CC BY
12
XXXXXX технологии и средства механизации сельского хозяйства XXXXXX
_ 05.20.01 ТЕХНОЛОГИИ И СРЕДСТВА МЕХАНИЗАЦИИ СЕЛЬСКОГО ХОЗЯЙСТВА
Научная статья
УДК 519.816:004.89
DOI: 10.24412/2227-9407-2022-6-7-18
Методика выбора варианта решения интеллектуальной системой управления мобильного робота для сбора ягод при качественной неопределенности условий сбора
Иршат Рашитович Кафиев ш, Петр Сергеевич Романов2, Ирина Петровна Романова3
1 Башкирский государственный аграрный университет, Уфа, Россия
23 Коломенский институт (филиал) Московского политехнического университета, г. Коломна, Россия
1 kafiev02@mail.ru , https://orcid.org/0000-0003-2034-5260
2 romanov_p_s@mail.ru, https://orcid.org/0000-0002-9969-3139
3i-p-romanova@yandex.ru, https://orcid.org/0000-0001-5883-9907
Введение. В статье представлена методика выбора варианта решения интеллектуальной системой управления мобильного робота сельскохозяйственного назначения, а именно робота для сбора ягоды (земляники садовой), при качественной неопределенности условий сбора.
Материалы и методы. Сбор земляники садовой зависит от погодных условий, сроков и скорости созревания ягоды, от точности прогноза погоды и других условий и относится к неоднозначным нечетким ситуациям. В этом случае предлагается проводить определение оптимального варианта решения с помощью метода выбора вариантов на основе нечеткого описания состояния системы и исходов. Предполагается, что мобильный робот оснащается трехуровневой интеллектуальной системой управления, которая будет принимать решения в зависимости от уровня определенности, полноты и точности информации о текущей ситуации и её оценки. Результаты. Осуществлена постановка задачи и предложена методика выбора принятия решения интеллектуальной системой управления мобильного робота для сбора ягоды при качественной неопределенности условий сбора. Разработанная методика применена для решения задачи выбора варианта применения мобильного робота типа Agrobot при качественной неопределенности условий сбора. В качестве решения данной задачи выбирается вариант, имеющий наибольшее значение принадлежности множеству возможных вариантов. Заключение. Определено, что прибыль сельскохозяйственного предприятия, занимающегося выращиванием садовой земляники, зависит: от веса и качества собранных ягод; от ее урожайности; от быстроты сбора ягоды; от погоды; точности прогноза погоды; сроков и скорости созревания ягоды; от технических характеристик мобильного робота, в первую очередь, от его производительности. Методика может быть использована при создании специальных компьютерных программ, которые могут найти применение как при управлении мобильными интеллектуальными роботами сбора ягоды, так и при управлении мобильными роботами иного назначения.
Ключевые слова: интеллектуальная система управления, искусственный интеллект, мобильный робот, нечеткое описание состояния системы и исходов, принятие решений, сбор ягоды, состояние мобильного робота
Для цитирования: Кафиев И. Р., Романов П. С., Романова И. П. Методика выбора варианта решения интеллектуальной системой управления мобильного робота для сбора ягод при качественной неопределенности условий сбора // Вестник НГИЭИ. 2022. № 6 (133). С. 7-18. DOI: 10.24412/2227-9407-2022-6-7-18
Аннотация
© Кафиев И. Р., Романов П. С., Романова И. П., 2022
Контент доступен под лицензией Creative Commons Attribution 4.0 License. The content is available under Creative Commons Attribution 4.0 License.
_XXXXXXXXXX technology and mechanization of agriculture XXXXXXXXXX
The method of choosing the solution option by the intelligent control system of a mobile robot for picking berries with qualitative uncertainty of the conditions of harvesting
Irshat R. KafievPetr S. Romanov2, Irina P. Romanova3
1 Bashkir State Agrarian University, Ufa, Russia
2 3 Kolomna Institute (branch) of Moscow Polytechnic University, Kolomna, Russia 1 kafiev02@mail.ruM, https://orcid.org/0000-0003-2034-5260
2romanov_p_s@mail.ru, https://orcid.org/0000-0002-9969-3139 3i-p-romanova@yandex.ru, https://orcid.org/0000-0001-5883-9907
Abstract
Introduction. The article presents a method for choosing a solution option by an intelligent control system of a mobile robot for agricultural purposes, namely, a robot for picking berries (strawberries) with qualitative uncertainty of the conditions of harvesting.
