ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ БОЛЬШИХ ДАННЫХ ДЛЯ УЛУЧШЕНИЯ НАВИГАЦИИ МОБИЛЬНЫХ РОБОТОВ

USING BIG DATA TECHNOLOGIES TO IMPROVE NAVIGATION OF MOBILE ROBOTS

Vladislav Vorobyev

master's student, Faculty of Information Technologies, Moscow Polytechnic University,

Russia, Moscow

Lutsan Evgeny

master's student, Faculty of Information Technologies, Moscow Polytechnic University,

Russia, Moscow

АННОТАЦИЯ

В статье проведён обзор современных подходов к интеграции технологий больших данных в задачи одновременной локализации и построения карт (SLAM). Рассматриваются методы сбора и фильтрации данных с использованием мультисенсорных систем, такие как лидары, RGB-D камеры, GPS и IMU. Описаны современные алгоритмы обработки данных, адаптивного обучения и оптимизации, направленные на повышение точности карт и адаптивности системы. Особое внимание уделено анализу технологий потоковой и распределённой обработки данных, способствующих эффективной работе в реальном времени. Предложенные подходы ориентированы на улучшение работы систем одновременной локализации и построения карт (SLAM) в сложных условиях эксплуатации, что делает их перспективными для применения в робототехнике, автономном транспорте и мониторинге окружающей среды.

ABSTRACT

The paper reviews modern approaches to integrating big data technologies into simultaneous localization and mapping (SLAM) tasks. Methods of data collection and filtering using multi-sensor systems such as lidars, RGB-D cameras, GPS and IMU are considered. Advanced data processing, adaptive learning and optimization algorithms to improve map accuracy and system adaptability are described. Special attention is given to analyzing streaming and distributed data processing techniques that facilitate efficient real-time operation. The proposed approaches are focused on improving the performance of simultaneous localization and mapping (SLAM) systems under challenging operating conditions, which makes them promising for applications in robotics, autonomous transportation, and environmental monitoring.

Ключевые слова: SLAM, большие данные, лидар, RGB-D камера, машинное обучение, фильтрация данных, оптимизация карт, потоковая обработка, адаптивные системы, робототехника.

Keywords: SLAM, big data, lidar, RGB-D camera, machine learning, data filtering, map optimization, stream processing, adaptive systems, robotics.

Введение

Современные автономные роботы сталкиваются с рядом сложных задач при навигации в сложных и динамичных условиях. Одновременное построение карты и локализация (SLAM, Simultaneous Localization and Mapping) являются ключевыми компонентами робототехники, обеспечивающими способность робота понимать свое местоположение и окружающую среду. Однако реализация SLAM в реальных условиях связана с множеством вызовов, таких как шум в сенсорных данных, изменение окружающей среды и ограниченность традиционных алгоритмов. Эти проблемы особенно остро проявляются, когда роботы работают в условиях с высокодинамичной окружающей средой, где погодные условия, присутствие движущихся объектов или временные изменения влияют на точность и надежность работы систем.

Примером таких условий может служить робот-собака, оснащенный камерами и лидарами для навигации. Подобные устройства применяются в научных экспериментах, тестировании технологий автономного передвижения и обучении алгоритмов в контролируемых средах. Например, при тестировании в лабораторных или полевых условиях робот сталкивается с задачами распознавания статичных и динамичных объектов, таких как коробки, мебель или другие преграды. Камеры могут испытывать сложности с идентификацией объектов в условиях переменного освещения, а лидары — с интерпретацией данных из-за отражений от гладких или неоднородных поверхностей.

Большие объемы данных, поступающие от сенсоров робота-собаки, создают дополнительные трудности. Эти данные необходимо обрабатывать в реальном времени, чтобы обеспечивать бесперебойную работу системы SLAM. Традиционные алгоритмы часто оказываются неспособны эффективно справляться с такими задачами, что приводит к увеличению задержек и снижению точности. В этом контексте технологии больших данных предлагают новые подходы к решению указанных проблем. Системы больших данных позволяют собирать, хранить и обрабатывать массивы сенсорной информации, предоставляя возможность анализа и оптимизации данных для улучшения работы SLAM.

Использование технологий больших данных в задачах SLAM открывает множество перспектив. Например, алгоритмы машинного обучения могут использоваться для предобработки данных камер и лидаров, выделения ключевых признаков и фильтрации шума. Методы глубокого обучения помогают роботам адаптироваться к изменяющимся условиям, анализируя накопленные данные и обучаясь новым шаблонам. Это особенно важно для робо-собак, которые работают в постоянно меняющейся окружающей среде, где необходимо быстро принимать решения.

