В.П. Барякшева1

1 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1 vsvally@mail.ru

Постановка проблемы. Внедрение беспилотных систем в современную транспортную инфраструктуру на сегодняшний день характеризует социально-экономический и научно-технический уровень развития страны. Наиболее интересной представляется проблема увеличения авиа-грузоперевозок с модернизацией инфраструктуры аэропортов путем внедрения автоматизированных транспортных средств для обслуживания воздушных судов.

Цель. Повысить уровень автоматизации обслуживания воздушных судов и оптимизировать процессы перемещения грузов на территории аэропортов путем внедрения алгоритма определения параметров траектории движения наземных динамических объектов на основе изменений направлений центральных сечений в облаке точек лидарных измерений.

Результаты. Предложен комбинированный двухступенчатый алгоритм, сочетающий в себе этап обнаружения объектов и этап предсказания их траектории движения. Отмечено, что отличительной чертой алгоритма является прогнозирование
вероятной траектории движения объектов за счет оценки его центрального сечения, что является минимальным объемом информации об объектах, наблюдаемых в сцене. Приведено сравнение алгоритма с существующими моделями предсказания траектории движения объектов по широко используемым метрикам: mAP, minADE и их модификациям. Показано, что точность и скорость предложенного алгоритма обеспечивается использованием исходных открытых кодов моделей CenterPoint++ и MTR, что подтверждено проведенной верификацией его работы по открытому набору данных Waymo Open Dataset.

Практическая значимость. Исследования направлены на повышение безопасности движения транспортных средств и воздушных судов на территории аэропорта, а также обслуживания воздушных судов сервисными транспортными средствами.
Результаты исследования могут быть применены в активных ассистирующих системах предупреждения столкновений беспилотных транспортных средств и автономных роботов.

Барякшева В.П. Алгоритм определения параметров траектории наземных динамических объектов на основе изменений направлений центральных сечений в облаке точек лидарных измерений // Успехи современной радиоэлектроники. 2025. T. 79. № 8. С. 67–75. DOI: https://doi.org/10.18127/j20700784-202508-07

1. Новости аэропорта Пулково. URL: https://pulkovoairport.ru/about/press_center/news/53524
2. Лободинова О.О., Строцев А.А. Модель формирования данных навигационных датчиков для оценки пространственного положения объектов // Успехи современной радиоэлектроники. 2024. № 7 (78). С. 37–48. DOI: https://doi.org/10.18127/j20700784-202407-04.
3. Кошкаров А. С., Барякшева В. П., Дворников Р.И. Сравнительный анализ методов 3D-обнаружения объектов на тестовом наборе данных Waymo Open Dataset // Сб. докладов V Междунар. науч. конф. «Аэрокосмическое приборостроение и эксплуатационные технологии», 4–20 апреля 2024 г. СПб. С. 77–82.
4. Waymo Open Dataset. Waymo. URL: https://waymo.com/open
5. Yihan H., Zhuangzhuang D., Runzhou G., Wenxin S., Li H., Kun L., Qiang L. AFDetV2: Rethinking the Necessity of the Second Stage for Object Detection from Point Clouds // Proceedings of the AAAI Conference on Artificial Intelligence. 2022. V. 36. № 1. P. 969–979.
6. Yin T., Zhou X., Krähenbühl P. Center-based 3D Object Detection and Tracking // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 11784–11793.
7. Deng J., Shi S., Li P., Zhou W., Zhang Y., Li H. Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. V. 35. № 2. P. 1201–1209.
8. Bestugin A.R., Filin A.D., Kirshina I.A. Differential parameter method of aircraft flight simulation in aviation virtual electronic proving grounds // IOP Conference Series: Materials Science and Engineering. 2020. URL: https://www.elibrary.ru/download/elibrary_43321573_98641488.pdf
9. Gao X., Jia X., Li Y., Xiong H. Dynamic Scenario Representation Learning for Motion Forecasting With Heterogeneous Graph Convolutional Recurrent Networks // IEEE Robotics and Automation Letters. 2023. V. 8. № 5. P. 2946–2953.
10. Shi S., Jiang, L., Dai D., Schiele B. Motion Transformer with Global Intention Localization and Local Movement Refinement // 36th Conference on Neural Information Processing Systems (NeurlIPS 2022). URL: https://proceedings.neurips.cc/paper_files/paper/2022/file/2ab47c960bfee4f86dfc362f26ad066a-Paper-Conference.pdf
11. Piergiovanni A., Casser V., Ryoo M.S., Angelova A. 4D-Net for Learned Multi-Modal Alignment // IEEE/CVF International Conference on Computer Vision (ICCV). 2021. P. 15415–15425.
12. Кошкаров А.С., Семенова В.П. Разработка имитационной модели лидара системы предупреждения столкновений сервисного транспортного средства // Труды МАИ. 2023. № 128. URL: https://trudymai.ru/upload/iblock/44e/ eahh5vjvcq4ds21ez6nscha8qscxgbz5/ Koshkarov_Semenova_1.pdf?lang=ru&issue=128