CC BY
2
nn д i в i r e с то ry оf Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
УДК (UDC) 621.373.9
КИНЕМАТИЧЕСКИЙ АНАЛИЗ, МЕТОДИКА И ПРОВЕДЕНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ ПЕРЕМЕЩЕНИЙ РОБОТА-НАВИГАТОРА НА МЕКАНУМ КОЛЕСАХ
KINEMATIC ANALYSIS, METHODS AND EXPERIMENTAL STUDIES OF ROBOT NAVIGATOR MOVEMENTS ON MECANUM WHEELS
Сладкова Л. А., Пшибиев А.М. Sladkova L.A., Pshibiev A.M.
Российский университет транспорта (Москва, Россия) Russian University of Transport (Moscow, Russian Federation)
Аннотация. Машинное обучение и искусственный {
интеллект, способные сами принимать решения, {
стали незаменимыми инструментами для оптими- {
зации складских операций. Использование на складах {
грузоподъемного оборудования на мобильной плат- {
форме на меканум колесах имеет высокую степень {
практической реализации, так как рассматривае- {
мая платформа может совершать движения в лю- {
бом направлении. Кинематические исследования {
перемещения робота-манипулятора на рассматри- {
ваемой платформе позволяют оптимизировать его {
движения в условиях перемещения в ограниченном {
пространстве, имеющем подвижные и неподвиж- {
ные препятствия, которые с позиции создания ма- {
тематической модели управления платформой {
представляют собой входные параметры, опреде- {
ляющие условия работы платформы. Методика {
проведения экспериментальных исследований и их {
анализ позволяют оптимизировать управление и {
поведение платформы на практике. Алгоритм пе- {
ремещения платформы разработан с учетом ее {
особенностей предназначен для выбора оптималь- {
ного маршрута и точности навигации при условиях {
изменяемого пространства (подвижные и непод- {
вижные объекты). Для верификации и оценки эф- {
фективности алгоритма локализации и планирова- {
ния пути с целью улучшении системы управления {
мобильной платформой на меканум колесах, были {
проведены моделирование и симуляция представ- {
ленной модели, позволяющие оценить кинематиче- {
ские параметры платформы для достижения луч- {
ших результатов. Проведенный кинематический {
анализ позволил провести качественную и количе- {
ственную оценку особенностей движения поведения {
платформы в пространстве при различных входных {
данных. Моделирование и симуляция алгоритма ло- {
кализации и планирования пути позволили прове- {
рить его эффективность в различных условиях ра- {
боты. Проведенные исследования показали, что {
предлагаемый метод кинематического анализа на- {
вигационной системы складского робота на мека- {
нум колесах позволяет оптимизировать его работу {
в складских условиях, что позволит повысить эф- {
фективность перемещения грузов и обеспечить {
Abstract. Machine learning and artificial intelligence, capable of making decisions on their own, have become indispensable tools for optimizing warehouse operations. The use of lifting equipment on a mobile platform on mechanical wheels in warehouses has a high degree of practical implementation, since the platform in question can move in any direction without U-turns. Kinematic studies of the movement of the robotic arm on the platform under consideration make it possible to optimize its movement and behavior in conditions of movement in a confined space with movable and fixed obstacles, which, from the standpoint of creating a mathematical model of platform control, are input parameters that determine the operating conditions of the platform. The methodology for conducting experimental studies and their analysis allow you to optimize the management and behavior of the platform in practice. The platform movement algorithm is developed taking into account its features and is designed to select the optimal route and navigation accuracy under changing space conditions (moving and stationary objects). In order to verify and evaluate the effectiveness of the localization and path planning algorithm in order to improve the control system of the mobile platform on mecanum wheels, modeling and simulation of the presented model were carried out, which made it possible to assess the kinematic parameters of the platform to achieve better results. The kinematic analysis made it possible to carry out a qualitative and quantitative assessment of the features of the movement of the platform behavior in space with various input data. Modeling and simulation of the path localization and planning algorithm made it possible to test its effectiveness in various operating conditions. The studies carried out have shown that the proposed method of kinematic analysis of the navigation system of a warehouse robot on mecanum wheels allows you to optimize its operation in warehouse conditions, which will increase the efficiency of cargo movement and ensure accurate navigation in the limited space of the warehouse. The development of kinematic and dynamic analysis of the navigation system of a warehouse robot on mecanum wheels opens up prospects for the creation of intelligent and autonomous solutions in the field of logistics and warehousing.
