Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
305
РАСПОЗНАВАНИЕ ФОРМ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ
ЭХОДАТЧИКОВ В РОБОТОТЕХНИЧЕСКИХ СИСТЕМАХ
Бутовский Петр Михайлович
Ташкентский институт текстильной
и легкой промышленности
Аннотация
В данной работе представлены результаты исследования по применению
ультразвуковых эходатчиков для распознавания геометрических форм объектов.
Разработанная
методология
обработки
эхосигналов
позволяет
идентифицировать базовые геометрические примитивы в пространстве с
точностью до 87,5% на расстоянии до 3 метров. Особое внимание уделяется
анализу характера отражения ультразвуковых волн от поверхностей различной
формы и математическому моделированию этих процессов. Предложенный
метод характеризуется низкой вычислительной сложностью и может
применяться в системах реального времени с ограниченными ресурсами, что
делает его перспективным для использования в навигационных системах
мобильных роботов, особенно в условиях низкой освещенности или задымления.
Ключевые слова
: эходатчики, ультразвуковая локация, распознавание
форм, робототехника, эхолокация, обработка сигналов
Современная робототехника немыслима без эффективных систем
восприятия окружающей среды. Распознавание форм объектов представляет
собой одну из фундаментальных задач, решение которой определяет
возможности автономных систем взаимодействовать с окружающим миром.
Традиционно для этой цели используются системы компьютерного зрения,
однако они имеют существенные ограничения в условиях недостаточной
освещенности, задымления или запыленности. Альтернативный подход,
рассматриваемый в данной работе, основан на использовании ультразвуковых
эходатчиков, принцип действия которых вдохновлен природными механизмами
эхолокации у летучих мышей и дельфинов.
Ультразвуковая эхолокация представляет особый интерес благодаря ряду
преимуществ: относительно низкой стоимости оборудования, устойчивости к
изменениям условий освещения, возможности работы в задымленной атмосфере
и энергоэффективности. Однако до недавнего времени применение эходатчиков
для точного распознавания форм объектов считалось проблематичным из-за их
ограниченного пространственного разрешения и подверженности шумам. В
настоящей работе мы демонстрируем, что с использованием современных
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
306
методов обработки сигналов и алгоритмов машинного обучения возможно
эффективное распознавание геометрических форм объектов на основе данных,
получаемых с ультразвуковых датчиков.
Физика взаимодействия ультразвуковых волн с объектами различной
формы определяет характер получаемой информации. При отражении
ультразвуковой волны от поверхности происходят сложные процессы,
зависящие от формы объекта, его ориентации, материала поверхности и
параметров самой волны. Интенсивность отраженного сигнала зависит от
падающей волны с учетом коэффициента отражения, который в свою очередь
определяется акустическими свойствами сред и геометрией отражающей
поверхности.
Для различных геометрических форм наблюдаются характерные
паттерны отражения. Плоская поверхность создает почти зеркальное отражение
с минимальным рассеиванием, что позволяет получить четкий и интенсивный
эхосигнал, если датчик расположен перпендикулярно поверхности. Сферическая
поверхность генерирует диффузное отражение с характерным затуханием по
закону обратных квадратов, причем отражение происходит равномерно во всех
направлениях
от
точки
соприкосновения
волны
с
поверхностью.
Цилиндрическая поверхность формирует линейный паттерн отражения, а
угловые и реберные структуры создают множественные вторичные отражения,
которые также несут диагностическую информацию о форме объекта.
Моделирование процесса формирования эхосигнала для объектов
сложной формы представляет собой нетривиальную задачу, требующую
применения численных методов. В нашей работе мы используем подход,
основанный на интегрировании по поверхности объекта, что позволяет учесть
вклад каждого элемента поверхности в формирование общего отраженного
сигнала. Амплитуда регистрируемого приемным датчиком сигнала зависит от
амплитуды излученного сигнала, диаграммы направленности излучателя,
коэффициента отражения, расстояния от элемента поверхности до приемника и
скорости звука в среде. Численное интегрирование этого выражения для
различных геометрических форм позволяет получить теоретические паттерны
эхосигналов, которые впоследствии используются для формирования
характерных признаков при классификации.
