Учёные МГУ предложили новый метод распознавания трёхмерных объектов на основе графов

Специалисты факультета вычислительной математики и кибернетики Московского государственного университета имени М. В. Ломоносова разработали инновационный подход к идентификации трёхмерных объектов. Новый метод основан на преобразовании пространственных данных в графовые структуры с последующим применением нейросетевых алгоритмов, что существенно сокращает объём сохраняемой информации.

Современные роботы и системы автономной навигации широко используют трёхмерные точечные изображения — так называемые «облака точек», получаемые с помощью лазерного сканирования. Однако подобные данные лишены внутренней топологической структуры, что усложняет их обработку и требует значительных вычислительных ресурсов, особенно при работе с большими объёмами.

Для повышения эффективности анализа исследователи предложили агрегировать исходное множество точек в совокупность базовых геометрических примитивов — плоскостей, цилиндров, сфер и подобных фигур, фиксируя отношения пересечения между ними бинарным признаком. Итоговое компактное представление объекта в виде графа, где вершинам соответствуют отдельные примитивы, а рёбра отражают наличие или отсутствие пересечений, позволяет уменьшить нужный объём памяти при сохранении достаточно высокой точности распознавания.

Метод был протестирован на общедоступной коллекции трёхмерных моделей ShapeNet, включающей большое количество разнообразных предметов. Результаты показали, что минималистичное графовое описание подходит для корректной идентификации многих объектов повседневного использования с применением графовых нейросетей стандартной архитектуры.

Как отметил доцент кафедры суперкомпьютеров и квантовой информатики факультета ВМК МГУ Илья Никольский, идея графового представления трёхмерных объектов известна давно, однако главное отличие предложенного подхода заключается именно в существенном сокращении объёма сохраняемой информации без потери точности.

Разработка ориентирована на практическое применение в областях с критическими ограничениями по вычислительным ресурсам — в первую очередь в робототехнике и системах автономного управления. Использование компактных графовых моделей позволяет ускорить распознавание окружающих предметов в реальном времени, когда обработка полного облака точек становится затруднительной из-за недостатка производительности бортовых вычислителей.

]]>