CC BY
1941
17. Pshikhopov V.Kh., Medvedev M.Yu. Adaptivnoe pozitsionnoe upravlenie podvizhnymi ob"ektami, ne linearizuemymi obratnoy svyaz'yu [Control of moving objects without linearizability feedback], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automation, Control], 2015, Vol. 16, No. 8, pp. 523-530.
18. Martynova L.A., Mashoshin A.I., Pashkevich I. V., Sokolov A.I. Sistema upravleniya - naibolee slozhnaya chast' avtonomnykh neobitaemykh podvodnykh apparatov [Control system - the most difficult part of the autonomous underwater vehicle], Morskaya radioelektronika [Marine Electronics], 2015, No. 4 (54), pp. 23-32.
19. Martynova L.A., Mashoshin A.I., Pashkevich I.V., Sokolov A.I. Integrirovannaya sistema upravleniya avtonomnogo neobitaemogo podvodnogo apparata [Integrated Management System autonomous underwater vehicle], Materialy 8-y Vserossiyskoy mul'tikonferentsii po problemam upravleniya, Divnomorskoe, 28 sentyabrya - 3 oktyabrya 2015g [Materials of the 8th All-Russian multiconference management issues Divnomorskoe, September 28 - October 3, 2015], Vol. 3, pp. 191-193.
20. Martynova L.A., Mashoshin A.I., Pashkevich I.V., Sokolov A.I. Algoritmy, realizuemye integrirovannoy sistemoy upravleniya ANPA [Algorithms realized the integrated control system of AUV], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2015, No. 1 (162), pp. 50-58.
21. Gorodetskiy V.I., Grushinskiy M.S., Khabalov A.V. Mnogoagentnye sistemy (obzor) [Multiagent systems (review)], Novosti iskusstvennogo intellekta [News of Artificial Intelligence], 1998, No. 2, pp. 64-116.
22. Rzhevskiy G.A., Skobelev P.O. Kak upravlyat' slozhnymi sistemami? Mul'tiagentnye tekhnologii dlya sozdaniya intellektual'nykh sistem upravleniya predpriyatiyami [How to manage complex systems? Multi-agent technology to create intelligent business management systems]. Samara: Ofort, 2015, 290 p.
23. Innocenti B. A multi-agent architecture with distributed coordination for an autonomous robot. Ph.D. dissertation - Universitat de Girona, 2009, 146 p.
Статью рекомендовал к опубликованию д.т.н. А.Г. Голубев.
Мартынова Любовь Александровна - АО "Концерн "ЦНИИ "Электроприбор"; e-mail: [email protected]; 190068, Санкт-Петербург, пр. Римского-Корсакова, 49, кв. 1; тел.: +79219411395; НИЦ «Интегрированные системы освещения обстановки»; д.т.н.; с.н.с.
Машошин Андрей Иванович - e-mail: [email protected]; 197046, Санкт-Петербург, ул. Малая Посадская, 30; тел.: +79217632345; НИЦ «Интегрированные системы освещения обстановки»; д.т.н.; профессор.
Martynova Liubov Alexandrovna - JSC CSRI Elektropribor; e-mail: [email protected]; 49-1, pr. Rimskogo-Korsakowa, Saint-Petersburg, 190068, Russia; NIC "ISOO"; phone: +79219411395; dr. of eng. sc.; senior scientist.
Mashoshin Andrey Ivanovith - e-mail: [email protected]; 32, Malaja Posadskaja street, Saint-Petersburg, 197046, Russia; phone: +79217632345; NIC "ISOO"; dr. of eng. sc.; professor.
УДК 621.865(075.8)
Б.Б. Михайлов, А.В. Назарова, А.С. Ющенко
АВТОНОМНЫЕ МОБИЛЬНЫЕ РОБОТЫ - НАВИГАЦИЯ И УПРАВЛЕНИЕ
Рассматриваются новые методы управления и навигации роботами, способными к автономному поведению в условиях недетерминированной рабочей среды. Деятельность человека-оператора сводится к наблюдению за функционированием робототехнической системы и к постановке текущих задач. При этом добавляется обратная связь, которая
может быть и речевой. Таким образом, задача управления приобретает характер диалога человека и робота, сопровождающегося графическими и речевыми сообщениями. Существенную роль при этом играет система навигации, поскольку робот должен самостоятельно оценивать окружающую обстановку и планировать свой путь, в том числе и при наличии других движущихся объектов в рабочей зоне. Автоматическое решение этих задач существенно облегчает задачу оператора, но требует разработки «интеллектуальной» системы управления автономным роботом. К числу таких задач относится и задача автоматического возвращения робота при потере связи с оператором, решение которой повышает надежность робототехнической системы. Изменение характера деятельности оператора, который теперь не управляет непосредственно движениями робота, приводит к изменению характера системы управления, поскольку она должна учитывать возможности восприятия оператора и характер принимаемых им решений. Одним из путей решения этой задачи является применение нечеткой логики как на этапе восприятия информации, так и на этапах планирования действий и принятия оперативных решений. Применение «естественных» пространственно-временных отношений и лингвистических переменных еще более приближает процесс управления к диалогу оператора с роботом, что позволяет определить робототехническую систему такого типа как систему кооперативного управления. На практике большая часть задач, решаемых автономными мобильными роботами, таких как мониторинг местности, радиационная и химическая разведка, борьба с пожарами и стихийными бедствиями требуют участия группы мобильных роботов. Некоторые результаты, касающиеся группового управления роботами, также представлены в работе.
Автономные мобильные роботы; система навигации; SLAM; нечеткая логика; лингвистические переменные; нечеткий логический вывод; многоагентные робототехнические системы.
B.B. Mikhailov, A.V. Nazarova, A.S. Yuschenko AUTONOMOUS MOBILE ROBOTS- NAVIGATION AND CONTROL
The new methods of control and navigation of autonomous mobile robots in undetermined environment are under consideration in the paper. The human operator can only observe the behavior of the robotic system and state the new tasks. The feedback may be in form of speech. So the control task acquires a form of a dialogue between human and robot accompanied by graphic and speech information. Important part in the autonomous robot control is the navigation system proving the robot to appreciate the environment and to plan its own way. Also in presence of other moving objects in the scene. Automatization of such operations may make sufficiently easer the tasks of the operator by the intellectualization of control system of the mobile robot. One of these tasks is the robot return in case of communication loss with the operator. The new mode of operator's control lead to new mode of control system which now has to take into consideration the possibilities of human to perceive information and to accept the necessary decisions. One of the way to solve the problem is the application of fuzzy logic both on the stage of perception and on the stage of planning and decision. Application of the "natural" relations of space and of time make the dialogue similar to the dialogue between the master and assistant. So such robotic systems may be named the cooperative ones. Their practical applications usually demand the participation of a group of autonomous robots to fulfil the stated task. Some results in this direction also is presented.
Autonomous mobile robots; navigation system; SLAM; fuzzy logic; linguistic variable; fuzzy logic inference; multiagent robotic systems.
