Актуальной задачей современной наземной мобильной робототехники является повышение степени автономности за счет совершенствования систем управления мобильными роботами, включая навигацию в различных внешних средах (индустриальная среда, городские условия, сеть дорог, пересеченная местность и т.д.) при недетерминированных условиях. Перспективный способ такого управления основан на использовании визуальной информации о внешней среде. Данный подход получил название визуальной навигации. В рамках данного исследования рассматривается задача классификации типа наблюдаемой сцены мобильным роботом с использованием глубоких сверточных нейронных сетей. В работе представлен сравнительный анализ особенностей современных архитектур: VGG-16, Inception v3, ResNet-50, Inception ResNet v2, MobileNet, – и проведены экспериментальные исследования с целью оценки точности и быстродействия, на основе результатов которых выработаны базовые принципы разработки эффективных архитектур, которые позволяют получить наименьшую вычислительную сложность алгоритма при достаточной точности классификации с учетом ограничений по вычислительным ресурсам. Основываясь на этих принципах, разработана собственная архитектура глубокой сверточной нейронной сети, которая обеспечивает точность классификации, сопоставимую с точностью существующих архитектур при большем быстродействии.

The relevant objective of the modern ground mobile robotics is to increase the degree of autonomy by improving the control systems of mobile robots, including navigation in various external environments (industrial environment, urban conditions, roads, rugged terrain, etc.) under nondeterministic conditions. A promising way of such control is based on the usage of visual information about the external environment. This approach is called visual navigation. In the frame of this research, the problem of scene types classification by mobile robot using convolutional neural networks is considered. The paper presents an analysis of state-of-the-art architectures (VGG-16, Inception v3, ResNet-50, Inception ResNet v2, MobileNet) features and experiment results. The basic principles for the development of effective architectures are found based on these results. These principles allow to obtain the least computational complexity of the algorithm with sufficient accuracy of classification, taking into account limitations of computational resources. Using these principles, the own architecture of a deep convolutional neural network is developed, which ensures the accuracy of classification, which is comparable to the accuracy of existing architectures with better performance.