Таким образом, использование технологий больших данных в задачах SLAM, на примере роботов-собак, демонстрирует значительный потенциал для повышения точности, надежности и адаптивности систем. Данная статья направлена на изучение структуры данных, методов обучения и подходов к адаптации, которые лежат в основе интеграции больших данных в задачи SLAM.

Обзор материалов для решения проблемы

Современные исследования в области SLAM (Simultaneous Localization and Mapping) активно используют технологии больших данных, машинного обучения и мультисенсорной интеграции. Эти подходы направлены на преодоление ключевых проблем SLAM, таких как обработка шумных данных, адаптация к динамическим изменениям среды и повышение вычислительной эффективности. Интересные подходы к решению задач SLAM представлены в работах, таких как VIRAL SLAM и MeSLAM, которые рассматривают разные аспекты интеграции данных и построения карт.

В статье "VIRAL SLAM: Tightly Coupled Camera-IMU-UWB-Lidar SLAM" акцент сделан на плотно связанной интеграции данных от различных сенсоров, таких как камеры, лидары, инерциальные модули (IMU) и ультраширокополосные (UWB) сенсоры [1]. Эти устройства дополняют друг друга, позволяя создавать более точные и надежные карты. Лидары обеспечивают детальную информацию о трехмерной структуре пространства, камеры фиксируют визуальные признаки, а данные от UWB-сенсоров и IMU обеспечивают дополнительную поддержку локализации и ориентации робота. Основной вызов в интеграции данных связан с их синхронизацией и объединением: различия в частоте обновления и точности измерений могут привести к ошибкам. Однако использование продвинутых алгоритмов графовой оптимизации позволяет минимизировать эти ошибки, создавая согласованные карты и обеспечивая плавное обновление позиций в режиме реального времени. Помимо этого, VIRAL SLAM демонстрирует, как использование эффективных методов предсказания позиций объекта и коррекции ошибок на основе внешних данных может дополнительно повысить точность системы.

В статье "MeSLAM: Memory Efficient SLAM based on Neural Fields", с другой стороны, предлагает принципиально иной подход к построению карт, используя нейронные поля [2]. Вместо того чтобы сохранять данные в традиционных форматах, информация о пространстве кодируется в компактных нейронных моделях. Это решение позволяет существенно сократить объем памяти, необходимой для хранения карт, при сохранении высокого уровня детализации. Дополнительное преимущество данного подхода заключается в возможности инкрементного обучения. Система может адаптироваться к изменениям окружающей среды без необходимости полного переобучения моделей, что критически важно для работы в реальном времени. Кроме того, использование GPU для обработки данных обеспечивает высокую производительность, позволяя системе справляться с большими потоками информации от сенсоров. Важно отметить, что MeSLAM ориентирован на снижение издержек вычислительных ресурсов, что делает его особенно подходящим для применения в роботах с ограниченными вычислительными возможностями.

Большие объемы данных, поступающие от сенсоров, создают дополнительные трудности. Эти данные необходимо обрабатывать в реальном времени, чтобы обеспечивать бесперебойную работу системы SLAM. Традиционные алгоритмы часто оказываются неспособны эффективно справляться с такими задачами, что приводит к увеличению задержек и снижению точности. В этом контексте технологии больших данных предлагают новые подходы к решению указанных проблем. Системы больших данных позволяют собирать, хранить и обрабатывать массивы сенсорной информации, предоставляя возможность анализа и оптимизации данных для улучшения работы SLAM. Например, применение кластеризации и нейронных сетей для предварительной фильтрации данных может значительно уменьшить уровень шума и ускорить последующую обработку.

Использование технологий больших данных в задачах SLAM открывает множество перспектив. Например, алгоритмы машинного обучения могут использоваться для предобработки данных камер и лидаров, выделения ключевых признаков и фильтрации шума [3]. Методы глубокого обучения помогают роботам адаптироваться к изменяющимся условиям, анализируя накопленные данные и обучаясь новым шаблонам. Это особенно важно для роботов, которые работают в постоянно меняющейся окружающей среде, где необходимо быстро принимать решения. Кроме того, глубокие нейронные сети могут использоваться для предсказания будущих изменений среды, что позволяет системе заранее планировать свои действия.