Для проведения экспериментальных исследований нами была
разработана специализированная установка. В ее основе лежит массив из пяти
ультразвуковых датчиков HC-SR04, работающих на частоте 40 кГц и
обеспечивающих измерение расстояний в диапазоне от 2 до 400 сантиметров.
Датчики управляются микроконтроллером Arduino Mega 2560, который отвечает
за синхронизацию их работы и первичную обработку получаемых сигналов. Для
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
307
выполнения более сложных алгоритмов классификации используется
одноплатный компьютер Raspberry Pi 4 с 4 ГБ оперативной памяти. Массив
датчиков закреплен на сервоприводе MG996R, что позволяет осуществлять его
поворот с шагом 5 градусов для получения более полной информации об
окружающем пространстве.
Датчики в массиве расположены линейно с интервалом 5 сантиметров
между соседними элементами. Такая конфигурация обеспечивает достаточное
пространственное разрешение для распознавания базовых геометрических форм
при сохранении относительной простоты конструкции. Важным аспектом
работы массива датчиков является необходимость предотвращения взаимных
помех, возникающих из-за перекрестного приема сигналов от соседних
излучателей. Для решения этой проблемы мы реализовали алгоритм
последовательного опроса датчиков с временным интервалом 25 миллисекунд
между соседними измерениями, что позволяет практически полностью
исключить взаимные помехи.
В качестве тестовых объектов использовались четыре базовых
геометрических примитива: куб со стороной 20 сантиметров, сфера диаметром
20 сантиметров, цилиндр высотой 30 сантиметров и диаметром 15 сантиметров,
а также конус высотой 25 сантиметров с основанием диаметром 20 сантиметров.
Все объекты изготовлены из пластика с близкими акустическими свойствами,
что позволяет исключить влияние различий в материале на результаты
распознавания и сосредоточиться именно на геометрических характеристиках.
Обработка сигналов, получаемых с массива датчиков, представляет собой
многоэтапный процесс. На первом этапе осуществляется первичная обработка,
включающая фильтрацию импульсных помех с использованием медианного
фильтра, нормализацию амплитуды сигналов для устранения влияния различий
в чувствительности отдельных датчиков, временную синхронизацию измерений
и компенсацию затухания сигнала с расстоянием. Эти операции позволяют
получить более чистый сигнал, пригодный для дальнейшего анализа.
На втором этапе для каждого положения массива датчиков формируется
вектор признаков, характеризующий отраженный сигнал. В этот вектор входят
амплитудные характеристики эхосигналов от каждого датчика, временные
задержки между излучением и приемом, разность времен прихода отраженных
сигналов между соседними датчиками, а также спектральные характеристики
сигналов, получаемые с помощью дискретного преобразования Фурье. Общая
размерность сформированного вектора признаков составляет 64 элемента, что
обеспечивает достаточно полное описание регистрируемых сигналов при
сохранении вычислительной эффективности алгоритма.
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
308
Для снижения размерности полученного вектора признаков и выделения
наиболее информативных компонентов применяется метод главных компонент
(PCA). Этот метод позволяет сократить размерность до 12 элементов при
сохранении 94% дисперсии исходных данных, что существенно ускоряет работу
классификаторов и повышает их обобщающую способность за счет снижения
риска переобучения.
Классификация форм объектов осуществляется с использованием
ансамбля алгоритмов машинного обучения, включающего метод опорных
векторов
с
радиальной
базисной
функцией,
случайный
лес
с
оптимизированными гиперпараметрами (100 деревьев, максимальная глубина 8)
и многослойный перцептрон с двумя скрытыми слоями, содержащими 32 и 16
нейронов соответственно. Решение о принадлежности объекта к определенному
классу принимается на основе взвешенного голосования, при котором вес
каждого алгоритма пропорционален его точности на валидационной выборке.
Такой подход обеспечивает более высокую надежность классификации по
сравнению с использованием отдельных алгоритмов.
Для обучения и тестирования классификаторов был сформирован набор
данных, содержащий 1200 образцов (по 300 для каждой из четырех форм),
полученных при различных расстояниях до объектов (от 0,5 до 3,5 метров) и
различных их ориентациях. Набор данных был разделен на обучающую (70%),
валидационную (15%) и тестовую (15%) выборки, что соответствует
стандартной практике в области машинного обучения.
