📄Работа №202753
Тема: Разработка модели для предсказания класса дорожной поверхности на основе показаний датчиков мобильного робота
Характеристики работы
Тип работы
Магистерская диссертация
Предмет
Информационные системы
Объем:
100 листов
Год:
2022
Просмотров:
62
4890
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Термины и сокращения 15
Введение 16
Глава 1. Обзор предметной области 17
1.1 Классификация систем навигации 17
1.2 Датчики для автономной навигации 18
1.2.1 Акселерометр 18
1.2.2 Гироскоп 19
1.2.3 Энкодер 21
1.2.4 Датчик тока 21
1.3 Задача классификации дорожной поверхности 22
1.4 Применение машинного обучения в задаче классификации дорожной
поверхности 22
1.4.1 Модели 22
1.4.2 Признаки 24
Выводы по главе 24
Глава 2. Разработка модели для классификации дорожной поверхности 25
2.1 Описание набора данных 25
2.1.1 Общая характеристика 25
2.1.2 Тестовый стенд для сбора данных 25
2.1.3 Эксперименты для сбора данных 26
2.2 Разведочный анализ данных 27
2.2.1 Проверка гипотезы о нормальном распределении данных 27
2.2.2 Исследование корреляции показаний гироскопа 29
2.2.3 Исследований атрибута скор.зад.Х на наличие выбросов 33
2.2.4 Разделимость целевого атрибута по значениям акселерометра и
суммы токов 39
2.3 Разработка классификационной модели 41
2.3.1 Предобработка набора данных 41
2.3.2 Случайный лес 42
2.3.3 SVM 43
2.3.4 Нейронная сеть 43
2.3.5 Валидация модели 45
Выводы по главе 45
Глава 3. Финансовый менеджмент 46
Введение 46
3.1 Предпроектный анализ 46
3.1.1 Потенциальные потребители результатов исследования 46
3.1.2 Анализ конкурентных технических решений с позиции
ресурсоэффективности и ресурсосбережения 47
3.1.3 SWOT-анализ 48
3.1.4 Оценка готовности проекта к коммерциализации 49
3.1.5 Методы коммерциализации результатов научно-технического
исследования 50
3.2 Инициация проекта 51
3.3 Планирование управления научно-техническим проектом 52
3.3.1 Иерархическая структура работ 52
3.3.2 Бюджет научного исследования 57
3.3.3 Реестр рисков проекта 60
3.4 Определение ресурсной (ресурсосберегающей), финансовой, бюджетной, социальной и экономической эффективности исследования .. 60
Выводы по главе 61
Глава 4. Социальная ответственность 63
Введение 63
4.1 Правовые и организационные вопросы безопасности 64
4.1.1 Правовые вопросы организации работы над проектным решением 64
4.1.2 Организация рабочей зоны 65
4.2 Производственная безопасность 66
4.2.1 Вредные и опасные факторы производства 66
4.2.2 Умственное перенапряжение 67
4.2.3 Повышенная пульсация светового потока 68
4.2.4 Отсутствие или недостаток необходимого естественного освещения 68
4.2.5 Отсутствие или недостаток необходимого искусственного
освещения 69
4.2.6 Повышенный уровень шума 69
4.2.7 Движущиеся твёрдые объекты, наносящие удар по телу
работающего 70
4.2.8 Расчет уровня освещения 70
4.3 Экологическая безопасность 71
4.4 Безопасность в чрезвычайных ситуациях 72
Выводы по главе 73
Заключение 74
Список литературы 75
Приложение А 83
Приложение Б 85
Приложение В 86
Приложение Г 87
Приложение Д
Введение 16
Глава 1. Обзор предметной области 17
1.1 Классификация систем навигации 17
1.2 Датчики для автономной навигации 18
1.2.1 Акселерометр 18
1.2.2 Гироскоп 19
1.2.3 Энкодер 21
1.2.4 Датчик тока 21
1.3 Задача классификации дорожной поверхности 22
1.4 Применение машинного обучения в задаче классификации дорожной
поверхности 22
1.4.1 Модели 22
1.4.2 Признаки 24
Выводы по главе 24
Глава 2. Разработка модели для классификации дорожной поверхности 25