Кроме того, интеграция технологий больших данных способствует улучшению качества картографирования. Сложные алгоритмы позволяют объединять данные из различных сенсоров, создавая более точные и детализированные карты [4]. Такие возможности особенно полезны для роботов, работающих в условиях городской среды, где необходимо учитывать большое количество препятствий и динамических объектов, таких как автомобили и пешеходы. Семантическое картографирование, при котором объекты на карте классифицируются и помечаются их типы (например, здание, дорога, дерево), также становится возможным благодаря использованию больших данных [5]. Это улучшает взаимодействие роботов с окружающей средой, делая их поведение более прогнозируемым и безопасным.

Важным направлением исследований является разработка систем для работы с динамическими объектами. Например, алгоритмы, способные предсказывать траектории движения пешеходов или автомобилей, позволяют системе SLAM избегать потенциальных столкновений. Такие подходы требуют использования потоковой обработки данных в сочетании с алгоритмами реального времени, что дополнительно усиливает роль технологий больших данных в задачах SLAM.

Возможные методы решения проблемы

Рассматривая задачи интеграции технологий больших данных в SLAM, можно предложить несколько направлений и подходов, которые способны повысить эффективность и адаптивность систем SLAM в сложных и динамичных условиях. Эти подходы объединяют преимущества мультисенсорной интеграции, алгоритмов машинного обучения и современных методов обработки данных.

Одним из перспективных направлений является разработка гибридных систем SLAM, которые объединяют различные алгоритмы и подходы для повышения точности локализации и построения карт. Графовые методы, такие как g2o или Ceres Solver, позволяют эффективно решать задачи оптимизации позы, строя взаимосвязи между позициями робота и его наблюдениями [6]. Инерциально-визуальная одометрия (VIO), основанная на данных от камер и IMU, может существенно улучшить точность, если дополнить ее фильтрацией данных с использованием методов Калмана или частиц [7]. Для обработки данных от лидаров современные методы регистрации облаков точек, такие как ICP (Iterative Closest Point) или NDT (Normal Distributions Transform), позволяют повысить качество трехмерных карт.

Глубокое обучение предлагает широкий спектр инструментов для решения задач SLAM. Семантический SLAM использует нейронные сети для извлечения семантической информации из изображений, что позволяет не только строить карты, но и понимать содержание объектов, например, различать двери, окна или мебель. Методы трансферного обучения помогают адаптировать существующие модели под конкретные задачи даже при ограниченном объеме данных. Устранение динамических объектов с помощью сегментационных моделей, таких как DeepLab или Mask R-CNN, помогает исключать подвижные элементы из процесса построения карты.

Для работы в условиях высокой изменчивости окружающей среды система SLAM должна быть способна адаптироваться. Это возможно благодаря инкрементному обучению, которое позволяет обновлять модели по мере получения новых данных без необходимости полного переобучения. Учет временных изменений с использованием временных меток в данных карты помогает отслеживать изменения и своевременно обновлять устаревшие участки. Применение фреймворков для потоковой обработки данных, таких как Apache Kafka или Apache Flink, обеспечивает эффективную работу с большими объемами сенсорной информации в реальном времени.

Для работы в реальном времени важно минимизировать вычислительные затраты. Оптимизация хранения данных с использованием компактных форматов, таких как нейронные поля или октабоксы, позволяет существенно снизить потребности в памяти. Аппаратное ускорение на базе GPU или TPU обеспечивает высокую производительность при обработке сложных вычислений, таких как глубокое обучение или регистрация облаков точек [8]. Параллельная обработка, где задачи SLAM разделяются на независимые процессы, может значительно повысить общую производительность системы.

Многие методы, используемые в других областях, могут быть адаптированы для SLAM. Например, технологии из компьютерного зрения, такие как SLAM на основе RGB-камер (RGB-D SLAM) или Structure-from-Motion (SfM), предоставляют эффективные способы извлечения пространственной информации [9]. В робототехнике стратегии локального и глобального планирования маршрутов помогают улучшить построение карт, а анализ данных, собранных от множества роботов, может использоваться для создания более обширных и детализированных карт.

Перспективным направлением является также использование генеративных моделей, таких как GANs (Generative Adversarial Networks), для дополнения данных в тех случаях, когда сенсоры сталкиваются с ограничениями, например, при низкой освещенности или наличии шума. Это позволяет создавать более полные карты даже в условиях дефицита исходных данных. Еще одной инновацией является внедрение систем распределенного обучения, которые позволяют нескольким роботам обмениваться информацией и обучаться совместно, что значительно ускоряет процесс адаптации к новым условиям и улучшает общую производительность системы [10].