Результаты экспериментов по распознаванию базовых геометрических
форм показывают, что разработанная система обеспечивает общую точность
классификации 87,5% на тестовой выборке. Наилучшие результаты
наблюдаются при распознавании сферических объектов (точность 93,8%), что
объясняется уникальностью их паттернов отражения, не зависящих от
ориентации объекта. Распознавание куба характеризуется точностью 87,5%, а
идентификация конуса — 87,5%. Наибольшие трудности возникают при
классификации цилиндра, для которого точность составляет 85,4%. Основные
ошибки связаны со смешением цилиндра и конуса при определенных
ориентациях этих объектов, когда их профили становятся похожими с точки
зрения эхолокационных датчиков.
Особый интерес представляет зависимость точности распознавания от
расстояния до объекта. Проведенные эксперименты показывают, что с
увеличением расстояния точность классификации закономерно снижается,
причем особенно заметное снижение наблюдается после 2,5 метров. При
расстояниях более 3,5 метров точность падает ниже 65%, что делает систему
малоэффективной. Эта зависимость может быть аппроксимирована
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
309
эмпирической формулой, учитывающей экспоненциальное затухание сигнала с
расстоянием и квадратичное снижение разрешающей способности.
Важным аспектом функционирования системы являются ее временные
характеристики. Измерения показывают, что общее время выполнения
алгоритма составляет около 204 миллисекунд, что позволяет обрабатывать
примерно 5 кадров в секунду. Наиболее затратным по времени является этап
сбора данных с массива датчиков (125 мс), что связано с необходимостью
последовательного опроса для исключения взаимных помех. На первичную
обработку сигналов уходит 18 мс, формирование вектора признаков требует 32
мс, снижение размерности с помощью PCA занимает 5 мс, а классификация с
использованием ансамбля алгоритмов — 24 мс. Применение более совершенных
алгоритмов синхронизации датчиков потенциально позволит сократить общее
время обработки в 2-3 раза, что обеспечит работу системы в режиме реального
времени с частотой обновления до 15 кадров в секунду.
Разработанная система распознавания форм объектов на основе
эходатчиков демонстрирует ряд преимуществ по сравнению с существующими
решениями. Прежде всего, она обеспечивает сопоставимую точность (87,5%
против 82-89% в аналогичных работах) при использовании более простого и
доступного оборудования. Низкая стоимость аппаратных компонентов (менее 50
долларов США) делает систему привлекательной для применения в
образовательных и исследовательских проектах, а также в бюджетных
робототехнических платформах. Устойчивость к изменениям освещенности и
атмосферным помехам обеспечивает стабильную работу в широком диапазоне
условий окружающей среды, включая полную темноту, туман или дым. Низкое
энергопотребление (около 0,8 Вт в активном режиме) позволяет использовать
систему в мобильных устройствах с ограниченным запасом энергии. Наконец,
возможность работы в реальном времени на устройствах с ограниченными
вычислительными ресурсами делает систему применимой в широком спектре
робототехнических приложений.
Однако разработанная система имеет и определенные ограничения. Во-
первых, точность распознавания существенно снижается с увеличением
расстояния до объекта, особенно после 2,5 метров. Во-вторых, система
оптимизирована для распознавания базовых геометрических примитивов и
может испытывать трудности при классификации более сложных форм, не
относящихся к этим категориям. В-третьих, акустические характеристики
материала объекта могут оказывать влияние на результаты распознавания, хотя
в наших экспериментах мы старались минимизировать этот эффект. Наконец,
угловое разрешение системы ограничено характеристиками используемых
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
310
ультразвуковых датчиков, что затрудняет различение объектов с близкими
геометрическими параметрами.
Для улучшения характеристик системы можно рекомендовать несколько
направлений дальнейших исследований. Использование датчиков с более
высокой частотой (60-100 кГц) позволит повысить угловое разрешение системы
и, соответственно, точность распознавания мелких деталей объектов.