nn д I в I r e с то ry оf Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
точную навигацию в ограниченном пространстве склада. Развитие кинематического и динамического анализа навигационной системы складского робота на меканум колесах открывает перспективы для создания интеллектуальных и автономных решений в области логистики и складского хозяйства. Ключевые слова: меканум колеса, кинематический анализ, моделирование, робототехнические платформы грузоподъемных средств.
Дата получения статьи: 25.05.2024
Дата принятия к публикации: 19.09.2024
Дата публикации: 25.09.2024
Сведения об авторах:
Сладкова Любовь Александровна - доктор технических наук, профессор, профессор кафедры «Наземные транспортно -технологические средства», Российский университет транспорта; e-mail: [email protected].
ORCID: 0009-0008-6786-0386
Пшибиев Артур Мартинович - аспирант кафедры «Наземные транспортно-технологические средства», Российский университет транспорта, e-mail: [email protected]
ORCID: 0009-0005-7898-5449
t t t t
t t
t Keywords: wheel mecanum, kinematic analysis,
t modeling, robotic platforms of lifting equipment. t
t
t Date of manuscript reception: 25.05.2024
t Date of acceptance for publication: 19.09.2024
t Date of publication: 25.09.2024 t
t Authors' information:
t Liubov A. Sladkova - Doctor of Technical Scienc-
t es, Professor, Professor of the Department of Land
t Transport and Technological Means, Russian University
t of Transport; e-mail: [email protected].
t ORCID: 0000-0002-5409-6250 t
t Artur M. Pshibiev- Postgraduate student, Depart-t ment of Land Transport and Technological Means, Rust sian University of Transport, e-mail: [email protected]
t ORCID: 0009-0005-7898-5449
t
1. Введение
Складское хозяйство является сложной логистической структурой в состав технологического оборудования которых входят оборудование для хранения товаров (изделий), подъемно-транспортное оборудование, весоизмерительное и фасовочное оборудование. В соответствии с классификационными признаками к числу подъемно-транспортного оборудования относят погрузочно-разгрузочные машины (вилочные погрузчики, штабелеры и рохли), предназначенные для выполнения прямого назначения, перемещения и складирования грузов внутри склада в условиях ограниченного пространства [1]. К их числу, как правило относят электропогрузчики и автопогрузчики.
В настоящее время, машинное обучение и искусственный интеллект, способные сами принимать решения, стали незаменимыми инструментами для оптимизации складских операций. Исходя из сказанного, для решения задач логистики необходимо помимо автоматизации процессов складских работ внедрение роботов [2-6].
Очевидно, что применение роботов в складском хозяйстве позволит усовершенствовать логистические процессы другими словами повысить производительность, улучшить условия труда.
Сервисная робототехника стала практически неотъемлемой частью нашей жизни, она используется на многих организациях и предприятиях в мире, и её потребность возрастает с каждым годом. Воспользуемся аналитическим обзором мирового рынка робототехники Сбербанка [1]. По диаграмме динамики продаж профессиональной сервисной робототехники 2018 года можно заметить, что сервисная робототехника распространяется достаточно быстро. Видно, что продажи сервисной робототехники в 2014 году на порядок меньше нежели в 2021 году.