Интеграция этих решений открывает новые перспективы для систем SLAM, делая их более эффективными, адаптивными и пригодными для применения в реальных сценариях, где требуется высокая скорость обработки данных, точность и способность адаптироваться к изменяющимся условиям.

Достижение результатов

Для достижения поставленных целей в задаче интеграции технологий больших данных в SLAM разработан поэтапный план, который включает в себя использование современных методов сбора, фильтрации и обработки данных, построения карт и работы в реальном времени. Особое внимание уделено организации данных и оптимизации вычислительных процессов для обеспечения точности, скорости и адаптивности системы.

На первом этапе используется мультисенсорный подход, включающий лидары, RGB-D камеры, GPS и инерциальные модули (IMU). Лидары обеспечивают высокую точность в построении трехмерных карт благодаря способности фиксировать расстояние до объектов с высоким разрешением. RGB-D камеры добавляют информацию о цвете и глубине, что позволяет улучшить визуализацию и семантическую интерпретацию карты. GPS предоставляет данные о глобальных координатах робота, а IMU помогает определить его ориентацию и компенсировать дрейф, возникающий в условиях плохой видимости.

Для сбора данных в разных условиях среда может быть разделена на типы, такие как внутренняя и внешняя. Внутренние среды часто характеризуются наличием множества мелких объектов и низкой освещенностью, тогда как внешние среды включают большое количество движущихся объектов и непредсказуемые погодные условия. Эти различия требуют адаптивного выбора сенсоров и методов сбора данных, включая динамическое переключение между режимами высокой точности и экономии ресурсов.

Собранные данные могут быть избыточными или содержать значительное количество шума из-за внешних факторов, таких как дождь, туман, снег или резкие изменения освещения. Для устранения шума применяется фильтрация с использованием методов, таких как фильтр Калмана, расширенный фильтр Калмана (EKF) и алгоритмы кластеризации. Эти методы позволяют устранить ненужные данные, сохраняя только значимую информацию для дальнейшей обработки. Дополнительно используются алгоритмы интерполяции для устранения пропусков в данных, вызванных временными сбоями в работе сенсоров.

После сбора данных производится их фильтрация и структурирование. Используются методы декомпозиции облаков точек для выделения ключевых точек и сегментов, которые могут быть использованы для построения карты. RGB-D данные обрабатываются для выделения объектов на основе цвета и текстуры. Для дальнейшего уменьшения шума применяются алгоритмы RANSAC и DBSCAN, которые помогают удалять выбросы и сегментировать данные для более точного картографирования.

Предварительная обработка также включает в себя выравнивание данных по временным меткам, что особенно важно для мультисенсорных систем. Использование методов синхронизации, таких как временные фильтры и кросс-корреляция, помогает избежать рассогласований между данными, поступающими с разных сенсоров. Это позволяет построить целостное представление окружающей среды.

Данные, поступающие от сенсоров, структурируются для обеспечения удобства хранения и обработки. Каждая запись включает идентификатор сенсора, его тип (лидар, камера, GPS, IMU), временную метку, идентификатор робота и сами данные. Данные могут представлять собой облака точек, изображения или числовые массивы, в зависимости от типа сенсора. Это позволяет эффективно управлять входными данными, поступающими от различных устройств.

Картографические данные содержат уникальные идентификаторы карт, информацию о роботе, который их создал, временные метки и типы сред, такие как внутренние помещения или открытые пространства. Также фиксируются координаты ключевых точек карты и связи между ними, что позволяет создавать графовые представления пространств. Эти графовые структуры играют важную роль в оптимизации маршрутов и уточнении локализации робота.

Информация о динамических объектах фиксируется для более точной оценки окружающей среды. Каждый объект имеет уникальный идентификатор, тип (например, человек или транспортное средство), временную метку обнаружения и идентификатор робота, который его зафиксировал. Для каждого объекта записываются границы в пространстве и траектория его движения. Это позволяет системе учитывать перемещающиеся элементы при построении карт и планировании маршрутов.

Для повышения адаптивности системы используется инкрементное машинное обучение. Этот метод позволяет обновлять модели на основе новых данных без необходимости полного переобучения. Это особенно важно для работы в реальных условиях, где среда может постоянно изменяться. Например, если робот сталкивается с новыми объектами, система может использовать интерактивное обучение, при котором оператор разметит объект, а информация будет автоматически интегрирована в модель.

