CC BY
79
УДК 629.113:621-52
О. В. Толстель
ИЗВЛЕЧЕНИЕ УМЕНИЙ ДЛЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ
Рассмотрено применение интеллектуальных систем управления, основанное на умениях, извлеченных у человека. Приведено подробное описание одной из систем, показаны возможные перспективы.
Application of intelligent control systems based on human abilities are considered. One of such system is described in detail. Possible aspects are shown.
Ключевые слова: интеллектуальная система управления, умение, парковка автомобиля.
Введение
Одним из известных направлений искусственного интеллекта является извлечение знаний. Знания извлекаются либо из текстов (в перспективе — из мультимедийного контента), либо из экспертов (людей) различными способами. Кроме знаний человек обладает умениями. Это навыки, которые он приобретает либо в начале жизни (ползание, удержание равновесия, хождение, захват предметов различной формы), либо на ее протяжении (спортивные игры, работа с инструментом и оборудованием, управление автомобилем и самолетом). При этом умениями первого рода обладают и более примитивные живые существа, чем человек. Примером использования такого умения можно считать сообщение об управлении тараканом (по световым ощущениям) специально сконструированным для него микророботом, появившееся недавно в Интернете. Извлечение умений из человека обещает гораздо большие перспективы.
Например, в работах [1; 2] автор предлагает использовать опыт человека для обучения робота достижению и захвату предметов разной формы. При этом человек на этапе обучения руководит захватом манипулятором предметов разной формы из различных положений. Проводится серия из большого числа таких опытов, на основе которых несколько нейронных сетей обучаются и запоминают набор углов поворота различных деталей манипулятора робота одновременно с анализом расстояния от манипулятора до предмета. Это требует системы технического зрения высокого уровня.
Ниже предлагается реализация другой системы — автоматической парковки автомобиля, которая не требует системы технического зрения и основывается на нечетком выводе. При ее обучении также используются извлеченные у человека умения.
Вестник РГУ им. И. Канта. 2008. Вып. 10. Физико-математические науки. С. 56 — 62.
Автономное устройство управления парковкой
Подробное описание такого устройства приведено в [3]. Суть заключается в управлении процессом парковки автомобиля с помощью системы нечеткого вывода (СНВ). Рассматривается наиболее сложный вариант парковки — в ограниченное пространство между двумя другими автомобилями, стоящими вдоль направления движения на краю проезжей части. (Остальные случаи более просты для управления. При этом возможны несколько движений вперед-назад в случае, когда характерный размер R этого свободного пространства лежит в диапазоне L < R < 1^, где L — длина автомобиля.)
Входной лингвистической переменной здесь будет расстояние до препятствия в метрах от точки на бампере, где находится ультразвуковой датчик «парктроника». Причем количество таких переменных равно числу датчиков, например восьми. Возможный вид нечетких переменных, входящих в такую лингвистическую переменную представлен на рисунке 1, а.
Выходной лингвистической переменной будет необходимый угол поворота руля в каждый момент времени процесса парковки, что и сформирует оптимальную траекторию движения от некоторой начальной точки. Возможный предварительный вид термов такой переменной показан на рисунке 1, б.
57
Расстояние до препятствия, м
Большой угол Небольшой угол
Небольшой угол Большой угол
Угол поворота руля, град.
а
б
Рис. 1. Возможный вид нечетких переменных, составляющих входную и выходную лингвистические переменные
58
То есть, исходя из жизненного опыта, будет приблизительно подобран вид термов входных и выходной лингвистической переменной и написан набор правил нечетких продукций вида «если..., то...». Все это вставляется в программу управления движением при парковке, которая самостоятельно обеспечивает поворот руля в каждый момент времени на необходимый угол и изменение направления движения вперед-назад. Либо, что проще конструктивно, выдает на дисплей рекомендуемые значения и разницу между ними и текущими. Подразумевается наличие некоторого бортового компьютера или специализированного контроллера, установленного на автомобиле.