Введение. Современные мобильные роботы могут самостоятельно перемещаться в окружающем пространстве и выполнять необходимые действия с помощью манипуляторов. Робот оснащен системой технического зрения и комплексом информационных датчиков, способных сформировать комплексное представление о текущей ситуации. База знаний робота, позволяет ему самостоятельно ориентироваться в окружающей среде и принимать решения о действиях, необходимых для решения поставленной задачи. Таким образом, манипуляционный мобильный
робот представляет собой «интеллектуальную» техническую систему, способную к автономному поведению. Тем не менее, в большинстве задач, выполняемых в заранее не определенных условиях и связанных с высокой «ценой» ошибки при неверных действиях, по-прежнему предполагается участие человека-оператора в управлении роботом.
Применение робототехники в различных приложениях, связанных с решением специальных задач, требует максимального упрощения способов взаимодействия человека и робота. Наиболее естественным способом такого взаимодействия является речевое диалоговое управление. Задача управления роботом со стороны оператора в этом случае включает диалог на проблемно-ориентированном языке, близком к естественному, и наблюдение за действиями робота. Постановка задачи об управлении в этом случае видоизменяется, поскольку робот становится уже не объектом управления, а техническим субъектом-партнером, способным самостоятельно определять свои подцели и линию поведения в интересах общей задачи, поставленной оператором. Роль обратной связи в системе диалогового управления выполняют речевые сообщения робота оператору, имеющие целью уточнение команд, информирование оператора о текущей ситуации, или о достижении поставленной цели.
Особая роль в решении задач управления автономными роботами принадлежит информационно-сенсорной системе, которая должна самостоятельно анализировать текущую ситуацию, планировать свои действия и при этом взаимодействовать с человеком-оператором на языке, близком к естественному языку. Она должна самостоятельно искать и обнаруживать опасные предметы, свободно перемещаться в пространстве, в котором могут находиться и другие движущиеся объекты. При потере связи с оператором робот должен самостоятельно, используя полученную и запомненную информацию о внешнем мире, вернуться обратно на исходную позицию.
Управление автономным роботом со стороны оператора приобретает новый характер. Это уже не непосредственное управление движением, а постановка задач. Поскольку условия выполнения задач не всегда соблюдаются, управление приобретает характер диалога между человеком и интеллектуальной системой управления. Последняя принимает равноправное участие в планировании операций и принятии решений. Такого рода робототехнические системы называют системами кооперативного управления [1].
Область применения автономных роботов очень широка. Это поиск и обезвреживание опасных объектов, задачи радиационной и химической разведки, работа в зоне техногенных и природных катастроф. Такие робототехнические системы находят применение и в гражданской сфере в качестве сервисной робототехники. Сервисные роботы уже появились и успешно выполняют функции обслуживания посетителей в музеях, аэропортах, магазинах. Особенно важно применение сервисных роботов в медицинских учреждениях, в том числе, в качестве средства реабилитации пациентов. Активно используются сервисные роботы телеприсутствия, позволяющие удаленно находиться в помещении и перемещаться по нему, наблюдая происходящее вокруг видеокамерой робота.
Практическое применение автономных мобильных роботов привело к необходимости одновременного участия в выполнении поставленных задач не одного, а группы взаимодействующих роботов. Теория группового управления интеллектуальными роботами находится на начальной стадии своего развития. Тем не менее, определенные результаты получены и в этой области.
1. Навигация и перемещение в пространстве с движущимися препятствиями. Рассматривается работа мобильного робота в помещении, план которого заранее неизвестен. В помещении имеются как статические препятствия (стены,
столы, стулья), так и подвижные (люди, другие роботы). Мобильный робот оснащен сканирующим лазерным дальномером, который получает скан рельефа окружающих объектов в плоскости, параллельной подстилающей поверхности. Необходимо в режиме реального времени определять положение мобильного робота в системе координат, связанной с помещением (задача локализации), а также построить карту данного помещения, отображающую рельеф стен и неподвижных объектов. Такого рода системы управления известны как системы SLAM (System of Localization and Mapping).
Функциональная структура навигационной системы мобильного робота [2] показана на рис. 1 Особенностью предложенной структуры является независимость от типа шасси мобильного робота, а также от наличия и типа датчиков одо-метрии, что позволяет использовать разрабатываемую навигационную систему на всех типах мобильных роботов, работающих в помещении.
Для выполнения своих задач робот должен двигаться по заданному маршруту и при этом соблюдать меры безопасности, в том числе, при наличии движущихся объектов в рабочей зоне. Таким образом, робот перемещается автономно при помощи навигационной системы, при этом оператор выполняет только функцию постановки задачи. Не исключается и полуавтоматический режим, например, режим телеприсутствия, при котором задача оператора существенно упрощается.
На первом этапе работы навигационной системы решается задача фильтрации скана путем удаления ложных измерений с помощью специального фильтра. Для решения задачи анализа модели рабочей среды вначале исследовался метод нормальных распределений (NDT - Normal Distribution Transform) [3]. В этом случае карта помещения разбивается на ячейки, каждая из которых содержит не сами точки, а параметры нормального распределения всех точек, попавших внутрь. Решая задачу минимизации функции взаимной корреляции скана и карты, можно определить положение робота, из которого был получен текущий скан
Рис. 1. Функциональная схема навигационной системы мобильного робота
Анализ этого способа показал, что он существенно ограничивает скорость движения мобильного робота, поскольку все вычисления выполняются в реальном масштабе времени. Поэтому был предложен новый способ, при котором полученный с помощью системы информационных датчиков скан преобразуется в сеточную функцию. При этом каждая точка скана преобразуется в некоторую непрерывную функцию, затем они объединяются при помощи выбранного принципа суперпозиции и накладываются на карту-сетку, тем самым образуя сеточную функцию. Метод сеточных функций, так же как и метод нормальных распределений, основан на сопоставлении скана и полученной карты при помощи взаимной корреляционной функции. Для минимизации этой функции был использован модифицированный метод Ньютона. После решения задачи SLAM положение робота на карте может быть вычислено с использованием преобразование из системы координат лазерного дальномера в систему координат мобильного робота. Сравнительный анализ двух рассмотренных методов локализации показал, что преимущество нового метода сеточных функций заключается в расширенной области сходимости, что позволяет заметно увеличить скорость движения мобильного робота [4].
Специфика управления мобильным роботом в динамической среде состоит в том, что движение препятствий нельзя рассчитать заранее. Чтобы избежать столкновений с движущимися препятствиями, необходимо знать их положение и предсказывать траекторию их движения. Тогда можно двигаться вдоль спланированной траектории, отклоняясь от нее в нужный момент, чтобы совершить маневр и объехать препятствие. Предлагается алгоритм управления роботом в динамической среде, основанный на трассировке подвижных препятствий [5]. На первом этапе решается задача планирования маршрута по построенной методом сеточных функций карте помещения. Для этого используется хорошо известный алгоритм А*. Далее решается задача трассировки подвижных препятствий - определения текущего вектора состояния препятствия в каждый момент времени, синхронизированный с получением нового скана. Для построения списка препятствий, сначала проводится классификация и кластеризация точек скана. Кластеризация в данном случае проводится по евклидовому расстоянию между точками скана. Пороговое значение вычисляется исходя из расстояния до точки и углового разрешения лазерного дальномера.
Каждый подвижный объект обрабатывается с целью получения соответствующих ему параметров габаритной окружности. После нахождения габаритной окружности можно получить оценку полного вектора состояния подвижного объекта (рис. 2).