Одним из ключевых элементов адаптивного обучения является реализация механизмов самообучения. Робот способен выявлять области, где его алгоритмы дают сбои, и автоматически запрашивать дополнительные данные для уточнения модели. Это особенно важно в условиях динамической среды, где постоянное появление новых объектов и событий делает работу системы нестабильной. В таких случаях использование механизмов активного обучения, при которых робот сам выбирает данные для анализа, позволяет улучшить производительность системы.

Дополнительно разрабатываются алгоритмы обучения с обратной связью, где робот получает информацию о своих ошибках и корректирует свои действия в режиме реального времени. Такие методы, как Q-Learning и его современные реализации, используются для повышения эффективности взаимодействия робота с окружающей средой. Также перспективным направлением является использование глубокого усиленного обучения (Deep Reinforcement Learning), которое позволяет интегрировать сложные многослойные модели для обучения в условиях, где традиционные подходы не дают ожидаемых результатов. Например, в высокодинамичной среде робот может обучаться избегать столкновений или находить оптимальные маршруты на основе опыта прошлых взаимодействий.

После фильтрации и предварительной обработки данные используются для построения карт. Графовые алгоритмы, такие как Graph Optimization (G2O), применяются для минимизации ошибок в построении графов. Глобальная оптимизация Bundle Adjustment позволяет улучшить согласованность карт даже при наличии больших объемов данных. Эти методы обеспечивают создание точных и надежных карт, пригодных для использования в реальных условиях.

Для повышения детализированности карт используются методы субдискретизации и интерполяции, которые позволяют увеличивать разрешение карт без значительного увеличения вычислительных затрат. В частности, использование методов машинного обучения для создания предиктивных моделей позволяет реконструировать отсутствующие данные или уточнять положения объектов на карте. Например, глубокие нейронные сети могут быть применены для интерполяции недостающих сегментов, что повышает точность и целостность построенных карт.

Интеграция данных из нескольких сенсоров помогает создавать семантически обогащенные карты, которые не только фиксируют физические объекты, но и классифицируют их по категориям. Такие карты особенно полезны для роботов, работающих в сложных условиях городской среды, где необходимо учитывать множество переменных факторов, таких как движение автомобилей, пешеходов и изменение инфраструктуры. Семантическое картографирование может включать дополнительную информацию о типе поверхности, назначении зданий или идентификации опасных зон, что повышает общую безопасность и эффективность робота.

Дополнительно разрабатываются алгоритмы оптимизации маршрутов, которые интегрируют информацию о динамических изменениях среды. Это позволяет роботу быстро адаптироваться к изменяющимся условиям и находить наиболее эффективные пути. Например, использование алгоритмов Dijkstra или A* в сочетании с графовыми представлениями карты позволяет автоматически пересчитывать маршруты в случае появления новых препятствий или изменений в доступности зон.

Оптимизация карт.

После фильтрации и предварительной обработки данные используются для построения карт. Графовые алгоритмы, такие как Graph Optimization (G2O), применяются для минимизации ошибок в построении графов. Глобальная оптимизация Bundle Adjustment позволяет улучшить согласованность карт даже при наличии больших объемов данных. Эти методы обеспечивают создание точных и надежных карт, пригодных для использования в реальных условиях.

Для работы в режиме реального времени используются технологии потоковой обработки, такие как Apache Spark. Эти технологии обеспечивают анализ данных, поступающих от сенсоров, непосредственно в момент их получения. Такой подход позволяет оперативно обновлять карту, учитывать изменения в окружающей среде и быстро реагировать на появление новых объектов или препятствий. Потоковая обработка играет ключевую роль в стабилизации работы системы даже при высокой интенсивности поступающих данных, что делает её незаменимой в сложных динамических условиях.

Ожидаемые результаты

Реализация описанных этапов должна значительно улучшить работу систем SLAM. Интеграция мультисенсорных данных, устранение шумов и использование современных графовых алгоритмов обеспечат возможность создания детализированных и точных карт. Такие карты будут пригодны для эксплуатации в сложных и динамических условиях, где требуется высокая точность локализации.

Применение инкрементного машинного обучения и механизмов самообучения сделает систему более адаптивной. Она сможет быстро подстраиваться к изменениям в окружающей среде и эффективно реагировать на появление новых объектов и событий, что особенно важно для работы в реальном времени.

Технологии потоковой обработки данных и распределённые системы значительно улучшат стабильность функционирования системы SLAM. Это позволит обрабатывать информацию в момент её поступления, оперативно обновлять карты и учитывать изменения среды даже при высокой интенсивности данных, поступающих от сенсоров.