Извлечение умений из опытного водителя по парковке осуществляется на следующем этапе и приводит в итоге к более точной настройке вида нечетких переменных в выходной лингвистической переменной (корректировке их предварительного вида), как показано на рисунке 2.
Большой угол Небольшой угол
Небольшой угол Большой угол
Угол поворота руля, град.
Рис. 2. Предварительный (сплошная линия) и откорректированный (штриховая линия) вид термов выходной лингвистической переменной «угол поворота руля»
Осуществляется это следующим образом. Опытный водитель совершает серию из нескольких сот парковок из разных начальных положений и при различных расстояниях R. Все это производится на одной машине с определенными значениями длины, передаточного числа от рулевой колонки на рулевую тягу и размеров колес. Результаты эксперимента обрабатываются нейронной сетью, которая и производит корректировку функций принадлежности «угла поворота руля». Далее подобная серия парковок проводится для машины другой марки и модели со своими характерными размерами.
Чтобы соединить вместе необходимые технологии искусственного интеллекта, сделать доступным обучение и эксплуатацию на любом автомобиле, была разработана функциональная схема автономного аппаратного нейронечеткого контроллера [3], которая представлена на рисунке 3. Такой контроллер может работать в режиме обучения опытных образцов на стадии формирования набора прошивок для большинства существующих автомобилей. После формирования такого набора (т. е. извлечения человеческих умений и их сохранения в виде откорректированных функций принадлежности) контроллер с набором
прошивок тиражируется для штатной эксплуатации. При этом владелец каждой машины может дообучить устройство (временно вернув его в режим обучения) в случае, если его автомобиль обладает отклонениями от штатной конструкции, большими люфтами или если его машины вообще нет в списке прошивок. Тогда для исходных данных выбирается ближайшая подходящая по размерам модель.
16. Персональный компьютер (ПК)
*
15. ШВ интерфейс
3. Коммутационная часть
і 12. Внешнее
14. Блок коммутации информационных потоков (программируе- і і 4— ПЗУ нейропроцессора
> к
мая логическая инте- > і
гральная схема —
ПЛИС) і 11. Нейро-
і процессор
2. Нейропроцессорная часть
13. Внешнее ОЗУ нейропроцессора
м м м т
17. Датчики расстояния до других машин
59
21. Датчик 19. Меха- 20. Переключа- 22. Датчик угла низм тель привода направле-
поворота поворота вперед-назад ния дви-руля руля жения
Рис. 3. Функциональная схема автономного устройства
Внутренние блоки контроллера обозначены на рисунке номерами 4-15.
60
Номер 16 имеет персональный компьютер, который нужен временно на этапе обучения для первичной загрузки программного обеспечения в контроллер и сохранения уточненных значений функций принадлежности. Номерами 17, 19 — 22 обозначены функционально важные внешние устройства и датчики.
При этом устройства 19 и 20 передают информацию в АЦП 5 только на этапе обучения. На этапе штатной эксплуатации они получают аналоговые сигналы от ЦАП 6 (при этом руль крутится сам и передача с первой на заднюю переключается сама). Либо этих устройств на этапе эксплуатации нет вообще, и человек самостоятельно паркует автомобиль, следуя показателям датчиков 21 и 22.
На рисунке 4 показаны траектории движения автомобиля 18 (точнее, средней точки его переднего бампера) при парковке в двух случаях между другими автомобилями 25.
Рис. 4. Две парковки в различных условиях
Штрих-пунктирная линия соответствует «легкому» случаю, когда расстояние между машинами велико (R > 21) и соответственно велика
зона безопасного маневрирования переднего бампера, показанная на рисунке как 24.
Во втором случае (штриховая линия) R = 1,341 и зона безопасного маневрирования переднего бампера 24 мала. Это приводит к нескольким дополнительным движениям вперед-назад.
Полное автоматическое управление автомобилем
Данный подход в извлечении умений человека представляется перспективным в развитии задачи к полному автоматическому управлению автомобилем при условии наличия мощной системы технического зрения (СТЗ). Имеется в виду СТЗ, способная не только выделять контур предмета и распознавать его независимо от ориентации в пространстве.
