Остання редакція: 2025-12-10
Анотація
Стаття присвячена розробці адаптивного методу автоматизованого обміру приміщень для потреб оздоблювальних та ремонтних робіт. Актуальність дослідження зумовлена високою трудомісткістю традиційних методів вимірювання та відсутністю доступних автоматизованих рішень для малого та середнього бізнесу будівельної галузі. Запропоновано оригінальну математичну модель класифікації приміщень на основі трьох безрозмірних геометричних інваріантів: коефіцієнта витягнутості, коефіцієнта складності периметра та коефіцієнта заповнення перешкодами. Розроблено алгоритм адаптивного планування траєкторії сканування, що використовує модифікований метод швидкого дослідження випадкових дерев із функцією привабливості невідсканованих областей.
The paper addresses the development of an adaptive method for automated room measurement for finishing and renovation works. The relevance of the research is determined by the high labor intensity of traditional measurement methods and the lack of affordable automated solutions for small and medium-sized construction businesses. An original mathematical model for room classification based on three dimensionless geometric invariants is proposed: elongation coefficient, perimeter complexity coefficient, and obstacle density coefficient. An adaptive scanning trajectory planning algorithm using a modified rapidly-exploring random trees method with an attraction function for unscanned areas has been developed.
Ключові слова
Посилання
1. Guo J., Liu Y., Chen X., Wang D. A Terrestrial Laser Scanning-Based Method for Indoor Geometric Quality Measurement // Remote Sensing. – 2024. – Vol. 16(1). – P. 59.
2. Yue X., Zhang Y., Chen J., Zhou X., He M. LiDAR-based SLAM for robotic mapping: state of the art and new frontiers // Industrial Robot. – 2024. – Vol. 51(2). – P. 196–205.
3. Al-Tawil B., Hempel T., Abdelrahman A., Al-Hamadi A. A review of visual SLAM for robotics: evolution, properties, and future applications // Frontiers in Robotics and AI. – 2024. – Vol. 11. – P. 1347985.
4. Hess W., Kohler D., Rapp H., Andor D. Real-time loop closure in 2D LIDAR SLAM // Proceedings of IEEE International Conference on Robotics and Automation (ICRA). – 2016. – P. 1271–1278.
5. Zhu L., Duan P., Meng L., Yang X. GAO-RRT*: A path planning algorithm for mobile robot with low path cost and fast convergence // AIMS Mathematics. – 2024. – Vol. 9(5). – P. 12011–12042.
6. Ye L., Li J., Li P. Improving path planning for mobile robots in complex orchard environments: the continuous bidirectional Quick-RRT* algorithm // Frontiers in Plant Science. – 2024. – Vol. 15. – P. 1337638.
7. Duda R.O., Hart P.E. Use of the Hough transformation to detect lines and curves in pictures // Communications of the ACM. – 1972. – Vol. 15(1). – P. 11–15.
8. LaValle S.M. Rapidly-exploring random trees: A new tool for path planning // Technical Report TR 98-11, Computer Science Department, Iowa State University. – 1998.
9. Rusu R.B., Cousins S. 3D is here: Point Cloud Library (PCL) // Proceedings of IEEE International Conference on Robotics and Automation (ICRA). – 2011. – P. 1–4.