Разработанный алгоритм предсказывает новое положение этого объекта, используя уравнения кинематики (предполагается, что наблюдаемый объект является твердым телом, перемещающимся по плоскости) и предыдущий вектор его состояния. Затем, используя полученное предсказание и параметры габаритной окружности, определяется (&+1)-я оценка положения объекта:
О
1 X
Рис. 2. К определению положения движущегося объекта
х
к+1 = К ■ хки + (1 - К) ■ хкр =
Ук+1 = К ■ Уки + (1 - К) ■ Укр
где хки, уки - измеренное положение объекта, хкр, укр - предсказанное положение объекта, К - коэффициент фильтрации.
Затем определяется длина перемещения и направление, вдоль которого оно было совершено:
А/ =
л/О
хк+1 — хк) Фки = 2агС£
.Ук+1 — Л
(Ук+1 —Ук У
Л
—Фк •
V хк+1 — хку Вычисляется также оценка курсового угла:
Фк+1 = Кф ■Фки + (1 — Кф ) ■Фкр • Скорости определяются путем оценки производной от длины пройденного пути и от приращения курсового угла:
.2 Л
А/
уки = — ■
П
1 +
АФ 24
ю ки =■
Фк+1 — Фк
П
Задачи следования вдоль спланированного маршрута и обхода подвижных препятствий решаются совместно, так как при движении по заданной траектории подвижные объекты могут оказаться вблизи этой траектории. В этом случае необходимо совершить маневр обхода. Дальнейшее движение, независимо от предыдущего состояния, должно быть оптимально по выбранному критерию.
Для подтверждения предложенного способа управления был поставлен эксперимент, включающий построение карты помещения, определение точности локализации и оценку качества управления роботом при наличии динамических препятствий (рис. 3).
Рис. 3. Проведение экспериментов по навигации мобильного робота
Измеренная точность локализации составила 0,68 ± 0,45° по углу поворота и 0,4 ± 0,8 см по положению, что является хорошим результатом, превышающим существующие аналоги. Показатели качества управления составили по длине пути, времени выполнения операции и дистанции до препятствия соответственно: Lpath = 2,4 ± 0,6 м, ТраА = 6,8 ± 1,3 с, Dmaх = 0,5 ± 0,2 м.
Разработанная навигационная система нашла свое применение в реальном сервисном роботе, построенного компанией «Нейроботикс» для патрулирования помещения с целью поиска лиц с измененным психоэмоциональным состоянием. Область его применения: вокзалы, аэропорты, торговые центры и другие места массового скопления людей.
2. Задача автоматического возвращения робота. Отметим, что, несмотря на большую степень автономности интеллектуального мобильного робота, он все же должен контролироваться оператором, который ставит текущие задачи в соответствии с получаемой информацией. К тому же, в большинстве задач мобильные роботы непосредственно управляются в дистанционном режиме оператором. При потере связи, ухудшении видимости и других случаях, когда не может использоваться полуавтоматическое управление, возникает проблема автоматического возвращения робота к оператору. Если основные задачи решаются в дистанционном режиме, то применять дорогостоящий лазерный дальномер для решения этой задачи методом SLAM не всегда целесообразно. Поэтому в экстремальных ситуациях альтернативой этим методам является визуальная одометрия - метод оценки линейного и углового смещения робота с помощью анализа последовательности изображений, снятых установленной на нем камерой [6].
В табл. 1 приводится сравнение основных методов, применяемых сегодня для решения задач навигации мобильных роботов. Здесь показаны преимущества «+» и недостатки «-» рассмотренных способов навигации при решении задачи возвращения робота. Это сравнение показывает целесообразность применения метода визуальной одометрии.
Таблица 1
Сравнение способов навигации автономных мобильных роботов
S % О Маяки SLAM Колесно-инерц. одо-метря Визуальн. одометрия
Не накапливают ошибку + + + - -
Высокая точность на коротких траекториях - - +/- + +
Работает в недетерминированной среде + - + + +
Не снижает точность в помещении - - + + +
Размер территории не ограничен. + - - + +
Инвариантна к проскальзыванию колес + + + - +
Не требует стационарных объектов + - - + +
Инвариантна к изменениям в среде + + - + +
На рис. 4 показана последовательность этапов работы визуального одометра [7]. Для его работы периодически вводятся пары изображений, получаемые с помощью двух телекамер, расположенных на борту робота, и для каждой выполняются перечисленные на рис.4 процедуры. После выравнивания изображений на левом изображении выделяются особые точки, которые можно устойчиво отличать от других, например, углы объектов, пятна, резкие перепады яркости и т.д. На правом изображении находятся соответствующие им точки. Вычисление пространственных координат особых точек выполняется при решении задачи триангуляции с использованием разницы положения изображений одной и той же точки с двух телекамер. Чтобы вычислять смещение робота, отслеживается изменение положения особых точек с течением времени. Использован алгоритм Люкаса и Кенеда и фильтрация Хиршмюллера.
Рис. 4. Последовательность этапов работы визуального одометра
Вычисление перемещения робота - статистическая задача. Точность ее решения достигается за счет количества точек. На рис. 5 показано перемещение системы координат робота за время смены кадров. Система координат 0°X0У0 20 неподвижна. 0СХСУС2С - положение системы координат робота в текущий момент времени. 0 р ХРУР2Р - в некоторый предыдущий момент времени. - неподвижные особые точки пространства. Пусть координаты ьй особой точки пространства в системе координат робота в текущий момент времени Сг = (X С УУС 2С)Т, координаты той же точки пространства в некоторый предыдущий момент времени Р1 = (Хр Ур 2р)Т, найдено N точек. Изменение положения системы координат робота будем описывать в виде:
С{ =ЯР1 + Т, 1 = мГ,
(Г11 Г12 Г13\
г21 г2 2 г2 з I - матрица пово-
Г31 Г32 Г33/
рота. Задача заключается в получении оценки Т и И при решении полученной (переопределенной) системы линейных алгебраических уравнений методом наименьших квадратов. Чем больше координат зафиксировано, тем менее решение чувствительно к погрешности определения координат особых точек.
Рис. 5. Перемещение системы координат робота
Текущие координаты робота оцениваются при счислении смещений Т и R. Когда особые точки пропадают из поля зрения телекамер, они исключаются и заменяются на новые, что позволяет измерять координаты в изменяющейся среде. Определение координат робота позволяет построить траекторию автоматического возвращения к оператору с помощью сплайнов третьей степени [8].
Схема системы управления, обеспечивающей описание траектории по данным визуальной одометрии и автоматическое возвращение по ней показана на рис. 6. В обычном режиме "manual" оператор управляет роботом с помощью джойстика J, задавая линейную и угловую скорости v** и w**. Эти сигналы принимаются через приемопередатчик RF и поступают в систему управления приводами D где преобразуются в угловые скорости колес q1 и q'2. Визуальный одометр VO вычисляет линейную и угловую скорости робота и , счисление которых позволяет оценить его текущие координаты x, y и курс а. Блок навигации NVG сохраняет пройденную роботом траекторию, удаляя петли и шум. При потере связи блок RF переключат систему в режим "auto ", в котором робот возвращается по сохраненной траектории автоматически. Для этого блок NVG выдает координаты x* и y* ранней точки pf траектории. Робот движется в эту точку, используя данные визуального одометра в качестве обратной связи по положению.