2.1 Описание набора данных 25
2.1.1 Общая характеристика 25
2.1.2 Тестовый стенд для сбора данных 25
2.1.3 Эксперименты для сбора данных 26
2.2 Разведочный анализ данных 27
2.2.1 Проверка гипотезы о нормальном распределении данных 27
2.2.2 Исследование корреляции показаний гироскопа 29
2.2.3 Исследований атрибута скор.зад.Х на наличие выбросов 33
2.2.4 Разделимость целевого атрибута по значениям акселерометра и
суммы токов 39
2.3 Разработка классификационной модели 41
2.3.1 Предобработка набора данных 41
2.3.2 Случайный лес 42
2.3.3 SVM 43
2.3.4 Нейронная сеть 43
2.3.5 Валидация модели 45
Выводы по главе 45
Глава 3. Финансовый менеджмент 46
Введение 46
3.1 Предпроектный анализ 46
3.1.1 Потенциальные потребители результатов исследования 46
3.1.2 Анализ конкурентных технических решений с позиции
ресурсоэффективности и ресурсосбережения 47
3.1.3 SWOT-анализ 48
3.1.4 Оценка готовности проекта к коммерциализации 49
3.1.5 Методы коммерциализации результатов научно-технического
исследования 50
3.2 Инициация проекта 51
3.3 Планирование управления научно-техническим проектом 52
3.3.1 Иерархическая структура работ 52
3.3.2 Бюджет научного исследования 57
3.3.3 Реестр рисков проекта 60
3.4 Определение ресурсной (ресурсосберегающей), финансовой, бюджетной, социальной и экономической эффективности исследования .. 60
Выводы по главе 61
Глава 4. Социальная ответственность 63
Введение 63
4.1 Правовые и организационные вопросы безопасности 64
4.1.1 Правовые вопросы организации работы над проектным решением 64
4.1.2 Организация рабочей зоны 65
4.2 Производственная безопасность 66
4.2.1 Вредные и опасные факторы производства 66
4.2.2 Умственное перенапряжение 67
4.2.3 Повышенная пульсация светового потока 68
4.2.4 Отсутствие или недостаток необходимого естественного освещения 68
4.2.5 Отсутствие или недостаток необходимого искусственного
освещения 69
4.2.6 Повышенный уровень шума 69
4.2.7 Движущиеся твёрдые объекты, наносящие удар по телу
работающего 70
4.2.8 Расчет уровня освещения 70
4.3 Экологическая безопасность 71
4.4 Безопасность в чрезвычайных ситуациях 72
Выводы по главе 73
Заключение 74
Список литературы 75
Приложение А 83
Приложение Б 85
Приложение В 86
Приложение Г 87
Приложение Д
📖 Аннотация
В данной работе разработана модель для классификации типа дорожной поверхности на основе показаний встроенных датчиков мобильного робота. Актуальность исследования обусловлена растущими требованиями к автономности робототехнических систем, для которых знание характеристик покрытия критически важно для повышения точности позиционирования, адаптивного управления и планирования траектории в условиях отсутствия сигналов глобальных навигационных спутниковых систем. Основным результатом является сравнительный анализ нескольких алгоритмов машинного обучения, в ходе которого модель на основе случайного леса, использующая данные акселерометра, одометрии, датчиков тока и целевой скорости, продемонстрировала наивысшую точность классификации, достигающую 76%. Научная значимость работы заключается в систематизации подходов к решению задачи и верификации метода, а практическая — в создании функционального инструмента, интегрируемого в автономные навигационные системы. Обзор литературы, включающий исследования Белоногова А.В. по навигации в замкнутых пространствах, Мальцева А.В. по разработке навигационных систем и Усенко К.Ю. по решениям для экстремальных условий, подтверждает востребованность развития методов, не зависящих от внешней инфраструктуры.