Так, по данным ассоциации промышленного транспорта ITA США, в Америке, где на предприятиях задействовано более 855 тыс. складских вилочных погрузчиков, при их использовании происходит более 100 тыс. несчастных случаев в год. Среди других задач, решаемых роботами-погрузчиками, -повышение эффективности хранения продукции и выполнения операций, уменьшение
пп д | в I о е с то ру ор Научно-технический вестник Брянского государственного университета, 2024, №3 ; №аискпо-1еккп1екенк1у \estnikBryanskogo gosudarstvennogo итуеюЫ&и, 2024, N0.3 _РО! 10.22281/2413-9920-2024-10-03-214-224
показателей убыли, увеличение оборачиваемости склада, повышение эффективности управления складом. В итоге, улучшив качество и производительность работы склада, производство получит максимальную выгоду и сведет потери к минимуму.
В основном рассматривается блок навигации, так как он самый значимый в верхнем уровне, и именно этот блок собирает данные, с которыми потом необходимо будет работать нижнему уровню.
2. Постановка задачи
В качестве ходового оборудования погрузчиков используется пневмоколесное ходовое оборудование, которое при перемещении на плоскости имеет три степени свободы: перемещение вдоль осей х и у, расположенных в горизонтальной плоскости и вращение вокруг вертикальной оси г.
Рис.1. Ходовое оборудование на меканум колесах: а - вид спереди; б - вид снизу (1 - меканум колеса; 2 - корпус; 3 - лидар; 4 - дальномер; 5 - система управления)
Изменение пневмоколесного ходового оборудования на меканум колеса (рис. 1) позволит, во-первых, сократить межстеллажное пространство и увеличить маневренность машины за счет увеличения степеней свободы.
Ходовое оборудование на меканум колесах состоит из собственно меканум колес 1, установленных в корпусе 2, на котором располагается лидар 3 для оценки расстояния до предполагаемого препятствия в соответствии с маршрутной картой. Дублирование лидара осуществляется ультразвуковыми дальномерами 4. Внутри корпуса 2 расположена система управления 5 предлагаемого устройства передвижения на меканум колесах.
Роботы, находящиеся на службе у человека на территории складского хозяйства должны быть приспособлены к перемещениям в ограниченном пространстве, а также среди подвижных и неподвижных препятствий, то есть должны быть адаптированы к рабочему пространству, которое фиксируется по изменению спектра шумов (частоте и форме сигналов) создаваемых препятствиями [7, 8], рассматривая их как вероятностные функции, оцениваемые по плотности распределения вероятности.
Основной проблемой при перемещении роботов навигаторов является их ориентация в пространстве при встрече с подвижными и неподвижными объектами (препятствиями)
nn д I в I r e с то ry оf Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
которое основано на вероятностной модели движения робота с дифференциальной кинематикой. Под кинематикой здесь понимается оценка позиции робота-навигатора по величинам изменения его линейной и угловой скоростей. Другими словами, зашумлению подвергаются преобразованные в линейную и угловую скорости показания энкодеров (измерительный преобразователь угла поворота вращающегося объекта в цифровые или аналоговые сигналы, которые позволяют определить угол его поворота).
При этом шумы модели настраиваются при помощи шести параметров а 1 — а6, характеризующих изменения сигналов источников шумов и, являющиеся точечной характеристикой магнитуды колебаний (дисперсия ).
Здесь значение дисперсии b можно вычислить вычисляется по формуле:
1 12
— ^ rand(—b, b), i=i
где функция rand является выбором случайного значения из нормального распределения с математическим ожиданием равным 0 и дисперсией равной b.
3. Алгоритм решения задачи
Основными параметрами перемещения робота-навигатора на плоскости являются: ускорение (режим неустановившегося движения); скорость перемещения относительно осей x и y и поворота относительно собственной вертикальной оси z (появление угловых скоростей), которые возникают из-за конструктивных особенностей меканум колес.
Движение модели (Motion model) при этом задается функцией в зависимости от положения робота-навигатора на плоскости:
где х t, х t _ х - текущее и предшествующее значение изменения положения модели (позиции) за итерацию по оси х при изменении ее поворота относительно собственной оси z. .
Очевидно, что каждое последующее изменение положения робота на плоскости относительно оси 7будет зависеть от угла его поворота относительно собственной оси z
через время Д Сказанное можно представить в виде системы двух уравнений: у = у + уД ^ т<р;
X' = х + г?Д£со Бср.