Экспериментальное исследование предложен-ной системы автомати-ческого возвращения, установленной на мобильный робот, проводилось в реальных условиях [9]. На первом этапе оператор с помо-щью джойстика выводил робот в конечную точку по произвольной траек-тории, которая запи-сывалась по предложенному алгоритму.
Рис. 6. Схема системы управления мобильным роботом
Когда робот достигал конечной точки, имитировалась потеря связи, и оператор переключал систему управления в автоматический режим. На втором этапе робот автоматически возвращался к оператору (в исходную точку) по сохраненному описанию траектории.
В каждом заезде после возвращения робота измерялись координаты точки останова и оценивалась средняя квадратичная погрешность выхода робота в исходную точку относительно длины траектории. Всего для проверки было выполнено около 100 заездов по различным траекториям. Экспериментальные исследования проводились в помещении, на улице и в парке. Они показали, что наилучшие результаты могут быть получены путем комплексирования данных визуального одометра с другими средствами одометрии - колесной одометрии и с данными инерциального измерителя угловой скорости. Среднеквадратическая ошибка возвращения в исходную точку при этом составила не более 3 %. Отметим, что эксперименты проводились и в неблагоприятных для визуальной одометрии усло-
виях: в сумерках и темноте, на однотонных подстилающих поверхностях. Тем не менее, и в этих условиях, использование визуальной одометрии позволило существенно улучшить точность навигационной системы.
3. Нечеткая модель текущей ситуации. Управление атвономными мобильными роботами со стороны оператора приобретает характер постановки задач и диалога, сопровождающего их выполнение. При этом должны использоваться «естественные» с точки зрения человека пространственно-временные отношения [10], что существенно облегчает задачу управления роботом. Для организации диалогового управления мобильным роботом целесообразно использовать методы нечеткой логики. Эти методы оказались весьма эффективными для описания внешнего мира и текущей ситуации с помощью лингвистических переменных. Развитие этого подхода, применительно к задаче управления роботами, состоит в том, чтобы найти «естественную» в том же смысле оценку ситуации, и принять в заранее неопределенных условиях решение, определяющее поведение робота.
Описание внешнего мира робота включает как описание объектов, представляющих интерес для выполнения заданной операции, так и пространственных отношений между объектами мира, включая и сам робот. Для описания пространственных отношений между объектами рабочей сцены используются экстенциаль-ные и интенциальные нечеткие отношения [10]. К первым относятся отношения положения и ориентации объектов. Например «объект а1 далеко, и впереди справа объекта а2». К интенциальным отношениям относятся такие отношения, как соприкасаться; быть внутри; быть вне; быть в центре и т.д. Из элементарных пространственных бинарных отношений можно, используя формальные правила коньюнкции и дизьюнкции, получить и другие отношения, встречающиеся на практике.
Текущая ситуация, включающая М объектов, в том числе, управляемый робот, описывается системой бинарных фреймов (<объект m>, <отношение>, <объект п>), m, я=1,2,...,М. Если заранее установлены нечеткие бинарные отношения между всеми объектами, которые могут наблюдаться роботом в процессе движения, то мы получим нечеткую семантическую сеть, или нечеткую карту. Используя такую карту, можно, в частности, осуществлять навигацию робота по наблюдаемым реперам, т.е. по объектам, положение которых было заранее известно [11]. Образ текущей ситуации может включать и другие нечеткие признаки, помимо пространственных. Например, мобильный робот, предназначенный для охраны помещения от пожара, может иметь датчики температуры, влажности, состава воздуха (наличия вредных веществ или задымления), акустические датчики. Совокупность этих данных определяет направление движения к источнику пожара [12].
Важная особенность задачи управления с использованием нечеткой модели рабочей сцены мобильным роботом, снабженным системой технического зрения, состоит в том, что в процессе движения меняется масштаб изображения, воспринимаемого телекамерой, установленной на роботе. Он меняется в зависимости от дальности до препятствия и курсового угла. Этот эффект приводит к необходимости введения двумерной функции принадлежности для определения текущего положения робота на плоскости. Например, функция принадлежности по ориентации (по курсовому углу) зависит также и от дальности D. Эта особенность системы технического зрения автономного мобильного робота соответствует закону пространственной перспективы, свойственному естественному зрению человека.
Поскольку внешний мир непрерывно изменяется как за счет движения наблюдаемых объектов, так и за счет движения самого робота, то и описание ситуации изменяется во времени. Это обстоятельство требует учета в общем случае не только пространственных, но и временных отношений во внешнем мире, таких как
«быть одновременно», «быть раньше», «следовать за». Такие отношения приходится использовать, в частности, при управлении мобильными роботами, перемещающимися в пространстве, содержащем другие движущиеся объекты [13]. Они позволяют обеспечить автоматическое сопровождение подвижных объектов, или избежать столкновения с ними.
В общем случае ситуация определяется фреймом, слотами которого служат имена объектов внешнего мира, естественные отношения между объектами, как пространственные, так и временные, а также другие признаки, характеризующие ситуацию. Сравнение наблюдаемой ситуации с одной из эталонных ситуаций, содержащихся в базе знаний, проводится с использованием тех или иных критериев нечеткой близости ситуаций [14], так что получаемая таким образом оценка ситуации роботом представляет не что иное, как формализованную и усредненную оценку аналогичной ситуации человеком.
Совокупность обозначений (имен) заданных объектов в пространстве рабочей сцены и нечетких отношений между ними составляют словарь формального языка описания ситуации. Используя введенную Д.А. Поспеловым терминологию, можно назвать язык используемых для описания ситуаций формально-логических отношений, ситуационным языком. На ситуационном языке может быть организован диалог между роботом и человеком при анализе ситуации. Диалоговая организация интерфейса позволяет роботу формировать запросы к оператору при отсутствии необходимой информации для построения модели внешнего мира.
4. Диалоговое управление мобильным роботом. Описав текущую ситуацию на языке лингвистических переменных и нечетких отношений, можно задать поведение автономного робота во внешней, не полностью определенной среде с помощью нечетких правил продукционного типа. Можно априори выделить стереотипы поведения, определяемые сложившейся ситуацией. Их иногда рассматривают как аналог условно-рефлекторного поведения «стимул-реакция». Эти стереотипы поведения имеют вид продукционных правил: «если ситуация есть Si , то тактика Т». Под тактикой мы понимаем совокупность правил поведения, выраженных с помощью лингвистических переменных и определяемых поставленной целью. Эти правила ставят в соответствие типовой ситуации заранее определенное типовое движение робота. Например: «если цель далеко, то двигаться быстро», «если цель близко, то двигаться медленно». Предполагается, что типовые ситуации можно заранее заложить в нечеткую базу знаний робота, используя опыт человека-оператора. С использованием этой базы можно составить набор правил поведения (тактик), соответствующих преследованию нового объекта, выходу в определенную точку, заданную на электронной карте, проходу в дверной проем, обходу внезапно появившегося препятствия на пути к цели, сопровождению движущихся объектов и т.п. Наличие тактик, полученных роботом заранее, или в процессе обучения, существенно упрощает задачу оператора, избавляя его от управления роботом при решении рутинных задач. При этом сами тактики могут быть заложены в базу знаний робота путём обучения нейро-нечеткой сети, являющейся основой нечеткого контроллера [15].