Materials and methods. The collection of strawberries depends on weather conditions, the timing and speed of ripening of the berry, on the accuracy of the weather forecast and other conditions and refers to ambiguous fuzzy situations. In this case, it is proposed to determine the optimal solution using the method of selecting options based on a fuzzy description of the state of the system and outcomes. It is assumed that the mobile robot is equipped with a three-level intelligent control system that will make decisions depending on the level of certainty, completeness and accuracy of information about the current situation and its assessment.
Results. The formulation of the problem is carried out and the method of choosing the decision of the intelligent control system of a mobile robot for picking berries with qualitative uncertainty of the conditions of collection is proposed. The developed methodology is applied to solve the problem of choosing the application of a mobile robot of the Agrobot type with qualitative uncertainty of the collection conditions. As a solution to this problem, the option that has the greatest value of belonging to the set of possible options is selected.
Conclusion. It is determined that the profit of an agricultural enterprise engaged in growing garden strawberries depends on: the weight and quality of the harvested berries; on its yield; on the speed of berry picking; on the weather; the accuracy of the weather forecast; the timing and speed of berry ripening; on the technical characteristics of a mobile robot, primarily on its performance. The technique can be used to create special computer programs that can be used both in the management of mobile intelligent berry picking robots and in the management of mobile robots for other purposes.
Keywords: mobile robot, artificial intelligence, intellectual control system, decision-making, state of the mobile robot, fuzzy description of the state of the system and outcomes, berry picking
For citation: Kafiev I. R., Romanov P. S., Romanova I. P. The method of choosing the solution option by the intelligent control system of a mobile robot for picking berries with qualitative uncertainty of the conditions of harvesting // Bulletin NGIEI. 2022. № 6 (133). P. 7-18. (In Russ.). DOI: 10.24412/2227-9407-2022-6-7-18
Введение
Идея автоматизации различных процессов не намного младше человечества. Желание делегировать свои рабочие функции какому-либо устройству возникло ещё на заре истории человечества, о чем свидетельствуют народное творчество и литературные произведения, однако реализация стала возможна только с развитием науки и техники. Самое сложное в создании самостоятельно работающих устройств - это обеспечить подходящий по размерам и мощности источник энергии и высоко-
интеллектуальную систему управления. На сегодняшний день степень интеллектуальности подобных систем пока не позволяет полностью заменить человека в тех областях, где выполняемые операции особенно сложны, сопряжены с большой ответственностью, требуется творческий подход и нестандартное мышление - в медицине, искусстве, образовании. Однако в тех областях, в которых производственные процессы достаточно предсказуемы и однообразны, большинство операций уже выполняют роботы.
XXXXXX технологии и средства механизации сельского хозяйства XXXXXX
Сегодня мобильная робототехника широко используется практически во всех отраслях экономики для решения ряда сложных задач, таких, как выполнение тяжелой или длительной монотонной работы, выполнение человеческих задач на складах и в производственных помещениях, при проведении сельскохозяйственных работ и т. п. [1; 2; 3; 4; 5; 6; 7; 8; 9].
Так, например, в сельском хозяйстве мобильная робототехника позволила заменить человека при выполнении длительных и монотонных операций -подготовке почвы на полях и в теплицах, посеву семян, высадке рассады, прополке, опрыскиванию пестицидами и инсектицидами, внесению удобрений, сбору, укладке, транспортировке, хранению и распределению урожая. Также в последнее время на полях используется беспилотная сельскохозяйственная техника (трактора, комбайны и др.) [1; 5; 6; 7; 8; 9].
