All issues

Локализация транспортного средства является важной задачей в области интеллектуальных транспортных систем. Хорошо известно, что слияние показаний с разных датчиков (англ. Sensor Fusion) позволяет создавать более робастные и точные навигационные системы для автономных транспортных средств. Стандартные подходы, такие как расширенный фильтр Калмана или многочастичный фильтр, либо неэффективны при работе с сильно нелинейными данными, либо потребляют значительные вычислительные ресурсы, что осложняет их использование во встроенных системах. При этом точность сливаемых сенсоров может сильно различаться. Значительный прирост точности, особенно в ситуации, когда GPS (англ. Global Positioning System) не доступен, может дать использование ориентиров, положение которых заранее известно, — таких как дорожные знаки, светофоры, или признаки SLAM (англ. Simultaneous Localization and Mapping). Однако такой подход может быть неприменим в случае, если априорные локации неизвестны или неточны. Мы предлагаем новый подход для уточнения координат транспортного средства с использованием визуальных ориентиров, таких как дорожные знаки. Наша система представляет собой байесовский фреймворк, уточняющий позицию автомобиля с использованием внешних данных о прошлых наблюдениях дорожных знаков, собранных методом краудсорсинга (англ. Crowdsourcing — сбор данных широким кругом лиц). Данная статья представляет также подход к комбинированию траекторий, полученных с помощью глобальных GPS-координат и локальных координат, полученных с помощью акселерометра и гироскопа (англ. Inertial Measurement Unit, IMU), для создания траектории движения транспортного средства в неизвестной среде. Дополнительно мы собрали новый набор данных, включающий в себя 4 проезда на автомобиле в городской среде по одному маршруту, при которых записывались данные GPS и IMU смартфона, видеопоток с камеры, установленной на лобовом стекле, а также высокоточные данные о положении с использованием специализированного устройства Real Time Kinematic Global Navigation Satellite System (RTK-GNSS), которые могут быть использованы для валидации. Помимо этого, с использованием той же системы RTK-GNSS были записаны точные координаты знаков, присутствующих на маршруте. Результаты экспериментов показывают, что байесовский подход позволяет корректировать траекторию движения транспортного средства и дает более точные оценки при увеличении количества известной заранее информации. Предложенный метод эффективен и требует для своей работы, кроме показаний GPS/IMU, только информацию о положении автомобилей в моменты прошлых наблюдений дорожных знаков.

The localization of a vehicle is an important task in the field of intelligent transportation systems. It is well known that sensor fusion helps to create more robust and accurate systems for autonomous vehicles. Standard approaches, like extended Kalman Filter or Particle Filter, are inefficient in case of highly non-linear data or have high computational cost, which complicates using them in embedded systems. Significant increase of precision, especially in case when GPS (Global Positioning System) is unavailable, may be achieved by using landmarks with known location — such as traffic signs, traffic lights, or SLAM (Simultaneous Localization and Mapping) features. However, this approach may be inapplicable if a priori locations are unknown or not accurate enough. We suggest a new approach for refining coordinates of a vehicle by using landmarks, such as traffic signs. Core part of the suggested system is the Bayesian framework, which refines vehicle location using external data about the previous traffic signs detections, collected with crowdsourcing. This paper presents an approach that combines trajectories built using global coordinates from GPS and relative coordinates from Inertial Measurement Unit (IMU) to produce a vehicle's trajectory in an unknown environment. In addition, we collected a new dataset, including from smartphone GPS and IMU sensors, video feed from windshield camera, which were recorded during 4 car rides on the same route. Also, we collected precise location data from Real Time Kinematic Global Navigation Satellite System (RTK-GNSS) device, which can be used for validation. This RTK-GNSS system was used to collect precise data about the traffic signs locations on the route as well. The results show that the Bayesian approach helps with the trajectory correction and gives better estimations with the increase of the amount of the prior information. The suggested method is efficient and requires, apart from the GPS/IMU measurements, only information about the vehicle locations during previous traffic signs detections.

Разработана модель биогеохимических циклов трансформации питательных веществ в экосистеме водоема на примере Телецкого озера (ТО) для оценки его ассимиляционного потенциала в условиях отсутствия прямых измерений концентраций общего азота и фосфора, вместо чего для предварительных выводов используются соответствующие расчетные данные, полученные при моделировании. Правомерность такого способа обосновывается проверкой адекватности результатов моделирования данным среднемесячных многолетних наблюдений для всех переменных состояния модели в воде изучаемого обьекта. Рассмотрены наиболее существенные особенности моделирования круговорота соединений биогенных элементов (N и P) и динамики растворенного кислорода в экосистеме ТО. Выполнена калибровка модели с учетом данных многолетних наблюдений за качеством воды 1985–2003 гг., а также сценарного варианта гидрологического режима 2016 г. Приводится анализ внутригодовой изменчивости переменных состояния, азотных и фосфорных поступлений и потерь в воде ТО. Рассчитана предварительная величина допустимой нагрузки N и P на озеро. Модельный анализ показал, что у озера практически отсутствует ассимиляционный потенциал по отношению к соединениям фосфора. Значения среднегодовых концентраций, соответствующие случаю допустимой биогенной нагрузки, равны P_общ. = 0,013 гР/м³, что равно среднегодовой концентрации за 18-летний период наблюдений, пороговое содержание N_общ. = 0,895 гN/м³. Ассимиляционный потенциал по азоту небольшой, в пределах второй значащей цифры после запятой, имеется в виду, что его расчетная среднегодовая величина составляет 0,836 гN/м³. Результаты модельных расчетов свидетельствуют о том, что воды ТО из-за низкой температуры воды в течение всего года наряду с уникальной чистотой отличаются крайне слабо развитым сообществом гидробионтов. В случае других озер повышение антропогенного пресса могло бы сглаживаться за счет утилизации вследствие жизнедеятельности достаточно развитых сообществ гидробионтов. Здесь же достаточного ресурса самоочищения нет, и сравнительно небольшое повышение антропогенного загрязнения может привести к нарушению устойчивости в экосистеме ТО.

A model of biogeochemical cycles for nutrient transformation in the ecosystem of a water body has been developed using the example of the Lake Teletskoye (TL) to assess its assimilation potential in the absence of direct measurements for total nitrogen and phosphorus concentrations, instead of which the corresponding simulated data. The validity is justified by checking the adequacy of the simulation results to the data of average monthly long-term observations for all variables of the state for model. The model was calibrated with taking into account data from observations of water quality in 1985–2003, as well as a scenario version of the hydrological regime in 2016. The analysis of the intra-annual changeability of state variables, nitrogen and phosphorus inputs and outputs in TL water is given. The preliminary values of the permissible load N and P on the lake is accessed. The model analysis showed that the lake has practically no assimilation potential with respect to phosphorus compounds. The corresponding values of concentrations are equal to: P_tot. = 0.013 gP/m³, which is equal to the average annual content over the period of 18-year observations. The threshold content of N_tot. = 0.895 gN/m³. The assimilation potential for nitrogen is small, within the second significant digit after the decimal point, bearing in mind that its simulated average annual value is 0.836 gN/m³. The results of simulation indicate that the TL waters, due to the low water temperatures, along with their unique purity, differ in an extremely poorly developed community of hydrobionts. In the case of other lakes, the increase of anthropogenic pressure could be mitigated by utilization due to the vital activity of sufficiently developed hydrobionts communities. Here, there is no sufficient self-purification resource, and a relatively small increase in anthropogenic load can lead to a violation of the sustainability.