Исходя из сказанного для вероятностной оценки положения робота навигатора разработан алгоритм, приведенный ниже.
1. Рассчитать функцию (г,, х„, х, _ х).
2. £ = г? + ( а 1172 + а2о>2).
3. ¿о = о> + (аЗг2 + а4о>2).
4. у = ( а 5г2 + а6со2).
5. (£>• = ф + ОД t + уДг\
6. Вернуться к расчету функции х, = (х' ,У', ф ' ) .
В расчетах в качестве приращения векторов линейной и угловой скоростей, углов поворота приняты их изменения при каждой последующей итерации. Другими словами, к каждому предыдущему значению добавляется значение случайной величины (позиции 2, 3, 4, 5 алгоритма) которое определяется по зависимостям:
- изменение линейной скорости (а 1г2 +
);
- изменение угловой скорости ( а Зг2 + а4м/2;
- при движении по криволинейной траектории ( )
Сказанное проиллюстрировано на рис. 2, где можно качественно оценить влияние коэффициентов а на расхождение частиц при движении модели.
На рис. 2, а видно, что изменению угловой скорости соответствуют наибольшие значения коэффициенты ( и ). Изменению линейной скорости при прямолинейном движении (рис. 2, б) соответствуют коэффициенты а 1 и а2. На рис. 2, в показано движение робота-навигатора по криволинейной траектории, характеризующегося коэффициентами и .
На рис. 2, а, б, в видно, что разброс дисперсий во всех трех случаях носит различный характер, что оказывает влияние на выбор величины коэффициентов а ¿. Таким образом при проведении эксперимента с реальной моделью робота, можно оценить величину параметры , для каждой итерации, которые с достаточной близостью позволят
пп д | в I о е с то ру ор Научно-технический вестник Брянского государственного университета, 2024, №3 ; №аискпо-1еккп1екенк1у \estnikBryanskogo gosudarstvennogo итуеюЫ&и, 2024, N0.3 _РО! 10.22281/2413-9920-2024-10-03-214-224
а) б) в)
Рис.2. Схемы результата работы алгоритма модели движения при различных а.
описывать вероятностную модель движения мобильной платформы на меканум колесах в ограниченном пространстве с препятствиями.
Перед применением расчетного алгоритма зашумления к симуляции, необходимо разработать метрику оценки качества работы алгоритма.
4. Метрика оценки
Так как показания линейной и угловой скорости по сути являются вероятностными распределениями, то наиболее объективной метрикой оценки на первый взгляд будет являть коэффициент корреляции между линейными и угловыми скоростями, снятыми с реального робота и симулированными показателями. В качестве метода расчета удобно использовать коэффициент корреляции Пи-терсона [9]. Данный метод оценки подходит для расчета корреляции между двумя дискретными вероятностными величинами. Однако, после проведения предварительных расчетов выяснилось, что наибольшая корреляция достигается при полном отсутствии зашумления модели, из чего был сделан вывод, что данная метрика оценки не является валидной.
Поэтому было принято решение использовать в качестве основной метрики дисперсию, полученную при обработке массива данных, в виде изменения скоростей при каждой последующей итерации.
^ 1 — — V 5т_ I ( е а I,
Ьх>2 — V 31т_п013е — ^31тшеа1, где Vг - массив линейных скоростей робота; V5т_1 (еаI - массив линейных скоростей, полученных из симуляции без добавления шума; - массив линейных скоростей
полученных из симуляции с добавлением некоторого шума.
График разностей АV1 (рис. 3, а) и АV2 (рис. 3, б) соответствует движению робота на меканум колесах по случайной траектории длиной 3 метра. При этом для зашумления используется вышеописанный алгоритм с параметрами: а1= а2 — 0, 3 ; а3 — а4 — а5 — а6 — 1,2.
Для каждой из метрик вычислим среднее значение разностей скоростей или их математическое ожидание :
Ар
п
где п - число элементов массива.