Еще одним направлением, развитию которого дали толчок достижения в области вычислительной техники, стал искусственный интеллект (ИИ). Обыватели, многие журналисты, чиновники, политики под ИИ понимают машину (часто человекоподобную), способную реализовать функциональные возможности человека, в том числе творческие, на более высоком уровне, чем это может сам человек. Специалисты, как правило, под ИИ понимают область научных исследований, направленных на разработку моделей, методов и технологий для решения трудноформализуемых, творческих задач, решение которых относят обычно к прерогативе человека. В исследованиях по ИИ выделяют следующие направления: представление знаний, манипулирование знаниями, общение, восприятие, обучение, поведение, интеллектуальное программирование. К технологиям ИИ, в частности, относят компьютерное зрение, обработку естественного языка, распознавание и синтез речи, интеллектуальную поддержку принятия решений и др.
Наиболее сложны для подражания способности человека по проведению анализа данных и принятию решений, поскольку именно в этих задачах требуется действовать в условиях неопределенности, избыточности или, наоборот, недостатка информации. ИИ пока не в состоянии полностью заменить человека в тех областях, где выполняемые операции особенно сложны, сопряжены с большой ответственностью, требуется творческий подход и нестандартное мышление - в медицине, искусстве, образовании. Однако успешное начало для решения некоторых задач уже положено - это технологии
ИИ, такие как компьютерное зрение, обработка естественного языка, распознавание и синтез речи, интеллектуальная поддержка принятия решений. На базе этих технологий решаются проблемы создания виртуальной и дополненной реальностей. В качестве операторов, ведущих диалог по телефону с человеком, в банках и других организациях все чаще используются голосовые виртуальные помощники.
Для управления мобильными роботами (МР) активно используются такие технологии ИИ, как нечеткая логика или искусственные нейронные и нейро-нечеткие сети. Их называют интеллектуальными роботами. Они способны принимать решения и выбирать оптимальные действия на основе сенсорной информации о состоянии окружающей среды, включая объекты, над которыми они выполняют определенные действия [1; 2; 3; 4; 10; 11; 12; 13; 14; 15; 16; 17; 18].
Одной из важнейших задач в сельском хозяйстве является сбор урожая. Для некоторых культур, например, зерновых и картофеля уборка урожая уже успешно и полностью автоматизирована, однако с ягодами, овощами и фруктами ситуация сложнее. Робот должен собирать такой урожай аккуратно, без повреждений кожуры и нарушения товарного вида продукта, не отличающегося ни твердостью, ни прочностью. Самыми сложными для сбора считаются ягоды - они намного мельче и нежнее большинства овощей и фруктов. Но именно сбор урожая является самым трудоемким процессом во всей технологии возделывания ягод.
Одной из самых сложных для автоматизации операций в сельском хозяйстве является сбор ягод, в частности, земляники садовой. Основными проблемами являются повреждение ягод и кустов при сборе и в сборе незрелых ягод. Кроме того, сбор ягод ограничен периодом их созревания, что делает невозможным сбор всех ягод одновременно. При этом, надо отметить, что производительность ручного сбора земляники садовой невысока и составляет от 4 кг/час до 15 кг/час в зависимости от размера и веса собираемых ягод. К тому же, владельцы крупных ягодных плантаций должны рассчитать, какое количество рабочих им потребуется на уборку урожая ягоды, с учетом того, что на сбор ягоды с одной сотки требуется от 7 до 20 чел/час, а пик урожая приходится на несколько недель июня-июля [1; 2]. Эта задача довольно сложна, неопределенна и трудно-формализуема и часто решается на основе предыдущего опыта сельхозпроизводителей, но возможна и механизация процесса сбора ягод [1; 2].
XXXXXXXXXX technology and mechanization of agriculture XXXXXXXXXX
Условия являются неблагоприятными из-за дождей в период сбора ягоды на полях с открытым грунтом, а также из-за сжатых сроков, отводимых на уборку урожая. Следовательно, сбор ягод МР является задачей с низкой степенью организации внешней среды и недостаточной априорной информацией о ней, т. е. система управления МР при сборе им ягод на полях с открытым грунтом должна решать задачи в условиях нечеткости и неопределенности. Именно поэтому МР для сбора ягод обязан иметь интеллектуальную систему управления (ИСУ), использующую для управления роботом технологии ИИ.
Цель исследования - разработка методики выбора варианта решения ИСУ МР для сбора ягод (земляники садовой), когда условия её сбора имеют качественную неопределенность.