Цель управления мобильным роботом, система управления которого содержит нечеткий контроллер, формализуется как система нечетких правил принятия решения. Для принятия решения нечетким контроллером мобильного робота может быть использована одна из хорошо известных схем нечеткого вывода. Чаше всего используется схема Мамдани, содержащая как процедуру фаззификации (приведение к нечеткости) показаний датчиков, определяющих относительное положение робота и цели, так и процедуру дефаззификации, т.е. приведение к четкости получаемых в нечеткой форме управляющих команд, что необходимо для выработки сигналов управления.
В общем случае, тактика поведения робота определяется фреймом задачи, который можно представить в следующем виде: <текущая ситуация S1> <объект управления а0> <имя операции> Сопутствующие объекты j > < условия выполнимости операции >. Объектом управления по умолчанию является сам мобильный робот, возможности которого имеются в базе данных. Эти возможности (габариты, вес, мощности движителей, скорость, маневренность и т.п.) определяют условия выполнимости операции с учетом текущей ситуации и свойств рабочей среды (рельеф, сцепление колес с грунтом, несущие свойства грунта, характер препятствий). Условия выполнимости операции могут включать в себя и проверку постусловий, которые должны быть выполнены после завершения операции. Возможно, условия выполнимости операции потребуют выполнения специальных поисковых движений, которые мы относим к «когнитивным операциям» и которые также должны содержаться в базе знаний робота.
Команда оператора обычно включает только два элемента: <имя операции > <сопутствующие объекты>. Например, <преодолеть > <порог П>. В этом случае формализация текущей ситуации и проверка условий выполнимости операции должна выполняться самой системой.
Оператор может сообщить роботу только конечную цель движения в пространстве с частично известной структурой. В этом случае возникает проблема автономного планирования движения, требующая специального рассмотрения [16]. Решение такой задачи обеспечивает прокладку траектории в пространстве с известными препятствиями, обладающую наилучшими в том или ином смысле показателями качества и её перепланирование при появлении непредвиденных препятствий. Планирование сопровождается диалогом с оператором при появлении неоднозначности или при необходимости уточнения поставленной цели. Если цель поставлена некорректно, или планировщик не выявил реализуемой последовательности движений, приводящих к цели, то возникает запрос оператору, требующий уточнения цели, или условий ее достижимости.
Организация диалоговой системы управления предполагает создание речевого интерфейса, который включает модуль распознавания и лингвистический анализатор. Первый модуль представляет собой устройство для преобразования речевых сигналов и их интерпретации в качестве отдельных слов или фраз. Лингвистический анализатор осуществляет синтаксический и семантический разбор высказывания, в результате которого должны быть заполнены слоты фрейма для описания действий [17].
Применение диалоговой системы управления существенно упрощает задачу управления роботом, поскольку в этом случае практически не требуется наличия специальных навыков у оператора. Поэтому можно предположить, что диалоговый способ управления получит в ближайшее время широкое распространение при управлении сервисными и специальными роботами различного назначения.
5. Управление группой автономных роботов. Практическое применение интеллектуальных мобильных роботов в областях, связанных с риском для человека привело к выводу о целесообразности управления группой роботов, совместно решающих общую задачу. Характерными примерами таких задач являются разведывательные, спасательные и ликвидационные операции при авариях на различных химических и радиационно-опасных объектах. При этом возникает проблема организации согласованной работы автономных взаимодействующих роботов, образующих многоагентную робототехническую систему (МРТС).
Предварительный анализ показал, что для решения сложных задач в условиях неопределенности наиболее целесообразна организация распределенной системы гибридного типа, представляющей собой комбинацию централизованной и
децентрализованной систем. Здесь управление коллективом выполняется за счет обмена информацией между агентами, а обработка данных осуществляется управляющим центром.
В состав системы входят управляющий центр, коллектив агентов-роботов, имеющих различную «специализацию» и вспомогательное оборудование. Функции человека-оператора включают наблюдение за состоянием системы и принятие решений в сложных ситуациях. Управляющий центр формирует команды управления коллективом в целом и обрабатывает информацию, получаемую роботами в процессе выполнения задания. Роботы, в зависимости от своих функциональных возможностей, могут выполнять разведывательные, поисковые или технологические операции. В соответствии с заданием управляющего центра, роботы с помощью обмена сообщениями объединяются в группы и распределяют задачи между собой с учетом заданного критерия оптимальности.
На рис. 7 приведена структурная схема разработанной иерархической системы управления МРТС, построенной по модульному принципу [18]. Управляющий центр, образующий первый уровень системы управления, содержит блок формирования команд, отвечающий за выработку последовательности команд и передачу их роботам, и блок обработки данных, куда поступает информация от агентов-роботов и вспомогательного информационно-измерительного оборудования.
Второй уровень отвечает за глобальное планирование действий МРТС: декомпозицию задач, решаемых МРТС, на более простые задачи и распределение их между роботами. Результатом работы соответствующих алгоритмов является определение координат целевой точки для каждого робота.
Третий уровень обеспечивает формирование траекторий движения роботов с помощью алгоритмов локального планирования, основанных на аналоге метода потенциалов. Для формирования траекторий движения необходимо определять текущие координаты роботов в рабочем пространстве, эта задача решается комбинированной навигационной системой.
Рис. 7. Структура системы управления МРТС
Четвертый уровень (исполнительный) осуществляет непосредственное взаимодействие со всеми элементами МРТС и внешней средой, он отвечает за выработку управляющих сигналов для приводов роботов, навигационных датчиков, специального и вспомогательного оборудования, поддерживает работу сенсорной системы.
Решение задач глобального планирования необходимо при реализации как централизованного, так и мультиагентного управления. В случае централизованного управления задачи в коллективе роботов распределяет управляющий центр в соответствии с заданным критерием оптимальности (как правило, это время решения глобальной задачи).
Самый простой способ решения задачи централизованного управления - метод перебора - применять в большинстве случаев нецелесообразно, поскольку он требует значительного времени решения. Эволюционные методы (генетические алгоритмы) также требуют значительного времени ввиду вычислительной сложности. В связи с этим, для управления в реальном масштабе времени группой роботов был разработан, реализован и исследован более простой - «ценовой» алгоритм [18]. В этом случае управляющий центр для каждого робота формирует ценовой массив {Су}, где I = 1,2,...,и - номера роботов,у = 1,2,...,т - номера задач. Этот массив содержит предполагаемые затраты робота (например, время или энергозатраты) на выполнение каждой задачи. Управляющий центр должен распределить задачи в группе роботов таким образом, чтобы соответствующие значения «цен» стремились к минимально возможным (рис. 8).
Рис. 8. Централизованное Рис. 9. Мультиагентное распределение
распределение задач в группе задач в группе
При большом числе роботов, входящих в состав группы, централизованное управление имеет ряд недостатков, среди которых невысокая надежность работы системы, большая нагрузка на радиоканалы и большой расход вычислительных ресурсов управляющего центра. Кроме того, централизованный подход неэффективен при быстром изменении параметров рабочей зоны. Этих недостатков лишен второй подход к распределению задач в группе роботов - мультиагентное управление, когда роботы в процессе переговоров самостоятельно распределяют задачи между собой, также руководствуясь заданным критерием оптимальности (рис. 9).