Важно, чтобы такая система могла «понимать» приближение и удаление объекта по изменению и искажению его размеров, «чувствовать» скорость такого изменения (т. е. производную от изменений размеров и ориентации по времени). Ну и, конечно, она должна уметь распознавать дорожную обстановку — знаки, разметку.
В таком случае весь процесс движения можно разбить на подпроцессы: выпарковка со стоянки, отъезд, въезд на проезжую часть, движение по полосе, перестроение, обгон, проезд перекрестка, пешеходного перехода, поворот налево и т. д. Для каждого подпроцесса создается свой набор правил нечеткого вывода. Например, для перестроения в соседнюю полосу правило может выглядеть так: если «слева машин нет и если скорость автомобиля достаточная и если скорость приближения приближающегося сзади по соседней полосе автомобиля невелика», то «принять влево». Оценка скорости приближения приближающегося сзади по соседней полосе автомобиля производится на основе скорости изменения его линейных размеров в зеркале заднего вида. Именно здесь нужна указанная выше способность СТЗ «чувствовать» скорость такого изменения.
При выполнении этих условий строится система, собирающая информацию от различных датчиков и СТЗ на бортовой компьютер автомобиля. Первоначальные значения функций принадлежности выходных лингвистических переменных всех подпроцессов уточняются и настраиваются в ходе опытной эксплуатации системы аналогично тому, как это описано выше. Именно в этот период извлеченные у группы водителей-профессионалов умения преобразуются в корректировки вида функций принадлежности.
Заключение
Элементы подобного подхода применимы в задачах управления на транспорте и в технологических процессах в случаях, когда невозможно точно описать все влияющие на процесс параметры, но при этом человек умеет их учитывать и управлять такими процессами.
Список литературы
62
1. Толстель О. В., Шарапаев Л. А. Нейросетевое управление манипулятором домашнего робота // Конференция «Нейроинформсатика-2007»: Сб. тр. конф. М., 2007. Т. 2. С. 144 — 152.
2. Толстель О. В. Система управления антропоморфным роботом и способ управления. Заявка о выдаче патента на изобретение №2007107468 от 28.02.2007.
3. Толстель О. В., Арзуметов А. М. Автономное адаптивное устройство управления мобильным объектом. Заявка о выдаче патента на полезную модель № 2008127291 от 04.07.2008 (решение о выдаче патента — от 18.08.2008).
Об авторе
О. В. Толстель — канд. техн. наук, доц., РГУ им. И. Канта.
УДК 681.5
Е. В. Корягин, П. В. Ложкин, П. А. Прокопович
ОСНОВНЫЕ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНЫХ МОБИЛЬНЫХ УСТРОЙСТВ
Представлены некоторые основные части и системы автономных агентов и интеллектуальных мобильных устройств домашнего робота как объекта «сильного» искусственного интеллекта. Описаны частично реализованные блоки навигации в пространстве и распознавания речевых команд, затронут вопрос моделирования мышления и сознания.
Some general parts and systems of autonomous agents of intelligent mobile devices are represented. A mobile home robot - an object of strong artificial intelligence - is taken as an example. Partly completed blocks of navigation system and natural speech recognition system are described here. Question of feelings and mentality simulation is concerned.
Ключевые слова: автономный агент, интеллектуальное мобильное устройство, домашний робот, навигация, распознавание речи.
1. Система управления
Система управления (СУ) — главная система, соответствующая центральной нервной системе человека (многие действия — управление автомобилем, отдергивание обожженной руки, игра в волейбол и др.— происходят с помощью системы условных и безусловных рефлексов и моторных реакций, без привлечения коры головного мозга, т. е. мы это делаем не раздумывая). СУ принимает данные от всех датчиков, а так-
Вестник РГУ им. И. Канта. 2008. Вып. 10. Физико-математические науки. С. 62 — 72.