Материалы и методы
Некоторые фирмы уже предложили варианты решения задачи по сбору земляники садовой. Например, фирма Agrobot (Испания) создала для сбора ягоды робот модели SW6010. Робот функционирует в автономном режиме и ориентируется в окружающем его пространстве. При этом системой управления робота с использованием технологий ИИ в масштабе реального времени производится оценка зрелости ягод. На Acrobat SW6010 установлены датчики, позволяющие оценить товарный вид и цвет ягоды. По завершении сбора земляники садовой в ряду Acrobat SW6010 делает остановку и осуществляет передачу данных оператору. Один Agrobot SW6010 способен собрать ягоду с 800 акров (соток) за 3 дня. Правда, здесь имеет место один нюанс, Agrobot SW6010 проходил испытания на плантации в Калифорнии, т. е. когда есть идеальные условия для выращивания и сбора земляники садовой [1; 2].
Прибыль сельскохозяйственного предприятия, занимающегося выращиванием клубники, зависит от веса и качества собранных ягод. Максимальную прибыль можно получить, если абсолютно все ягоды будут собраны в состоянии товарной спелости и сухими, то есть пригодными для транспортировки с сохранением товарных качеств. Однако в климате Центральной России погодные условия (периодические дожди) не позволяют использовать каждый день для сбора ягод. В дождливую погоду сбор ягод не рекомендуется проводить, т. к. снижается вес собранного урожая и, соответственно, прибыль от его продажи. Кроме того, после дождя должно пройти определенное время, чтобы ягоде высохнуть. Сбор влажных ягод снижает их качество и делает их ме-
нее пригодными для транспортировки и хранения. В то же время ягоды, не собранные вовремя в дождливую погоду, портятся серой гнилью, слизнями и лягушками: при сборе ягод на день позже их созревания теряется до 30 %, а через два дня теряется до 60 % урожая [1; 2].
Надо также отметить, что ягода переходит от спелости после отгрузки к полной спелости. Можно частично компенсировать дни, потерянные из-за дождей, за счет быстрого сбора урожая с помощью большого количества роботов, но содержать чрезмерное количество оборудования экономически нецелесообразно. Погодные условия также влияют на скорость созревания клубники. Длительный период сухой и теплой погоды - идеальные условия для сбора ягод. Но если стоит солнечная, сухая и жаркая погода, то ягода созревает очень быстро, и сбор ягод следует проводить оперативно, но она снижает риск того, что ягоды загниют и будут съедены слизнями. Поэтому оптимально принять рациональное решение о том, как использовать имеющиеся ресурсы для максимизации прибыли в условиях неизбежных потерь урожая.
Как известно [1; 2], сбор ягод не производят в дождливую погоду. Причем, как указывалось ранее, в этих условиях ягода тоже созревает, и потери с опозданием сбора на 1 день ведут к потере 30 %, а на 2 дня - 60 % урожая. Также надо учитывать, что спелость ягоды становится не пересылочной, а спелой, что также ведет к потере части урожая. Кроме того, стоимость ягоды зависит от ее размера: крупная стоит в 1,5 раза больше, чем средняя, и в 4 раза больше, чем мелкая, которая используется для кон-серваций [1; 2].
При благоприятных условиях сбора (сухая и теплая погода) МР может собрать все ягоды. В случае предполагаемых неблагоприятных условий (прогноз погоды - «в ближайшие дни ожидается дождь») есть возможность собирать только крупные ягоды, но всего участка. Выгода состоит в том, что крупная ягода более дорогая и можно не потерять часть прибыли, но зато остальная ягода, не собранная вовремя, сгниет или будет съедена вредителями.
Еще один нюанс: если прошел дождь, то нужно некоторое количество времени для высыхания ягоды, иначе ее качество будет низким. ИСУ МР на основе прогноза погода, выданного на несколько дней, может определить, во-первых, продолжительность дождливой погоды, во-вторых, временной интервал, имеющийся у робота на сбор ягоды до нача-
XXXXXX технологии и средства механизации сельского хозяйства XXXXXX
ла выпадения осадков, и принять одно из решений, которое обеспечивает наибольшую прибыль от урожая:
- если по прогнозу погоды осадков не ожидается в ближайшие дни, т. е. ягоду можно будет убирать и на следующий день, то надо убирать всю ягоду с плантации;
- если согласно прогнозу дождливая погода продлится несколько дней, и урожай не будет собран в течение этого времени, то надо убирать только лучшие крупные ягоды на всей плантации;
- если согласно прогнозу погоды дождь будет не длительным (от 'Л до 1 суток), а затем будет солнечно и сухо, то надо убирать крупные и средние ягоды на всей плантации.
