moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.58.7.002 2390 Миварная экспертная система выявления сложных условий наблюдения и выбора способов коррекции изображения для однокамерной системы технического зрения автономного робота-курьера Mivar expert system for identifying challenging observation conditions and selecting image correction methods for a single-camera vision system of an autonomous delivery robot 0009-0008-5004-1771 Милевич Артём Андреевич Milevich Artem Andreevich artemmilevich994@gmail.com aff-1 0009-0000-3002-2698 Овчинников Данила Алексеевич Ovchinnikov Danila Alekseevich daninza7@gmail.com aff-2 0000-0002-2858-1383 Варламов Олег Олегович Varlamov Oleg Olegovich ovar@narod.ru aff-3 Московский государственный технический университет им. Н. Э. Баумана Bauman Moscow State Technical University Московский государственный технический университет им. Н. Э. Баумана Bauman Moscow State Technical University Московский государственный технический университет им. Н. Э. Баумана Научно-исследовательский институт вычислительных комплексов им. М.А. Карцева Bauman Moscow State Technical University Kartsev Research Institute of Computing Complexes 01 01 2026 1 1 10.26102/2310-6018/2026.58.7.002 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассматривается задача интеллектуальной поддержки принятия решений в системе технического зрения мобильного автономного робота-курьера, использующего одну видеокамеру и функционирующего при ограниченных бортовых вычислительных ресурсах без обращения к облачным вычислениям. Актуальность работы обусловлена тем, что в реальных условиях эксплуатации качество визуального восприятия сцены ухудшается при недостаточной освещенности, переэкспонировании, наличии осадков, тумана, бликов, шумов матрицы, размытия изображения, частичной окклюзии и загрязнения объектива. Предлагается миварная экспертная система, формализующая предметную область в виде параметров, отношений, правил и ограничений. Пользователь задает 13 входных параметров: десять нормализованных признаков изображения и три контекстных признака – место наблюдения, время суток и время года. На выходе система формирует два семантически интерпретируемых результата: текущее сложное условие и рекомендуемое действие по улучшению изображения. Особенностью модели является атомарная структура отношений: в одном отношении используется не более одного условного оператора, а сложная логика строится как цепочка простых правил. Дополнительно в модель введены шесть служебных контекстных признаков, позволяющих учитывать плотность городской среды, ночную освещенность и сезонные эффекты при выборе ветви вывода. В качестве модуля распознавания объектов используется предобученная система YOLO, а МЭС выступает вычислительно экономичным и объяснимым слоем интерпретации сложных условий наблюдения, что делает предложенный подход пригодным для локального применения на борту автономного робота-курьера. Полученные результаты подтверждают возможность построения объяснимой, модульной и расширяемой экспертной системы для поддержки работы однокамерного автономного робота-курьера в сложных условиях наблюдения.

The paper addresses the problem of intelligent decision support for the vision subsystem of a mobile autonomous delivery robot equipped with a single camera and operating under limited onboard computational resources without relying on cloud computing. The relevance of the study is determined by the degradation of image perception under insufficient illumination, overexposure, precipitation, haze, glare, digital noise, blur, partial occlusion, and lens contamination. A mivar expert system is proposed to formalize the domain knowledge in terms of parameters, relations, rules, and constraints. The user specifies 13 input parameters: ten normalized image features and three contextual attributes – location, time of day, and season. The system produces two semantically interpretable outputs: the current challenging observation condition and the recommended image enhancement action. A key feature of the model is its atomic relation structure: each relation contains no more than one conditional operator, while complex logic is represented as a chain of simple rules. Additional contextual service features are introduced to account for dense urban environment, nighttime city illumination, and seasonal effects when selecting the inference branch. A pretrained YOLO detector is used as the object recognition module, while the MES serves as an explainable and computationally efficient layer for interpreting challenging observation conditions. This combination makes the proposed approach suitable for local onboard deployment in an autonomous delivery robot. The obtained results confirm the feasibility of an explainable, modular, and extensible expert system for supporting a single-camera autonomous delivery robot under adverse observation conditions.