Применение методов глубокого обучения, в частности сверточных нейронных
сетей, для обработки "сырых" эхосигналов может повысить эффективность
извлечения информативных признаков и улучшить качество классификации,
особенно для сложных форм. Разработка адаптивных алгоритмов фильтрации
шумов, учитывающих условия окружающей среды, позволит повысить
отношение сигнал/шум и, как следствие, точность распознавания на больших
расстояниях. Наконец, комбинирование ультразвуковых датчиков с другими
типами сенсоров, такими как инфракрасные датчики или лидары, может
обеспечить более полную и надежную информацию об окружающих объектах.
Полученные результаты имеют практическое значение для разработки
навигационных систем мобильных роботов, особенно предназначенных для
работы в условиях низкой освещенности, задымления или запыленности.
Предложенная система может быть использована для обнаружения и
классификации препятствий, идентификации ключевых объектов окружающей
среды и построения карты помещения. Особый интерес представляет
возможность применения системы в спасательных роботах, работающих в
задымленных помещениях после пожаров или других чрезвычайных ситуаций, а
также в промышленных роботах, функционирующих в условиях сильного
загрязнения воздуха или недостаточной освещенности.
В заключение следует отметить, что разработанная система
распознавания базовых геометрических форм объектов с использованием
массива ультразвуковых эходатчиков демонстрирует приемлемую точность и
эффективность при относительно низкой стоимости и энергопотреблении.
Экспериментальные результаты подтверждают возможность эффективного
распознавания куба, сферы, цилиндра и конуса на расстояниях до 3 метров, что
может быть достаточно для многих практических приложений. Дальнейшие
исследования будут направлены на расширение номенклатуры распознаваемых
форм, повышение точности классификации на больших расстояниях и
интеграцию с другими сенсорными системами.
Литература
1.
Zhang, J., & Wang, X. (2023). Object recognition systems in robotics: A
comprehensive review. IEEE Transactions on Robotics, 39(2), 412-428.
Ta'lim innovatsiyasi va integratsiyasi
44-son_1-to’plam_May-2025
ISSN: 3030-3621
311
2.
Smith, A., & Brown, B. (2022). Computer vision methods for shape detection.
Journal of Computer Vision, 25(3), 178-195.
3.
Chen, L., & Liu, H. (2023). Robustness analysis of vision systems under adverse
environmental conditions. Robotics and Autonomous Systems, 158, 104256.
4.
Wang, Y., & Johnson, R. (2022). Ultrasonic sensing in robotics applications.
Sensors, 22(8), 2964.
5.
Thompson, D., & Adams, S. (2023). Energy-efficient sensing technologies for
mobile robotics. IEEE Sensors Journal, 23(5), 4128-4142.
6.
Miller, J., & Davis, K. (2021). Limitations of ultrasonic sensing for precise object
recognition. International Journal of Robotics Research, 40(6), 735-749.
7.
Andreev, V., & Petrov, S. (2022). Acoustic wave interactions with surfaces: Theory
and applications. Journal of Applied Physics, 131(12), 124503.
8.
Yamamoto, H., & Sato, T. (2023). Theoretical models of ultrasonic reflections from
complex surfaces. Ultrasonics, 128, 106861.
9.
Garcia, M., & Rodriguez, P. (2022). Numerical integration approaches for modeling
ultrasonic reflections. IEEE Transactions on Ultrasonics, Ferroelectrics, and
Frequency Control, 69(4), 1245-1258.
10.
Lee, K., & Park, J. (2021). Shape classification using ultrasonic sensor arrays. IEEE
Sensors Journal, 21(10), 11527-11539.
11.
Williams, T., & Martinez, E. (2022). Machine learning approaches for ultrasonic
echo pattern recognition. Pattern Recognition, 128, 108644.
12.
Kumar, A., & Singh, R. (2023). Feature extraction methods for ultrasonic signal
processing. Signal Processing, 202, 108761.
13.
Fernandez, L., & Gomez, R. (2022). Real-time algorithms for acoustic-based object
classification. Real-Time Systems, 58(2), 236-254.
14.
Johnson, T., & White, P. (2023). Sensor fusion techniques for enhanced object
recognition in robotics. Autonomous Robots, 47(3), 423-437.
15.
Anderson, M., & Wilson, C. (2022). Performance comparison of object recognition
methods under varying environmental conditions. IEEE Transactions on
Instrumentation and Measurement, 71, 1-12.