Как установлено, прибыль сельскохозяйственного предприятия, занимающегося выращиванием садовой земляники, зависит: от веса и качества собранных ягод; от ее урожайности; от быстроты сбора ягоды; от погоды (идеальными условиями для сбора является сухая и теплая погода); от технических характеристик мобильного робота, прежде всего, его производительности.
Ранее сообщалось, что один Agrobot убирает ягоду с 800 соток за 3 дня в хороших условиях. При этом его производительность зависит от места нахождения участка, сорта ягоды, ее урожайности в этот год и т. п. Все это влияет на порядок применения МР при сборе ягоды [1; 2].
Кроме того, в современных условиях при резком изменении климата на планете метеорологам зачастую трудно предсказать погоду на длительный период времени. Наибольшая вероятность совпадения погодных условий с прогнозом наблюдается только в течение несколько суток (до 3-х), поэтому в ИСУ МР поступает нечеткая или качественно неопределенная информация по погодным условиям на ближайшие несколько суток, что ведет к качественной неопределенности условий сбора.
В зависимости от сложности выполняемых операций МР должны обладать разной степенью интеллектуальности. Самая высокая реализуется на основе технологий ИИ с применением нечеткой логики, искусственных нейронных и нейро-нечетких сетей, генетических алгоритмов, роевого интеллекта.
В таких роботах происходит обработка сенсорной информации и оценка на её основе внешней ситуации; принятие адекватных решений по выбору целей поведения, планированию путей их достиже-
ния; реализация этих планов путем управления движением робота [1; 2].
Исходя из этого, задача исследований формулируется так: ИСУ МР должна выбрать в зависимости от условий сбора наилучший вариант его использования для сбора ягод, обеспечивающий наибольшую прибыль от этого сбора.
Для решения этой задачи МР должен иметь 3-уровневую ИСУ, которая будет принимать решения в зависимости от уровня определенности, полноты и точности информации о текущей ситуации и её оценки: на первом уровне - по однозначным ситуациям, на втором - по неоднозначным четким ситуациям, на третьем - по неоднозначным нечетким ситуациям [1; 2].
Результаты
Метод выбора вариантов на основе нечеткого описания состояния системы и исходов. Сбор ягод относится к неоднозначным нечетким ситуациям. Решение будет приниматься ИСУ МР на третьем ее уровне. При этом состояния МР известны неточно и, кроме того, неточно определены полезности вариантов решений в различных состояниях (для различных условий сбора ягоды). В этом случае предлагается проводить выбор оптимального варианта решения с помощью метода выбора вариантов на основе нечеткого описания состояния системы и исходов [1; 10; 12]. Текущее состояние МР может быть получено после распознавания ситуации на основе методики, описанной в [19; 20].
Суть метода заключается в следующем. Необходимо выбрать альтернативу (вариант) решения, соответствующую внешним условиям. Выбор альтернативы при различных состояниях среды (при различных ситуациях) характеризуется различной полезностью, анализ которой и позволяет принять решение. Итак, имеется множество вариантов А={а1,а2,...,ат}, выбор одного из которых зависит от состояния Х={х1,х2,...,хп}, в котором находится объект. Известно, что если выбран вариант а^ для состояния х;, то его полезность будет щ. Для различных вариантов и возможных состояний системы имеется матрица т X П :
ип U12 • ■U1n
U = U21 U22 • ■U2 n
и , ml и ~ • m2 и mn
technology and mechanization of agriculture
Если состояние X . е X известно, то лучшей будет альтернатива с наибольшей полезностью:
и = тах и
о ■ 1 у .