Для каждой из метрик вычислим среднеквадратичное отклонение этих разностей:
о =
- Ар)2
п
Рассчитаем для разностей Аv1 средне-квадратическое отклонение , а для -. Тогда итоговой метрикой будем считать:
т = \а1-а2\- 1000.
Аналогичный расчет проводим и для угловых скоростей. Метрику линейной скорости обозначим как , а метрику угловой скорости как .
Расчеты обработки данных, приведенных на рис. 3 показали, что метрики для линейной и угловой скоростей при значениях а ¿, принятых выше будут равны:
ту — 1,11197; тш — 1,84618.
Известно [10, 11], что чем меньше метрика, тем лучше работает алгоритм зашумления.
5. Экспериментальные исследования движения модели грузоподъемного средства на меканум колесах
оом
в т о е с то ру о р Научно-технический вестник Брянского государственного университета, 2024, №3 №аискпо-1еккп1екенк1у \estnikBryanskogo gosudarstvennogo итуеюЫ&а, 2024, N0.3
БО!: 10.22281/2413-9920-2024-10-03-214-224
и и
о 2 &§
83
||
с л
¡3
к £
0 05 ООО
350
500 7Ь0 1000
Временной тренд, мс
иве
1500
1750
а)
б)
Рис. 3. Изменение разностей для движения по случайной траектории длиной 3 мЛ
а - Д г1; б - Д г2
Для проведения экспериментальных исследований с целью верификации алгоритма движения модели грузоподъемного средства на меканум колесах рассчитаем метрики для различных параметров . Из описания алгоритма видно, что параметры и влияют только на линейную скорость робота, а а З, а4, а 5, а 6 на его угловую скорости, которая зависит от конструктивных особенностей формы тел вращения на меканум колесах.
Исходя из этого целесообразно определять метрики угловой и линейной скорости не зависимо друг от друга.
При проведении численного эксперимента считаем, что движение робота-навигатора происходит по случайной траектории длиной 3 метра. При этом будем считать, что характер траектории может быть прямолинейным и криволинейным.
Результаты расчетов приведены в табл. 1.
Таблица 1
Оценка метрик т при различном движении робота-навигатора_
Движение по случайной траектории при длине т раектории 3 м
а-1, а-2 0,05 0,1 0,2 0.3 0,4
ту 13,98589 11,41110 10,26154 7,11197 8,03759
а4, а& 0,1 0,5 0,8 1,2 1,4
61,80137 39,99948 23,64807 8,84618 9,05475
Д вижение по прямолинейной траектории при длине траектории 3 м
а1; а2 0,05 0,1 0,2 0.3 0,4
ту 24,66234 17,31827 7,63011 12,05804 26,74619
а4, а& 0,1 0,5 0,8 1,2 1,4
19,02079 39,64554 83,64528 142,31161 171,64477
Д ,вижение при вращении на месте
а-1, &2 0,05 0,1 0,2 0.3 0,4
ту 7,62077 26,90192 65,46424 104,02655 142,58887
а4, а& 0,1 0,5 0,8 1,2 1,4
90,62203 74,7109 198,7106 364,04353 446,71214
пп Д | о с о е с то с о р Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, ^.3 _РО1: 10.22281/2413-9920-2024-10-03-214-224
Окончание табл. 1
Движение по случайной траекто рии при длине траектории 13 м
О,-1, &2 0,05 0,1 0,2 0.3 0,4
т„ 9,04444 8,90192 26,6099 94,23245 120,87176
а3, а4, а^ 0,1 0,5 0,8 1,2 1,4
% 17,86581 8,66975 41,48732 129,88421 280,78123
Анализ полученных данных позволил установить, что:
- разработанный выше алгоритм позволяет осуществлять работу предлагаемой установки в не полностью заданном объеме заданном диапазоне, о чем свидетельствует разброс данных табл. 1 при движении по случайной траектории на длине 3 и 13 м. В первом случае при величине коэффициентов
имеется экстремум метрики, а во втором она изменяется так же как и тестовая платформа. Сказанное свидетельствует о неустановившемся режиме движения системы.