📖 Введение
С ростом автономности мобильной робототехники растёт потребность в повышении точности позиционирования. Для определения положения и ориентации робота могут применяться как внешние системы навигации (GPS, Глонасс), так и системы навигации, изолированные от внешнего мира. Последние позволяют обеспечить полную автономность робота и являются незаменимыми в условиях недоступности глобальной системы позиционирования. Входящая информация для автономной системы навигации может быть получена от взаимодействия с внешним миром (камера, радар, микрофон) или из внутренних датчиков робота (акселерометр, гироскоп, одометрия).
Сопутствующей к задаче позиционирования на основе внутренних датчиков робота является задача определения типа дорожной поверхности. Знание о типе поверхности может быть использовано, например, для повышения точности управления роботом, планирования траектории движения робота или для составления карты местности. Одним из методов решения задачи классификации дорожной поверхности является разработка модели машинного обучения.
Цель работы - разработка модели для классификации поверхности движения мобильного робота.
Для достижения цели работы были поставлены следующие задачи:
1. Ознакомиться с предметной областью
2. Описать используемый набор данных
3. Разработать несколько моделей для классификации поверхности движения мобильного робота
4. Выбрать лучшую модель и дать оценку её точности
Практическим результатом работы является модель для классификации поверхности, по которой движется колёсный робот.
Сопутствующей к задаче позиционирования на основе внутренних датчиков робота является задача определения типа дорожной поверхности. Знание о типе поверхности может быть использовано, например, для повышения точности управления роботом, планирования траектории движения робота или для составления карты местности. Одним из методов решения задачи классификации дорожной поверхности является разработка модели машинного обучения.
Цель работы - разработка модели для классификации поверхности движения мобильного робота.
Для достижения цели работы были поставлены следующие задачи:
1. Ознакомиться с предметной областью
2. Описать используемый набор данных
3. Разработать несколько моделей для классификации поверхности движения мобильного робота
4. Выбрать лучшую модель и дать оценку её точности
Практическим результатом работы является модель для классификации поверхности, по которой движется колёсный робот.
✅ Заключение
В ходе работы был проведён обзор предметной области, который показал классификацию систем навигации, осветил принципы работы основных датчиков, используемых при решении задачи автономной навигации и проиллюстрировал тенденции в существующих методах решения задачи классификации дорожной поверхности.
В работе было дано описание используемого набора данных, в том числе перечисление его атрибутов, изложение методики, которой он был получен , и разведочный анализ. Разведочный анализ показал, что некоторые строки набора данных можно считать выбросами и исключить.
В ходе работы было построено 3 классификационные модели - SVM, случайный лес и нейронная сеть с одним скрытым слоем. Проведено сравнение моделей по таким показателям как accuracy, precisionи fl-score.
Результатом работы является модель классификации дорожной поверхности на основе значений датчиков тока, акселерометра, одометрии и информации о заданной целевой скорости движения робота. Модель основана на алгоритме случайного леса. Точность модели составляет 76%.
В работе было дано описание используемого набора данных, в том числе перечисление его атрибутов, изложение методики, которой он был получен , и разведочный анализ. Разведочный анализ показал, что некоторые строки набора данных можно считать выбросами и исключить.
В ходе работы было построено 3 классификационные модели - SVM, случайный лес и нейронная сеть с одним скрытым слоем. Проведено сравнение моделей по таким показателям как accuracy, precisionи fl-score.
Результатом работы является модель классификации дорожной поверхности на основе значений датчиков тока, акселерометра, одометрии и информации о заданной целевой скорости движения робота. Модель основана на алгоритме случайного леса. Точность модели составляет 76%.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.