I=1,т
В нашем случае состояние системы и полезности вариантов известны нечетко, поэтому на основе теоретических положений, приведенных в [2; 10; 12], в работе предлагается следующая методика решения задачи выбора лучшей альтернативы ИСУ МР сбора ягод.
Постановка задачи. Имеется множество вариантов решений задачи А={а1,а2,...,ат}, объект (система) может находиться в различных
состояниях Х={х1,х2,...,хп}. Полезность и^,
связанная с вариантом аь при состоянии х}-является нечеткой и задается нечетким множеством (НМ):
U
u
(1)
где
uk G
полезностей; i g Запишем
U (uk ))
к
U1 = k}
; i g I = 1m}, j G J = 1n}, к G J . матрицу
четкие
значения
полезностей
так:
U
U
mxn
описывается
Состояние системы задано и нечетким множеством
X = (хк) /
хк } хк е Х, к е J . Требуется
найти лучший вариант решения а0.
Методика выбора варианта решения ИСУ МР для сбора ягод при качественной неопределенности условий сбора.
1. Определить нечеткие полезности при данном состоянии системы:
для всех ( = 1, т, к е J
и* = Ц~ {Хк ) / и к }. (2)
При вычислении и\ используется правило для расчета алгебраической суммы двух нечетких
множеств:
М3 (х)=(а (x)+ М2 (x))=,
(x) + ju2 (x) - (x) • ju2 (x), vx g X. (3)
U *
uj^ uax), vx g
2. Найти
u* на четких значениях полезности
для i = 1, m , к G J .
Исходим из того, что НМ и* состоит из
нечетких подмножеств и может быть сведено к НМ на четких значениях полезности. Если элемент НМ
и. определяется
^и-Рк Vик = М~- (ик ) / ик )/{Цг {ик )/ ик )
как то
значение степени принадлежности четкого значения ик НМ и * находится из принадлежности его и (к и
принадлежности последнего и* :
Мщ (ик) = т1п (хк X МиЛ(ик)), ик е и 1. (4)
3. Определить максимизирующие множества. «Максимизирующим множеством функции f на множестве У называется нечеткое множество МД), такое, что степень принадлежности ему некоторого у характеризует близость Д(у) к supf. Аналогично максимизирующим множеством М(У) множества У называется нечеткое подмножество, степень
принадлежности к которому для у е ^ выражает в некотором смысле близость у к supУ» [2; 10].
В нашем случае У содержит все возможные значения полезности для данного нечеткого
состояния
имеет
вид: Y = U S (U. ), а
максимизирующие множества для всех i = 1, m :
Um = W (Uk ) / Uk }, (5)
я ^ ¡m '
где
MG. (uk ) =
U,
u
V max
u„
= sup7, d - целое.
4. Определить оптимизирующие множества и на основе пресечения нечетких множеств и , и и* по формулам (4) и (5):
М~ (ик ) = т1п Ци (ик X М~> (ик )). (6)
и (о \ и (т и ( '
5. Найти множество Л0 = ^(а.)/а. ,
*
представляющее оптимальный вариант, которое определяется через:
ц~ (а.) = тах (ык). (7)
е к ию
6. Определить лучший вариант а0. Очевидно, лучшим будет вариант решения, имеющий наибольшее значение принадлежности множеству
~ :
(ао) = max (a ) .
(8)
и
i=i
d
O
х10 - ягоды будет нельзя собирать несколько дней из-за дождя, на сбор ягоды - не более 0,5 суток.
Матрица полезностей, в данном примере - это матрица эффективности, обеспечивающая наибольшую прибыль от сбора ягод, задана лингвистически:
Х1 Х2 Х3 Х4 Х5
a
U = a„
Н С ОН ОН ОН ОН
С В СС НН
x6 ВВ В ОВ
СС
x7 В ОВ В
x8 С В
x9 x10
ОН ОН ОН ОН
ОВ ОН ОН
где эффективность, обеспечивающая наибольшую прибыль от сбора ягод, задана терм-множествами
е и 1 = К }, г е I = },
и,,
вида = Ut U)/и
k
j G J = ln}, (здесь: m=3, n=10), k G J :
Г1,0 0,41
очень низкая: ОВ = i--\--};
(.0,1 0,2J TT (0,4 1,0 0,51
низкая: Н= i--\---\--};
(.0,1 0,2 0,3J
,4 0,7 1,0 0,7 0, 3 0,4 0,5 0,6 0,
,41 _ ,7J ;
0,51 _ 0,9j ;
_технологии и средства механизации сельского хозяйства
Таким образом, применяя предлагаемую методику, можно выбрать оптимальное решение при качественной неопределенности условий сбора ягоды МР.