- изменение траектории движения требует перенастройки параметров зашумления, которая в отдельных случаях может быть критичной;
- сложность настройки алгоритма из-за большого числа вводимых параметров.
Для устранения этих недостатков предлагается усовершенствовать настройки алгоритма за счет генерации шумов.
6. Генерация новой настройки алгоритма движения модели грузоподъемного средства на меканум колесах
При анализе графиков линейной и угловой скорости, полученных с реального робота и с симуляции без зашумления (рис. 4) можно заметить, что при резком росте скорости перемещения робота-навигатора наблюдается существенное перерегулирование.
Временной тренд, мс б)
Рис.4. Изменение скорости перемещения реального робота и симуляции наложенные друг на друга: а - линейная скорость; б - угловая скорость
На рис. 4 видно, что реальные скорости и Из этого следует, что при генерации шу-симуляции совпадают как при линейном, так ма необходимо учитывать не только линей-и угловом перемещении. ное и угловое ускорение мобильной плат-
формы, а также генерировать шум на этапе
nn д I в i r e с то ry оf Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
получения скорости каждого из меканум колес движителя.
Исходя из изложенного выше предлагается следующий алгоритм зашумления.
1. Вводим функцию зашумления (функция зашумления model) в виде:
Ф(0 = (zt, zt_i - xt_i)
При этом изменение положения платформы на меканум колесах будет характеризоваться вводимыми величинами: Щ = vit — ar = vrt — Щ^-
Здесь ai, ar - величины пропорциональные ускорению, которое совершили приводы за время между измерениями скорости;
- скорости измеренные за текущую итерацию; - скорости сгенериро-
ванные за прошлую итерацию.
2. Учитывая, что время между итерациями считывания одинаково, при проведении расчетов можно им пренебречь. Поэтому каждое последующее значение итераций определяем по зависимостям:
= VI + случайное значение( аг ■ а0)
+ случайное значение {уг
г^Г = уг + случайное значение( аг ■ а0) + случ а й н ое зн ачен и е (уГ( ■ ,
где
л Я • О, + V?. )
Р = —ХТ?
л Я ■ (У1 - vr ) 2-1 ■
Здесь Я - радиус колес; Ь - расстояние между колесами.
3. Изменение линейных скоростей и угловых скоростей оцениваем позависимостям:
у = у + V АЬБтср;
X' = х + г?Д£со Бср, р' = р + V А Ь.
4. Вернуть = (х:• у •, р•)
Здесь случайное значение величин, приведенного выше является случайным числом из нормального распределения с математическим ожиданием равным нулю и дисперсией равной величине, задаваемой в функцию.
Результаты проведения экспериментальных исследований новой сгененрированной настройки и алгоритма представлены в табл. 2.
Таблица 2
Результаты экспериментальных исследований по оценке метрик сгененрированной настройки и алгоритма при и переменных значениях
Движение по случайной траектории длиной три метра при раз
а2 = од
а1 0,01 0,05 0,1 0,2 0,3
mv 7,67891 3,95764 7,33808 7,04029 6,68106
25,09496 25,23138 22,82328 23,03341 21,42076
аЛ = а2 = ОД
mv 15,5561 11,82338 3,44048 2,50245 11,6109
тм 62,6549 45,34628 24,71767 19,08434 62,74281
При движения по прямолинейной траектории длиной 3 м
а2 = од
a-L 0,01 0,05 0,1 0,2 0,3
mv 16,15527 10,17649 15,94065 15,67394 15,17428
тм 39,61516 45,35027 40,46344 42,70154 44,31093
а1 = а2 = ОД
mv 30,3126 23,83093 15,10092 1,05799 14,67056
25,83512 5,26512 45,10654 113,60758 176,13372
При вращении на месте
а2 = од
а1 0,01 0,05 0,1 0,2 0,3
mv 5,01814 5,05378 5,1855 4,91007 4,97373
100,65363 100,56684 101,28392 100,78401 99,90734
nn д I в i r e с то ry оf Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
Окончание табл. 2
а1 = а2 = ОД
mv 10,97512 8,31525 5,05282 1,46553 8,24708
тм 128,21595 117,10135 101,65922 70,08924 40,30782
При движении по случайной траектории длинной 13 метров
а2 = од
ал 0,01 0,05 0,1 0,2 0,3
mv 8,13098 6,47908 3,1615 7,29111 8,02527
тм 72,50238 70,40461 69,77978 67,99583 75,72772
а1 = а2 = ОД
mv 17,65954 6,55839 3,86822 36,67341 61,71381
тм 50,1101 0,46632 69,75752 200,11591 333,15045
Графическая интерпретация результатов работы сгенерированного алгоритма и реального робота представлены на рис. 5.