 миварная экспертная система автономный робот-курьер система технического зрения однокамерное наблюдение сложные условия наблюдения ограниченные вычислительные ресурсы объяснимый искусственный интеллект экспертные правила КЭСМИ mivar expert system autonomous delivery robot vision system single-camera observation challenging observation conditions limited computational resources explainable artificial intelligence production rules KESMI Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Shadrin S.S., Varlamov O.O., Ivanov A.M. Experimental autonomous road vehicle with logical artificial intelligence. Journal of Advanced Transportation. 2017;2017:2492765. https://doi.org/10.1155/2017/2492765 Varlamov O.O. "Brains" for Robots: Application of the Mivar Expert Systems for Implementation of Autonomous Intelligent Robots. Big Data Research. 2021;25:100241. https://doi.org/10.1016/j.bdr.2021.100241 Varlamov O., Aladin D. A New Generation of Rules-based Approach: Mivar-based Intelligent Planning of Robot Actions (MIPRA) and Brains for Autonomous Robots. Machine Intelligence Research. 2024;21(5):919–940. https://doi.org/10.1007/s11633-023-1473-1 Гун Ш. Миварная система принятия решений для распределения и перевозки грузов командой складских роботов. Системы управления и информационные технологии. 2025;(2):23–29. Redmon J., Divvala S., Girshick R., et al. You Only Look Once: Unified, Real-Time Object Detection. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27–30 June 2016, Las Vegas, NV, USA. IEEE; 2016. P. 779–788. https://doi.org/10.1109/CVPR.2016.91 Wang Ch.-Y., Bochkovskiy A., Liao H.-Y.M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In: Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 17–24 June 2023, Vancouver, BC, Canada. IEEE; 2023. P. 7464–7475. https://doi.org/10.1109/CVPR52729.2023.00721 Michaelis C., Mitzkus B., Geirhos R., et al. Benchmarking Robustness in Object Detection: Autonomous Driving when Winter is Coming. arXiv. URL: https://doi.org/10.48550/arXiv.1907.07484 [Accessed 15th May 2026]. Bijelic M., Gruber T., Mannan F., et al. Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather. In: Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 13–19 June 2020, Seattle, WA, USA. IEEE; 2020. P. 11679–11689. https://doi.org/10.1109/CVPR42600.2020.01170 Sakaridis Ch., Dai D., Van Gool L. Semantic Foggy Scene Understanding with Synthetic Data. International Journal of Computer Vision. 2018;126(9):973–992. https://doi.org/10.1007/s11263-018-1072-8 He K., Sun J., Tang X. Single Image Haze Removal Using Dark Channel Prior. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011;33(12):2341–2353. https://doi.org/10.1109/TPAMI.2010.168 Fu X., Huang J., Zeng D., et al. Removing Rain from Single Images via a Deep Detail Network. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21–26 July 2017, Honolulu, HI, USA. IEEE; 2017. P. 1715–1723. https://doi.org/10.1109/CVPR.2017.186 Guo X. LIME: A Method for Low-light Image Enhancement. In: Proceedings of the 24th ACM International Conference on Multimedia, 15–19 October 2016, Amsterdam, The Netherlands. New York: ACM; 2016. P. 87–91. https://doi.org/10.1145/2964284.2967188 Shen Q., Gong Sh., Kotsenko A.A., et al. Algorithm for Dynamic Robot Trajectory Planning Based on Semantic Object Detection Using a Mivar Expert System. In: Proceedings of the 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), 08–10 April 2025, Moscow, Russia. IEEE; 2025. https://doi.org/10.1109/REEPE63962.2025.10971158 Dou L., Varlamov O.O., Kotsenko A.A. A Multimodal Target Detection Method Based on the MES and the Improved BEV Perception Algorithm. In: Proceedings of the 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), 08–10 April 2025, Moscow, Russia. IEEE; 2025. https://doi.org/10.1109/REEPE63962.2025.10970859 Aladin D.V., Varlamov O.O., Adamova L.E., et al. Control of vehicles and robots: creating of knowledge bases for mivar decision making systems robots and vehicles. In: IOP Conference Series: Materials Science and Engineering: Proceedings of the International Conference of Young Scientists and Students "Topical Problems of Mechanical Engineering" (ToPME-2019): Volume 747, 04–06 December 2019, Moscow, Russia. IOP Publishing; 2020. No. 012099. https://doi.org/10.1088/1757-899X/747/1/012099 Chuvikov D.A., Aladin D.V., Adamova L.E., et al. A new method for creating Mivar knowledge bases in tabular-matrix form for ground intelligent vehicle control systems. In: Journal of Physics: Conference Series: Proceedings of the International Conference on Actual Issues of Mechanical Engineering (AIME 2021): Volume 2061, 15–16 June 2021, Novorossiysk, Russia. IOP Publishing; 2021. No. 012123. https://doi.org/10.1088/1742-6596/2061/1/012123 Аладин Д.