Исходные данные. Имеется МР типа Agrobot, который используется для сбора земляники садовой. Площадь участка - 800 соток. Производительность МР: при сборе крупных ягод - 800 соток приблизительно за 0,5-1 день, крупных и средних - за 1-2 дня; всех ягод - за 2-3 дня. Необходимо, чтобы ИСУ МР осуществила выбор одного из вариантов его применения в зависимости от погодных условий сбора.
Пусть имеются 3 возможных варианта решения:
ai - собирать только крупные ягоды; a2 - собирать крупные и средние ягоды; a3 - собирать ягоды всех размеров, включая мелкие.
Условия сбора ягод из-за погоды могут быть различными. В зависимости от этого могут возникать различные ситуации. Считается, что ситуация распознана (методика распознавания представлена в [1]) и условия сбора ягоды исходя из этого определены.
x1 - ягоды будет нельзя собирать несколько дней из-за дождя, до дождя не более 0,75 суток;
x2 - дождь продлится от 0,5 до 1 суток, потом будет сухо и солнечно, на сбор высохшей ягоды даются 1 сутки;
x3 - дождь продлится от 0,5 до 1 суток, потом будет сухо и солнечно, на сбор высохшей ягоды дается 1,5 суток;
x4 - дождь продлится от 0,5 до 1 суток, потом будет сухо и солнечно, на сбор высохшей ягоды дается 1,75 суток;
xj - дождь продлится от 0,5 до 1 суток, потом будет сухо и солнечно, высохшая ягода начнет созревать быстрее после дождя, вес будет нормальным, на сбор ягоды - 2 суток;
x6 - солнечная сухая погода будет стоять много дней, скорость созревания ягод возрастет, их вес уменьшится, на сбор ягоды - 2 суток;
x7 - солнечная сухая погода будет стоять много дней, скорость созревания ягод возрастет, их вес уменьшится, на сбор ягоды - 2,5 суток;
x8 - солнечная сухая погода будет стоять много дней, скорость созревания ягод возрастет, их вес уменьшится, на сбор ягоды - 3 суток;
x9 - ягоды будет нельзя собирать несколько дней из-за дождя, вес ее увеличится, а качество снизится, на сбор ягоды дается не более 0,25 суток;
X =
п С0*' средняя: С = {—
тэ Г«,5 , 1,0 . высокая: В = {--\---V
(.0,7 0,8
„„ ("0,5 1,01
очень высокая: ОВ = {--\--}.
(.0,9 1,о;
Состояние условий сбора ягоды определено: [0.4 08 1,0 07 03'
>, т. е. k принимает
^ Х3 Х4 Х5 Х7 J
значения от 3 до 7.
Лингвистически это состояние можно выразить так: по прогнозу, дождь будет длиться от 0,5 до 1 суток, потом будет сухо и солнечно, и ягода высохнет, общее время на сбор ягод с учетом скорости созревания составит от 1 до 2,5 суток.
Решение задачи. Проведем расчеты согласно методике, описанной ранее.
1. Определим нечеткие полезности (эффективности) при данном состоянии условий сбора ягоды для различных вариантов решений для
всех г = 1,3 , к е 3, т. е. для k = 3, 4, 5, 6, 7:
и* = {0,4/С; 0,8/В;1,0/В; 0,7/В; 0,3/В} = = {0,4/С; (0,8+1,0-0,8 1,0)/В;(0,7+0,3-0,7 0,3)/В} = ={0,4/С;(1,0+ 0,79-1,0 0,79)/В}={0,4/С;1,0/В}.