В табл. 2 и на рис. 5 на основе полученных метрик видно, что разработанный алгоритм в данном случае справляется с задачей зашумления эффективнее, чем алгоритм из без генерации. Кривые зависимости от уве-
0 250 500 750 1000 1250 1500 1750
0 250 500 750 1000 1250 1500 1750
О 250 500 750 1000 1250 1500 1750
Временнойтре^ж. ' i.
а)
Рис. 5. Результаты работы: а -
личения коэффициента а1 носят возрастающий характер. Достоверность полученных результатов подтверждена сходимостью результатов в третьем столбце табл. 3 при равенстве коэффициентов а1 и а2. Расхождение результатов отличается на 4.. .6%.
О 500 1000 1500 2000 2500
Временная тренд« мс
б)
алгоритма; б - реального робота
Также существенным плюсом предлагаемого алгоритма с использованием генерации шумов является простота его настройки, реализуемая благодаря наличию всего двух параметров. Также для настройки алгоритма можно использовать алгоритмы оптимизации, на-
пример, градиентный спуск, так как требуется оптимизация всего двух параметров.
7. Заключение
Установлено, что:
nn Д i o i D E o то RR o F Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
- разработанная симуляционная модель позволяет имитировать реальное общественное пространство;
- разработанные алгоритмы зашумления сенсорных данных для максимального приближения симуляционной модели совпадают с реальным роботом (тестовым).
- для симуляции шумов колесной одомет-рии разработанный на основе стандартной
модели движения алгоритм можно использовать в качестве входных данных показания скорости колес, а не всей модели АСР.
- разработанная метрика оценки качества алгоритма в сравнительном варианте с использованием генерации шумов показывает высокую степень сходимости со стандартными данными.
Список литературы $
1. Малкахи Д.Э. Руководство по вы- $ полнению заказов и организации погру- $ зочно-разгрузочных работ. Москва, Экспо, $ 2014. 459 с. $
2. Балуев М.С. Подход к оптимизации $ состава технических средств механизации $ для выполнения погрузочно-разгрузочных $ работ // Cборник научных статей 4-й ме- $ ждународной научно-практической кон- $ ференции «Актуальные вопросы развития $ современного общества». Курск, Юго-Зап. $ гос. ун-т, 2020. С. 9-12. $
3. Курбанов Т.Х., Шаламов Д.А. Эво- J люция и тенденции развития складской J инфраструктуры военной организации го- J сударств // Сборник статей III междуна- J родной научно-практической конференции J «Тенденции развития материально- J технического обеспечения военной органи- J зации государства в современных услови- J ях». Пермь, 2017. С. 367-371. J
4. Курбанов Т.Х., Плотников В.А. J Оценка перспектив развития логистики в J условиях цифровизации экономики и J трансформации социальной сферы // Из- J вестия Санкт-Петербургского государст- J венного экономического университета. J 2020. 3 (123). С. 94-101. J
5. Karabegovic I., Karabegovic E., J Mahmic, M., Husak E. The application of J service robots for logistics in manufacturing J processes // Advances in Production Engi- J neering and Management. 2015. Vol. 10. 4. J C. 185-194. J