Такое распределение задач наилучшим образом обеспечивает модель переговоров типа «аукцион», основанную на обмене информацией между отдельными агентами. На аукционе некоторые ресурсы, например энергоресурсы, необходимые агентам для достижения цели, «выставляются на продажу». Поскольку ресурсы ограничены, агенты соперничают между собой в процессе «торгов». При распределении задач в коллективе роботов в качестве ресурсов выступают сами задачи. Целесообразность «покупки», т.е. назначения роботу конкретной задачи оценивается заданным критерием оптимальности [19].
На каждом этапе аукциона агенты-роботы формируют собственные ценовые массивы, и один из роботов коллектива становится лидером. Лидер выбирает из ответивших агентов тех, которые предлагают наименьшую цену, и отправляет им
команду выполнять задачу. На следующем этапе лидером становится другой, свободный от выполнения задачи, агент. Аукцион проводится до тех пор, пока не будут распределены все задачи. Мультиагентное управление обеспечивает возможность самоорганизации системы и повышает надежность ее работы. Сравнение мультиагентных методов показало, что алгоритм распределения задач, разработанный на базе модели переговоров «аукцион», обладает значительно меньшей вычислительной сложностью (в 0.12 *п раз, при п >> 8), чем известный мультиа-гентный метод коллективного улучшения плана [20].
Для реализации мультиагентного распределения задач каждый агент-робот должен иметь возможность обмениваться информацией со всеми остальными роботами, входящими в состав коллектива. В реальных условиях не всегда удается выполнить эти требования, поскольку в пределах рабочей зоны могут находиться различные препятствия и присутствовать помехи, нарушающие информационный обмен. Решением данной проблемы является разбиение коллектива роботов на отдельные группы, в каждой из которых определен агент-лидер, способный обмениваться данными со всеми остальными агентами группы. При этом число лидеров должно стремиться к минимуму. В рамках разработанного мультиагентного алгоритма формирования автономных групп роботов каждый агент с помощью сообщения-запроса определяет своих соседей - роботов, с которыми может обмениваться информацией, подсчитывает их количество и отправляет это значение своим соседям. Затем каждый робот выбирает из списка своих соседей лидера -агента с наибольшим количеством соседей. В результате коллектив роботов разбивается на группы, имеющие лидеров. После этого, внутри каждой сформированной группы можно использовать рассмотренный ранее мультиагентный алгоритм распределения задач.
Таким образом, результатом глобального планирования является разбиение коллектива роботов на группы, внутри которых каждому роботу поставлена соответствующая задача. Все задачи, решаемые роботами в составе групп, сводятся либо к равномерному распределению роботов в рабочей зоне, либо к перемещению роботов к заданным целевым точкам и выполнению в этих точках каких-либо операций, поэтому система управления должна обеспечивать формирование траекторий движения роботов, то есть решать задачи локального планирования. Соответствующие алгоритмы реализуются на третьем уровне системы управления и являются базовыми для блока формирования траекторий Основу алгоритмов для формирования траекторий составляет кинематический аналог известного метода «потенциалов» [21].
Реализация этого метода обеспечивает равномерное распределение роботов в рабочей зоне при ее обследовании для выявления чрезвычайных ситуаций, а также перемещение роботов в требуемые целевые точки для выполнения технологических операций. В обоих случаях роботы в процессе движения должны избегать столкновений со статическими препятствиями и с другими роботами.
Целью обследования территории является построение карты рабочей зоны. Это может быть как физическая карта местности, так и специальная картограмма, полученная по результатам обработки информации, собранной коллективом роботов, например, информации о радиоактивном заражении. Для сбора данных роботы равномерно распределяются в пределах рабочей зоны и измеряют значения требуемых параметров. Результаты измерений поступают в базу данных управляющего центра и наносятся на специальную карту местности. Полученная картограмма, представляет собой некую поверхность г = /{х, у), где пара х, у - координаты точки, г - уровень химического или радиационного заражения. Эту поверхность нужно предоставить оператору в удобной для понимания форме. Наиболее
простой и наглядный способ - построить двумерную цветную (градиентную) картограмму. Картограмма, помимо информации дляоператора, может использоваться для формирования безопасных маршрутов эвакуации людей. Алгоритм построения безопасных маршрутов с гарантированной степенью безопасности P*, т.е. с величиной заданного параметра fk, которая не будет превышена ни в одной точке найденного маршрута, основан на алгоритме Беллмана-Форда поиска кратчайшего пути во взвешенном графе. На рис.10 показан результат работы алгоритма построения кратчайшего безопасного маршрута на градиентной картограмме с гарантированной степенью безопасности P = 1.5.
Рис. 10. Кратчайший безопасный маршрут на картограмме
Для проверки предложенных методов разработан программный пакет, реализующий алгоритмы централизованного и мультиагентного управления коллективом роботов, алгоритмов формирования траекторий движения роботов, а также методов обработки собранной роботами информации. Результатом обработки исходных данных является программная модель физической карты местности с заданными препятствиями, которая отображается в анимационном окне (рис. 11).
Аммаиионим окно
.............. 1
* * ♦ . "-- »__„ J 1
, ® ч ~ 1»— Г! «-| |
г ............1
ндв.
♦ £ ——
О л * —— ■
♦ * * ; лЛ
— ■ —
о * * .
Рис. 11. Маркировка безопасных маршрутов и «нейтрализация» очагов заражения
Очаги и интенсивность химического заражения отображаются в соответствующем окне в виде картограммы. Далее, оператору предоставляется возможность последовательного выбора управляющих команд и, таким образом, запуска процесса моделирования соответствующих режимов работы МРТС. По команде «Обследование», роботы равномерно распределяются в рабочей зоне и измеряют кон-
центрацию отравляющих веществ. Точки, в которых концентрация превышает допустимый уровень, помечаются на карте и, по результатам измерений, корректируется картограмма заражения. По команде «Поиск безопасных маршрутов» в автоматическом режиме строятся маршруты эвакуации персонала, а по команде «Маркировка и нейтрализация» производится разбиение роботов на группы в соответствии с их специализацией. Часть роботов передвигается к очагам заражения для их нейтрализации, а другие роботы размещаются вдоль маршрутов эвакуации в качестве маркеров (на рис. 11 они снабжены флажками).
Разработанная многоагентная робототехническая система может применяться как в случае техногенных аварий на химически опасных объектах, в условиях радиационного или биологического заражения (при использовании специального оборудования), так и при ликвидации последствий различных природных катастроф.
Заключение. Развитие робототехники вступает в новую стадию, когда от задач дистанционного управления мобильными и манипуляционными робототехни-ческими устройствами мы переходим к управлению кооперативного типа, при котором робот становится полноценным участником процесса управления - партнером оператора. При этом существенно упрощается задача оператора, которому практически не требуется предварительной подготовки. Однако усложняется сама робототехническая система, обладающая теперь высокой степенью автономности и обладающая возможностями, которые относят к искусственному интеллекту. Благодаря этому становится возможным решать с помощью робототехнических устройств значительно более широкий круг задач, чем раньше. Проблемы теперь упираются, с одной стороны, в возможности вычислительной техники, которая должна оценивать текущую обстановку и управлять мобильными роботами в реальном масштабе времени с учетом достаточно высоких скоростей движения. А с другой - в психофизиологические возможности человека-оператора в сопровождении автономной деятельности мобильных роботов во внешнем мире. Если первая проблема постепенно решается в ходе технического прогресса, то вторая, в силу ограниченности возможностей человека требует постоянного развития интерфейса «человек-робот» с учетом его психологических ограничений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Kristensen S, Horstmann S., Klandt J.,Lohner F., and Stopp A. Human-friendly interaction for learning and cooperation // Proceedings of the 2001 IEEE International Conference on Robotics and Automation, Seoul, Korea, 2001. IEEE. - P. 2590-2595.
