بهبود کارآیی روش مینیمم تابع اختلاف تصویر چرخشی با استفاده از الگوریتم CMA-ES در جهت یابی بهینه

الموضوعات :

سید وحید لکزیان ¹ , موسی الرضا شمسیه زاهدی ² , عقیله حیدری ³ , مجید انجیدنی ⁴

1 - گروه ریاضی، دانشگاه پیام نور، ص. پ.19395-3697، تهران، ایران
2 - گروه ریاضی، دانشگاه پیام نور، ص. پ.19395-3697، تهران، ایران
3 - گروه ریاضی، دانشگاه پیام نور، ص. پ.19395-3697، تهران، ایران
4 - گروه کامپیوتر، دانشگاه پیام نور، ص. پ.19395-3697، تهران، ایران

تاريخ الإرسال : 04 الثلاثاء , رمضان, 1443 تاريخ التأكيد : 10 الثلاثاء , صفر, 1444 تاريخ الإصدار : 02 الإثنين , ذو القعدة, 1444

الکلمات المفتاحية: Panoramic image, image processing, Rotational image difference function (rIDF), Optimal navigation,

ملخص المقالة :

جهت‌یابی یک توانایی حیاتی برای انسان و حیوان محسوب می‌گردد. برای بهبود مهارت‌های جهت‌یابی در ربات‌ها، می‌توان از روشی که حشرات در طبیعت با کمک آن جهت‌یابی می‌کنند، الهام گرفت. یک سوال اصلی در مورد حشراتی که به‌ کمک توانایی بصری خود جهت‌یابی می‌کنند؛ این‌ است که آن‌ها چه اطلاعاتی از تصاویر ‌طبیعی را در پیدا کردن جهت حرکت استفاده می‌کنند؟ برای جهت‌یابی، می‌توان از روش ‌مینیمم تابع ‌‌‌اختلاف تصویر چرخشی ‌ (MrIDF) به کمک پردازش تصاویر پانوراما استفاده کرد [1]. در روش MrIDF حتی با شیفت کامل در صورتی-که فاصله مکان تصویر نمای فعلی تا تصویر مرجع زیاد شود، نمی‌توان مسیر برگشت را به دلیل زیاد شدن اختلاف دو تصویر، به‌‌درستی شناسایی کرد. در این مقاله، ما راه‌کاری ارائه می‌دهیم که در نقاط دور از مکان مرجع نیز، می‌توان مسیر و زاویه برگشت را شناسایی ‌کرد. همچنین با استفاده از الگوریتم بهینه‌سازی استراتژی ‌تکاملی ‌انطباق ‌ماتریس ‌کوواریانس (CMA-ES)، کارآیی روش‌ MrIDF را بهبود می‌بخشیم و در ادامه کارآیی آن ‌را در قالب یک مثال ناوبری نشان می‌دهیم. نتایج نشان می‌دهند که یافتن جهت حرکت از طریق الگوریتم پیشنهادی، با دقت کافی و در زمان بسیار کمتری انجام می‌شود.

المصادر:

 

[1]  W, Zeil J. Depth, contrast and view-based homing in outdoor scenes. Biological Cybernetics.2007; 96:219-531.

 

[2] M. Giurfa and E. A. Capaldi, ‘‘Vectors, routes and maps: new discoveries about navigation in insects,’’ Trends Neurosci. 22, 237-242 (1999).

 

[3] Cartwright BA, Collett TS. Landmark learning in bees-experiments and models. J Comp Physiol. 1983;151:521-543.

 

[4] Wehner R,  F. Visual spatial memory in desert ants, Cataglyphis bicolor (Hymenoptera: Formicidae).Cell Mol Life Sci. 1979; 35: 1569-1571

 

[5] Zeil J, Hofmann MI, Chahl JS. Catchment areas of panoramic snapshots in outdoor scenes. J Opt SocAm A.2003; 20: 450-469.

 

[6] Baddeley B, Graham P, Husbands P, Philippides A (2012) A Model of Ant Route Navigation Driven by Scene Familiarity. PLoS Comput Biol 8(1): e1002336. Doi:10.1371/journal.pcbi.1002336

 

[7] Zahedi MS, Zeil J (2018) Fractal dimension and the navigational information provided by natural scenes. PloS ONE 13(5): e0196227. https://doi.org/10.1371/journal.pone.0196227.

 

[8] Pardalos P. and Romeijn E., eds. (2002) Handbook of global optimization, Vol. 2, Kluwer Acad. Publ., Dordrecht.

 

[9] Beyer HG, Schwefel HP. Evolution strategies - a comprehensive introduction. Nat. Comput. 2002; 1(1):3–52. doi: 10.1023/a:1015059928466. [CrossRef] [Google Scholar]

 

[10] Holland JH. Genetic algorithms. Sci. Am. 1992;267(1):66-73. doi:10.1038/ scientificamerican 0792-66. [CrossRef] [Google Scholar]

 

[11] Roubos J, van Straten G, van Boxtel A. An evolutionary strategy for fed-batch bioreactor optimization; concepts and performance. J. Biotechnol. 1999; 67(2–3):173–187. doi: 10.1016/s0168-1656(98) 00174-6. [CrossRef] [Google Scholar]

 

[12] Zeugmann T, et al. Particle swarm optimization. In: Sammut C, Webb GI, et al., editors. Encyclopedia of Machine Learning. Heidelberg: Springer; 2011. pp. 760–766. [Google Scholar]

 

[13] Storn R, Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces. J. Global Optim. 1997; 11(4): 341–359. doi: 10.1023/A:1008202821328. [CrossRef] [Google Scholar]

 

[14] N. Hansen, S. D. , and P. Koumoutsakos. Reducing the time complexityof the derandomized evolution strategy with covariance matrix adaptation. Evolutionary Computation, 11(1):1-18, 2003.

 

[15] Anjidani M, Motlagh MJ, Fathy M, Ahmadabadi M. A novel online gait optimization approach for biped robots with point-feet. ESAIM: COCV, 25 (2019) 81. Published online:19 December 2019. DOI: 10.1051/cocv/2017034

 

[16] Akimoto Y, Hansen N. CMA-ES and Advanced Adaptation Mechanisms, GECCO '21: Proceedings of the Genetic and­Evolutionary­Computation Conference Companion. July 2021. Pages 636–663. https://doi.org/10.1145/3449726.3462748

 

[17] Nikolaus Hansen. 2016. The CMA Evolution Strategy: A Tutorial. ArXiv e-prints (April 2016). arXiv: cs.LG/ 1604.00772

 

[18] N. Hansen. The CMA evolution strategy: a comparing review. In J. A. Lozano, P. Larranaga, I. Inza, and E. Bengoetxea, editors, Towards a new evolutionary computation. Advances on estimation of distribution algorithms, pages 75-102. Springer, 2006.

 

[19]  W, Grixa I, Mair E, Narendra A, Zeil J. Three-dimensional models of natural environments and the mapping of navigational information, Journal of Comparative Physiology A.2015; 201: 563±584.

 

[20] Gonzalez, R. C. , and Woods, R. E. (2002), Digital Image Processing (2nd ed.), Prentice-Hall, Inc., ISBN0-201-18075-8