6. Демурин Ю.А. Совершенствование J технологий складского распределения в J условиях цифровой экономики // Econom- J ics: Yesterday, Today and Tomorrow. 2020. J
References
1. Malkahi D.E. Rukovodstvo po vypolneniyu zakazov i organizacii pogruzochno-razgruzochnyh rabot. Moskow, EXPO, 2014, 459 p. (In Russian)
2. Baluev M.S. Podhod k optimizatsii sostava tekhnicheskikh sredstv mekhanizatsii dlya vypolneniya pogruzochno-razgruzochnykh rabot. Sbornik nauchnykh statey 4 mezhdunarodnoy nauchno-prakticheskoy konferentsii «Aktualnye voprosy razvitiya sovremennogo obshchestva». Kursk, Yugo-Zap. gos. un-t, 2020. pp. 9-12. (In Russian)
3. Kurbanov T.H., Shalamov D.A. Evolyuciya i tendencii razvitiya skladskoj infrastruktury voennoj organizacii gosudarstva. Sbornik statej III mezhdunarodnoj nauchno-prakticheskoj konferencii «Tendencii razvitiya material'no-tekhnicheskogo obespecheniya voennoj organizacii gosudarstva v sovremennyh usloviyah». Perm, 2017. pp. 367-371. (In Russian)
4. Kurbanov T.H., Plotnikov V.A. Ocenka perspektiv razvitiya logistiki v usloviyah cifrovizacii ekonomiki i transformacii social'noj sfery. Izvestiya Sankt-Peterburgskogo gosudarstvennogo ekonomicheskogo universiteta. 2020. 3 (123). pp. 94-101. (In Russian)
5. Karabegovic I., Karabegovic E., Mahmic M., Husak E. The application of service robots for logistics in manufacturing processes. Advances in Production Engineering & Management. 2015. Vol. 10, No. 4, 185194.
6. Demurin Yu.A. Sovershenstvovanie tekhnologij skladskogo raspredeleniya v
nn д I в I r e с то ry оf Научно-технический вестник Брянского государственного университета, 2024, №3 ; Nauchno-tekhnicheskiy vestnikBryanskogo gosudarstvennogo universiteta, 2024, No.3 _DOI: 10.22281/2413-9920-2024-10-03-214-224
Vol. 10. № 5A.
7. Винокуров С.А., Кочемасов В.Н., Сафин А.Р. Генераторы шума (обзор) // Известия вузов России. Радиоэлектроника. 2023. Т. 26. 4. С. 6-32.
8. Thrun S., Burgard W., Fox D., Arkin R.C. Probabilistic Robotics. MIT press, 2005. 295 p.
9. Schober P., Boer C., Schwarte. L. Correlation Coefficients: Appropriate Use and Interpretation // Anesthesia and Analgesia. 2018. 126. ANE.0000000000002864.
10. Li X., Xiaofei S., Yuxian M., Junjun L., Fei W., Li J. Dice Loss for Data-imbalanced NLP Tasks. 2019. 545 p.
11. Shehata A., Sherien M., Abdallah M., Ragab M. A Survey on Hough Transform, Theory, Techniques and Applications. 2015. 348 p.
J usloviyah cifrovoj ekonomiki. Economics:
J Yesterday, Today and Tomorrow. 2020. Vol.
J 10, No.5A. (In Russian)
J 7. Vinokurov S. A., Kochemasov V. N.,
J Safin A. R. Generatory shuma (obzor). Izv.
J vuzov Rossii. Radioelektronika. 2023. 26. 4.
J pp. 6-32.
J 8. Thrun S., Burgard W., Fox D., Arkin
J R.C. Probabilistic Robotics. MIT press, 2005.
J 295 p.
J 9. Schober P., Boer C., Schwarte. L. Cor-
J relation Coefficients: Appropriate Use and
J Interpretation. Anesthesia and Analgesia.
J 2018. 126. ANE.0000000000002864.
J 10. Li X., Xiaofei S., Yuxian M., Junjun
J L., Fei W., Li J. Dice Loss for Data-
J imbalanced NLP Tasks. 2019. 545 p.
J 11. Shehata A., Sherien M., Abdallah M.,
J Ragab M. A Survey on Hough Transform, Theory, Techniques and Applications. 2015. 348 p.