2. Герасимов В.Н., Михайлов Б.Б Решение задачи управления движением мобильного робота при наличии динамических препятствий // Вестник МГТУ им. Н.Э. Баумана. Приборостроение. Спецвыпуск "Робототехнические системы". - 2012. - № 6. - С. 83-92.
3. Ulas C., Temeltas H. Multi-Layered Normal Distribution Transform for Fast and Long Range Matching // Journal of Intelligrnt & Robotic Systems. - 2013. - Vol. 71 (1). - P. 85-108.
4. Герасимов В.Н. Алгоритм SLAM на основе корреляционной функции // Экстремальная робототехника: Сборник докладов всероссийской научно-технической конференции.
- СПб.: Изд-во «Политехника-сервис», 2015. - С. 126-133.
5. Герасимов В.Н. К вопросу управления движением мобильного робота в динамической среде // Робототехника и техническая кибернетика. - 2014. - № 1 (2).
- С. 44-51.
6. Nister D., Naroditsky O., Bergen J. Visual odometry for ground vehicle applications // Journal of Field Robotics. - 2006. - Vol. 23 (1). - P. 3-20.
7. Девятериков Е.А., Михайлов Б.Б. Использование данных визуального одометра для автономного возвращения мобильного робота в среде без фиксированных точек отсчета // Экстремальная робототехника: Сборник докладов всероссийской научно-технической конференции. - СПб.: Изд-во «Политехника-сервис», 2015. - С. 356-361.
8. Девятериков Е.А. Алгоритм описания траектории мобильного робота по данным визуального одометра для автоматического возвращения к оператору // Наука и образование. МГТУ им. Н.Э. Баумана. - 2014. - № 12. - С. 705-715.
9. Девятериков Е.А., Михайлов Б.Б. Визуальный одометр // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. Спецвыпуск "Робототехнические системы". - 2012. - № 6.
- С. 68-82.
10. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. - М.: Наука, 1989. - 328 с.
11. Ющенко А.С. Маршрутизация движения мобильного робота в условиях неопределенности // Мехатроника, автоматизация и управление. - 2004. - № 1.
12. Ющенко А.С., Тачков А.А. Интегрированная система управления пожарным разведывательным роботом // Вестник МГТУ им. Н.Э. Баумана. Приборостроение. Спецвыпуск «Робототехнические системы». - 2012. - № 6. - С. 106-11.
13. Воротников С.А., Ермишин К.В. Интеллектуальная система управления сервисным мобильным роботом // Вестник МГТУ им. Н.Э. Баумана. Приборостроение. Спецвыпуск «Робототехнические системы». - 2012. - № 6. - С. 285-289
14. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. - М.: Наука: Физматлит, 1990. - 271 с.
15. Ющенко А.С. Диалоговое управление роботами на основе нечеткой логики // Экстремальная робототехника: Сборник докладов всероссийской научно-технической конференции. - СПб: Изд-во «Политехника-сервис», 2015. - С. 143-146.
16. Ющенко А.С. Интеллектуальное планирование в деятельности роботов // Мехатроника, автоматизация, управление. - 2005. - № 3. - С. 5-18.
17. Жонин А.А. Алгоритм обучения менеджера диалога речевой диалоговой системы управления роботом // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сборник научных трудов международной конференции. - М.: Физматлит, 2011. - С. 395-406.
18. Назарова А.В., Рыжова Т.П. Методы и алгоритмы мультиагентного управления робото-технической системой // Вестник МГТУ им. Н.Э. Баумана. Приборостроение. - 2012.
- № 6. - С. 93-105.
19. Jennings N., Paratin P., Jonson M. Using Intelligent Agents to Manage Business Processes // The Practical Application of Intelligent Agents and Multi-Agent Technology: Proceedings of the First Intern. Conference. London (UK). - 1996. - P. 345-376.
20. Капустян С.Г. Алгоритм коллективного улучшения плана при решении задач распределения целей в группе роботов // Штучный интеллект. - 2005. - № 3. - С. 463-474.
21. Даринцев О.В. Система управления коллективом микророботов // Штучный интеллект.
- 2006. - № 4. - С. 391-399.
REFERENCES
1. Kristensen S, Horstmann S., Klandt J.,Lohner F., and Stopp A. Human-friendly interaction for learning and cooperation, Proceedings of the 2001 IEEE International Conference on Robotics and Automation, Seoul, Korea, 2001. IEEE, pp. 2590-2595.
2. Gerasimov V.N., Mikhaylov B.B. Reshenie zadachi upravleniya dvizheniem mobil'nogo robota pri nalichii dinamicheskikh prepyatstviy [he task of mobile robot movement control decision in the presence of moving obstacles], Vestnik MGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy" [Vestnik BMSTU Priborostroenie. Special issue «Robotic Systems»], 2012, No. 6, pp. 83-92.
3. Ulas C., Temeltas H. Multi-Layered Normal Distribution Transform for Fast and Long Range Matching, Journal of Intelligent & Robotic Systems, 2013, Vol. 71 (1), pp. 85-108.
4. Gerasimov V.N. Algoritm SLAM na osnove korrelyatsionnoy funktsii [SLAM algorithm on the base of a covariation function], Ekstremal'naya robototekhnika: Sbornik dokladov vserossiyskoy nauchno-tekhnicheskoy konferentsii [Extreme robotics: a Collection of reports of all-Russian scientific-technical conference]. St. Petersburg: Izd-vo «Politekhnika-servis», 2015, pp. 126-133.
5. Gerasimov V.N. K voprosu upravleniya dvizheniem mobil'nogo robota v dinamicheskoy srede [To the problem of a mobile robot control in the dynamic environment], Robototekhnika i tekhnicheskaya kibernetika [Robotics and Technical Cybernetics], 2014, No. 1 (2), pp. 44-51.
6. Nist'er D., Naroditsky O., Bergen J. Visual odometry for ground vehicle applications, Journal of Field Robotics, 2006, Vol. 23 (1), pp. 3-20.
7. Devyaterikov E.A., Mikhaylov B.B. Ispol'zovanie dannykh vizual'nogo odometra dlya avtonomnogo vozvrashcheniya mobil'nogo robota v srede bez fiksirovannykh tochek otscheta [Application of visual odometer datum for mobile robot autonomous return in the unknown environment], Ekstremal'naya robototekhnika: Sbornik dokladov vserossiyskoy nauchno-tekhnicheskoy konferentsii [Transaction of the Conference Extreme Robotics]. St. Petersburg: Izd-vo «Politekhnika-servis», 2015, pp. 356-361.
8. Devyaterikov E.A. Algoritm opisaniya traektorii mobil'nogo robota po dannym vizual'nogo odometra dlya avtomaticheskogo vozvrashcheniya k operatoru [Algorithm of the trajectory planning for a mobile robot return to operator using the visual odometer datum], Nauka i obrazovanie. MGTU im. N.E. Baumana [Nauka i Obrasovanie. BMSTU], 2014, No. 12, pp. 705-715.