Оптимизация вычислительных ресурсов с использованием методов субдискретизации, интерполяции и предиктивных моделей снизит нагрузку на вычислительные мощности. Это обеспечит высокую эффективность работы системы даже при ограниченных ресурсах и увеличит её применимость в условиях с ограниченным доступом к оборудованию.

Создание семантически обогащённых карт станет возможным благодаря интеграции данных из различных сенсоров и применению методов машинного обучения. Эти карты смогут включать классификацию объектов, выделение опасных зон и анализ типов поверхностей, что обеспечит более безопасную и эффективную работу системы.

Алгоритмы оптимизации маршрутов позволят системе пересчитывать и находить оптимальные пути в изменяющихся условиях среды. Это повысит её способность адаптироваться к новым ситуациям, обеспечивая высокую эффективность передвижения.

В результате применения описанных решений появятся высокоэффективные, адаптивные и устойчивые системы SLAM. Они смогут использоваться в широком спектре реальных приложений, включая робототехнику, автономный транспорт и мониторинг окружающей среды.

Список литературы:

1. Ансари М.Т., Рабе Д.А., Махони Р. и др. VIRAL SLAM: Тесная интеграция данных от камер, IMU, UWB и лидаров для SLAM // arXiv preprint arXiv:2105.03296. — 2021. — [Электронный ресурс]. — Режим доступа: https://arxiv.org/abs/2105.03296 (дата обращения: 16.12.2024).
2. Li C.S., Zhou B.Z., Zhang Z.W. MeSLAM: Memory Efficient SLAM based on Neural Fields // arXiv preprint arXiv:2209.09357. — 2022. — [Электронный ресурс]. — Режим доступа: https://arxiv.org/abs/2209.09357 (дата обращения: 16.12.2024).
3. Лиу В., Чжоу Ч., Ху В. и др. Fusion of LiDAR and Camera Data for SLAM in Dynamic Environments // Sensors. — 2024. — Т. 24, № 7. — С. 2033. — [Электронный ресурс]. — Режим доступа: https://www.mdpi.com/1424-8220/24/7/2033 (дата обращения: 16.12.2024).
4. Ромеро А., Перес Э., Гонсалес Х. и др. Improving SLAM with Deep Learning-Based Feature Extraction // Applied Sciences. — 2024. — Т. 14, № 21. — С. 9748. — [Электронный ресурс]. — Режим доступа: https://www.mdpi.com/2076-3417/14/21/9748 (дата обращения: 16.12.2024).
5. Кумар М.С., Сингх С., Джоши С.К. Deep Learning-Based Object Detection in SLAM Applications // Smart Innovation, Systems and Technologies. — Сингапур: Springer, 2018. — Т. 107. — С. 301–312. — [Электронный ресурс]. — Режим доступа: https://link.springer.com/chapter/10.1007/978-981-13-0617-4_31 (дата обращения: 16.12.2024).
6. Кюн Р., Штумпф Б., Бургард В. g2o: A General Framework for Graph Optimization // IEEE International Conference on Robotics and Automation. — 2011. — С. 3607–3613. — [Электронный ресурс]. — Режим доступа: https://ieeexplore.ieee.org/document/5979949 (дата обращения: 16.12.2024).
7. Вайс С., Скармана Д. Vision Based Navigation for Micro Helicopters in GPS-denied Environments // Journal of Field Robotics. — 2011. — Т. 28, № 6. — С. 854–874. — [Электронный ресурс]. — Режим доступа: https://onlinelibrary.wiley.com/doi/abs/10.1002/rob.20412 (дата обращения: 16.12.2024).
8. Фройд К., Лепора Н., Джонс М.В., О'Доннелл К. BrainSLAM: SLAM на данных активности нейронных популяций // arXiv preprint arXiv:2402.00588. — 2024. — [Электронный ресурс]. — Режим доступа: https://arxiv.org/abs/2402.00588 (дата обращения: 16.12.2024).
9. Чжоу Б., Хёллт Т.А., Сёренсен К.Б. Коллаборативный SLAM для нескольких роботов с согласованным объединением карт // Robotics and Automation Letters. — 2020. — Т. 5, вып. 2. — С. 1052–1059.
10. Шривастава А., Пфистер Т., Тузель О., Сасскинд Дж., Ванг У., Уэбб Р. Обучение на симулированных и неразмеченных изображениях с помощью состязательного обучения // Материалы конференции IEEE CVPR. — 2017. — С. 2107–2116.