В. Метод автоматической генерации миварных баз знаний для решения управленческих задач в пространстве состояний. Проблемы искусственного интеллекта. 2025;(3):88–99. https://doi.org/10.24412/2413-7383-2025-3-38-88-99 Доу Л. Модель принятия решений для обнаружения пожаров на основе распознавания образов и миварной экспертной системы. Системы управления и информационные технологии. 2025;(3):59–65. Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization. In: Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), 22–29 October 2017, Venice, Italy. IEEE; 2017. P. 618–626. https://doi.org/10.1109/ICCV.2017.74 Ribeiro M.T., Singh S., Guestrin C. "Why Should I Trust You?": Explaining the Predictions of Any Classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13–17 August 2016, San Francisco, CA, USA. New York: ACM; 2016. P. 1135–1144. https://doi.org/10.1145/2939672.2939778 Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions. In: Advances in Neural Information Processing Systems 30: Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017), 04–09 December 2017, Long Beach, CA, USA. 2017. P. 4765–4774. Doshi-Velez F., Kim B. Towards A Rigorous Science of Interpretable Machine Learning. arXiv. URL: https://doi.org/10.48550/arXiv.1702.08608 [Accessed 15th May 2026]. Mittal A., Moorthy A.K., Bovik A.C. No-reference image quality assessment in the spatial domain. IEEE Transactions on Image Processing. 2012;21(12):4695–4708. https://doi.org/10.1109/TIP.2012.2214050 Wang Zh., Bovik A.C., Sheikh H.R., et al. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing. 2004;13(4):600–612. https://doi.org/10.1109/TIP.2003.819861 Jobson D.J., Rahman Z., Woodell G.A. A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes. IEEE Transactions on Image Processing. 1997;6(7):965–976. https://doi.org/10.1109/83.597272 Guo Ch., Li Ch., Guo J., et al. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement. In: Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 13–19 June 2020, Seattle, WA, USA. IEEE; 2020. P. 1777–1786. https://doi.org/10.1109/CVPR42600.2020.00185 Zhang K., Zuo W., Chen Y., et al. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising. IEEE Transactions on Image Processing. 2017;26(7):3142–3155. https://doi.org/10.1109/TIP.2017.2662206 Nah S., Kim T.H., Lee K.M. Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21–26 July 2017, Honolulu, HI, USA. IEEE; 2017. P. 257–265. https://doi.org/10.1109/CVPR.2017.35 Kupyn O., Budzan V., Mykhailych M., et al. DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks. In: Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 18–23 June 2018, Salt Lake City, UT, USA. IEEE; 2018. P. 8183–8192. https://doi.org/10.1109/CVPR.2018.00854 Ren W., Liu S., Zhang H., et al. Single Image Dehazing via Multi-scale Convolutional Neural Networks. In: Computer Vision – ECCV 2016: Proceedings of the 14th European Conference on Computer Vision: Part II, 11–14 October 2016, Amsterdam, The Netherlands. Cham: Springer; 2016. P. 154–169. https://doi.org/10.1007/978-3-319-46475-6_10 Zhang H., Patel V.M. Density-aware Single Image De-raining Using a Multi-stream Dense Network. In: Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 18–23 June 2018, Salt Lake City, UT, USA. IEEE; 2018. P. 695–704. https://doi.org/10.1109/CVPR.2018.00079 Tian Y., Ye Q., Doermann D. YOLOv12: Attention-Centric Real-Time Object Detectors. arXiv. URL: https://doi.org/10.48550/arXiv.2502.12524 [Accessed 15th May 2026]. Liu W., Anguelov D., Erhan D., et al. SSD: Single Shot MultiBox Detector. In: Computer Vision – ECCV 2016: Proceedings of the 14th European Conference on Computer Vision: Part I, 11–14 October 2016, Amsterdam, The Netherlands. Cham: Springer; 2016. P. 21–37. https://doi.org/10.1007/978-3-319-46448-0_2 Lin T.-Y., Goyal P., Girshick R., et al. Focal Loss for Dense Object Detection. In: Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), 22–29 October 2017, Venice, Italy. IEEE; 2017. P. 2999–3007. https://doi.org/10.1109/ICCV.2017.324 Hendrycks D., Dietterich Th.G. Benchmarking Neural Network Robustness to Common Corruptions and Perturbations. In: Proceedings of the 7th International Conference on Learning Representations (ICLR), 06–09 May 2019, New Orleans, LA, USA. 2019. URL: https://openreview.net/forum?id=HJz6tiCqYm

The authors declare that there are no conflicts of interest present.