9. Devyaterikov E.A., Mikhaylov B.B. Vizual'nyy odometr [Visual odometer], VestnikMGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy" [Vestnik BMSTU Priborostroenie. Special issue «Robotic Systems»], 2012, No. 6, pp. 68-82.
10. Kandrashina E.Yu., Litvintseva L.V., Pospelov D.A. Predstavlenie znaniy o vremeni i prostranstve v intellektual'nykh sistemakh [Time and Space Presentation in Intelligent Systems]. Moscow: Nauka, 1989, 328 p.
11. Yushchenko A.S. Marshrutizatsiya dvizheniya mobil'nogo robota v usloviyakh neopredelennosti [The Route of a Mobile Robot Planning in undetermined environment], Mekhatronika, avtomatizatsiya i upravlenie [Mechatronics, Automatics and Control], 2004, No. 1.
12. Yushchenko A.S., Tachkov A.A. Integrirovannaya sistema upravleniya pozharnym razvedyvatel'nym robotom [An integrated Control System of a Fire Reconnaissance Robot], Vestnik MGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy" [Vestnik BMSTU Priborostroenie. Special issue «Robotic Systems»], 2012, No. 6, pp. 106-11.
13. Vorotnikov S.A., Ermishin K.V. Intellektual'naya sistema upravleniya servisnym mobil'nym robotom [Intelligent Control System of a Service Mobile Robot], Vestnik MGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy" [Vestnik BMSTU Priborostroenie. Special issue «Robotic Systems»], 2012, No. 6, pp. 285-289.
14. Melikhov A.N., Bernshteyn L.S., Korovin S.Ya. Situatsionnye sovetuyushchie sistemy s nechetkoy logikoy [Situative Adviser Systems on the Base of Fuzzy Logic]. Moscow: Nauka: Fizmatlit, 1990, 271 p.
15. YushchenkoA.S. Dialogovoe upravlenie robotami na osnove nechetkoy logiki [Dialogue Mode of Robot Control on the Base of Fuzzy Logic], Ekstremal'naya robototekhnika: Sbornik dokladov vserossiyskoy nauchno-tekhnicheskoy konferentsii [Extreme robotics: a Collection of reports of all-Russian scientific-technical conference]. St. Petersburg: Izd-vo «Politekhnika-servis», 2015, pp. 143-146.
16. Yushchenko A.S. Intellektual'noe planirovanie v deyatel'nosti robotov [Intelligent Planning of Work of Robots], Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, Automatics and Control], 2005, No. 3, pp. 5-18.
17. Zhonin A.A. Algoritm obucheniya menedzhera dialoga rechevoy dialogovoy sistemy upravleniya robotom [The learning algorithm of the dialog Manager speech dialog system for robot control], Integrirovannye modeli i myagkie vychisleniya v iskusstvennom intellekte: Sbornik nauchnykh trudov mezhdunarodnoy konferentsii [Integrated models and soft computing in artificial intelligence: proceedings of the international conference]. Moscow: Fizmatlit, 2011, pp. 395-406.
18. Nazarova A.V., Ryzhova T.P. Metody i algoritmy mul'tiagentnogo upravleniya robototekhnicheskoy sistemoy [Methodology and Algorithms of Multyagent Control of a Robotic Sysytem], Vestnik MGTU im. N.E. Baumana. Priborostroenie [Vestnik BMSTU Priborostroenie. Special issue № 6 «Robotic Systems»], 2012, No. 6, pp. 93-105.
19. Jennings N., Paratin P., Jonson M. Using Intelligent Agents to Manage Business Processes, The Practical Application of Intelligent Agents and Multi-Agent Technology: Proceedings of the First Intern. Conference. London (UK), 1996, pp. 345-376.
20. Kapustyan S.G. Algoritm kollektivnogo uluchsheniya plana pri reshenii zadach raspredeleniya tseley v gruppe robotov [Algorithm of Collective Improvement of Planning of the Tasks Distribution in a Group of Robots], Shtuchnyy intellect [Schtuchny Intellect], 2005, No. 3, pp. 463-474.
21. Darintsev O.V. Sistema upravleniya kollektivom mikrorobotov [A System of a Group of Robots Control], Shtuchnyy intellect [Schtuchny Intellect], 2006, No. 4, pp. 391-399.
Статью рекомендовал к опубликованию д.ф.-м.н., профессор В.Г. Градецкий.
Ющенко Аркадий Семенович - Московский государственный технический университет им. Н.Э. Баумана (МГТУ им. Н.Э, Баумана); e-mail: [email protected]; 105037, Москва, Измайловская пл., 7; Научно-учебный центр «Робототехника» МГТУ им. Н.Э. Баумана; д.т.н.; профессор.
Михайлов Борис Борисович - Научно-учебный Центр «Робототехника» МГТУ им. Н.Э. Баумана; к.т.н.; доцент.
Назарова Анаид Вартановна - Научно-учебный Центр «Робототехника» МГТУ им. Н.Э. Баумана, к.т.н.; доцент.
Yuschenko Arkady Semenovich - Bauman Moscow State Technical University (BMSTU); e-mail: [email protected]; 7, Izmailovskaya sq., Moscow, 105037, Russia; Scientific-Educational Center "Robototechnika" BMSTU; dr of eng. sc.; professor,
Mikhailov Boris Borisovich - Scientific-Educational Center "Robototechnika" BMSTU, cand. of eng. sc.; associate professor.
Nazarova Anaid Vartanovna - Scientific-Educational Center "Robototechnika" BMSTU; cand. of eng. sc.; associate professor.
УДК 681.511.4+004.896:519.876.5
В.Ф. Гузик, В.А. Переверзев, А.О. Пьявченко, Р.В. Сапрыкин
ПРИНЦИПЫ ПОСТРОЕНИЯ ЭКСТРАПОЛИРУЮЩЕГО МНОГОМЕРНОГО НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОЗИЦИОННО-ТРАЕКТОРНОГО УПРАВЛЕНИЯ ПОДВИЖНЫМИ ОБЪЕКТАМИ*
Рассмотрены принципы построения экстраполирующего многомерного нейросетево-го планировщика {ЭМНП) интеллектуальной системы позиционно-траекторного управления подвижными объектами. Так здесь представлены результаты исследования модернизированного метода нейросетевого планирования перемещения роботизированного подвижного объекта применительно к многомерному пространству с использованием бионического принципа восприятия окружающей обстановки в условиях неопределенности и наличия препятствий, обладающих динамикой перемещения. В качестве основного принципа структуризации и построения ЭМНП предложено использовать иерархический принцип построения систем обработки информации, на основе которого синтезирована предложенная в статье иерархическая структура комплексной экстраполирующей многомерной нейроподобной сети. Такую многомерную нейроподобную сеть отличает наличие отдельных слоев, предназначенных для различных этапов обработки модельного плана среды, полученного от системы технического зрения роботизированного подвижного объекта в упомянутых выше условиях. Иерархическое строение комплексной многомерной нейропо-добной сети базируется на принципах параметрического объектно-ориентированного синтеза, синтеза пространственных планов взвешенных признаков положения объектов
*
Работа поддержана грантами РНФ (гранты № 14-19-01533, № 16-19-00001), выполненными ЮФУ.
