварительно предполагаем, что многие аспекты эхолокации летучих мышей, включая захват добычи, уклонение от препятствий и навигацию, можно смоделировать с помощью архитектуры управления на основе поведения, состоящей из набора сенсомоторных петель, каждая из которых извлекает и использует подмножество сигналов из эхо. В самом деле, другие сенсомоторные петли, предложенные в прошлом, легко вписываются в эту структуру, например.г. стратегии захвата добычи, предложенные Kuc [20] и Walker et. al. [15] или модели целевого подхода, предложенные Lee et. al. [95] и Bar et al. [96]. В случае уклонения от препятствий мы рассматриваем предлагаемое поведение при уклонении от препятствий как надежную сенсомоторную петлю, к которой могут подключиться летучие мыши FM и CF в случае отсутствия менее надежных сигналов. Мы утверждаем, что контроллер, основанный на поведении, приведет к созданию надежного эхолокатора, способного использовать широкий спектр сигналов, в то же время ограничивая вычислительные потребности, избегая необходимости восстанавливать общее представление окружающей среды из зашумленных и сложных эхосигналов.

Предложение архитектуры на основе поведения в качестве модели для управления на основе эхолокации у летучих мышей подразумевает, что будущие исследования должны быть сосредоточены не только на выявлении сенсомоторных петель, лежащих в основе различного поведения, но и на том, как эти петли взаимодействуют и как достигается контекстно-зависимый выбор действий. Действительно, контроллер, основанный на поведении, предлагает основу для анализа гибкости летучих мышей в использовании различных (мультимодальных) сигналов в меняющихся обстоятельствах, например [74].

Заключение

В заключение мы предлагаем, чтобы разница в интенсивности интерауральных сигналов, рассчитанная в начале первого эхо-сигнала, в сочетании с задержкой первого эхо-сигнала, составляла достаточный набор стабильных и надежных сигналов для обхода препятствий в трехмерном мире - без необходимости восстановления трехмерного расположение отражателей от сложных и зашумленных эхосигналов.Наше моделирование предполагает, что использование этих сигналов позволит летучим мышам FM и CF выполнять эту базовую подзадачу эхолокации с ограниченной вычислительной нагрузкой и минимальной задержкой, обеспечивая возможность жесткого реагирования в реальном времени.

.

alexxlab / 16.01.1984 / Знак

Добавить комментарий

Почта не будет опубликована / Обязательны для заполнения *


No. Алгоритм Параметр Коллизия Макс. Отклонение

1 PFM = 10 3,2 м


3,7 м

3 PFM = 1 4.6 м

4 FGM = 0,5 3,4 м

9045 9045
9045 3,2 м

6 AFPFM = 25 3,0 м

4.3 м

8 ODG-PF = 5,0 0,6 м