При вычислении и * используется правило для расчета алгебраической суммы двух нечетких множеств по формуле (3):
м М=(А М+М М)=
= М\(х) + ^(х)-М\(х)ш м(х), ^х е X.
technology and mechanization of agriculture
Аналогично получим
¿~2 ={0,4/С; 0,8/С; 1,0/В; 0,7/ОВ;0,3/ОВ} = ={(0,4+0,8-0,4 0,8)/С;1,0/В;(0,7+0,3-0,7 0,3)/ОВ} = ={0,88/С;1,0/В;0,79)0/В};
из* ={0,4/Н;0,8/Н; 1,0/С;0,7/С;0,3/В} =
= {(0,4+0,8-0,32)/Н;(1,7-0,7)/С; 0,3/В} = ={0,88/Н; 1,0/С; 0,3)/В}.
2. Найдем и* на четких значениях
полезности для всех ( = 1,3 , к е J, т. е. для
/7*
к = 3, 4, 5, 6, 7. Для этого в и ( надо подставить
значения соответствующих терм-множеств Н, С, В, ОВ.
Так в и 1 подставим вместо терм-множеств С и В их значения:
и* ={0,4/{0,4/0,3;0,7/0,4;1,0/0,5;0,7/0,6;
0,4/0,7};1,0/{0,5/0,7;1,0/0,8;0,5/0,9}}. Упрощаем на основании формулы (4): (и к) = тп {ц Х (хкX (ик))
принадлежности uk
X = \и~ (xk ) 1 Xk }, xk G X
U
где
степень
uk G Ui
U* ={min(0,4; 0,4)/0,3; min(0,4; 0,7)/0,4; min(0,4;1,0)/0,5;min(0,4;0,7)/0,6;min(0,4;0,4)/0,7; min(1,0;0,5)/0,7;min(1,0;1,0)/0,8;min(1,0;0,5)/0,9} = ={0,4/0,3;0,4/0,4;0,4/0,5;0,4/0,6;0,4/0,7;0,5/0,7; 1,0/0,8; 0,5/0,9}={0,4/0,3; 0,4/0,4; 0,4/0,5; 0,4/0,6; 0,7/0,7; 1,0/0,8; 0,5/0,9}. Аналогично для i = 2,3:
U*2 ={0,4/0,3; 0,7/0,4; 0,88/0,5; 0,7/0,6; 0,7/0,7; 1,0/0,8; 0,75/0,9; 0,79/1,0};
Û; ={0,4/0,1;0,88/0,2;0,7/0,3;0,7/0,4;1,0/0,5;
0,7/0,6; 0,58/0,7; 0,3/0,8; 0,3/0,9}. 3. Определим максимизирующие множества
Y = UsU ) : Uim =K„ (uk )' uk },
где
Mu,
(uk ) =
V umax У
u„
= sup Y, d = 1.
Y = {0,3;0,4;0,5;0,6;0,7;0,8;0,9}U {0,3;0,4;0,5;0,6;0,7;0,8;0,9;1,0}U U {0,1;0,2;0,3;0,4;0,5;0,6;0,7;0,8;0,9} = = {0,1;0,2;0,3;0,4;0,5;0,6;0,7;0,8;0,9;1,0}. Следовательно, итах = sup Y = 1,0 . Соответствующие максимизирующие множества на основании формулы (5) имеют вид:
и 1т ={0,3/0,3; 0,4/0,4; 0,5/0,5; 0,6/0,6; 0,7/0,7; 0,8/0,8;0,9/0,9};
и 2т ={0,3/0,3; 0,4/0,4; 0,5/0,5; 0,6/0,6; 0,7/0,7; 0,8/0,8; 0,9/0,9;1,0/1,0};
и3т ={0,1/0,1; 0,2/0,2; 0,3/0,3; 0,4/0,4; 0,5/0,5; 0,6/0,6;0,7/0,7;0,8/0,8;0,9/0,9}.
4. Найдем оптимизирующие множества и по формуле (6), в данном случае она примет следующий вид -(ик) = т1п{Ци (ик\Цх(хк)):
^ю 4 ^ 1т ^ '
и1О ={тт(0,4;0,3)/0,3;тт(0,4;0,4)/0,4;
тт(0,4;0,5)/0,5;тт(0,4; 0,6)/0,6; тт(0,7;0,7)/0,7;тт(1,0;0,8)/0,8;тт(0,5;0,9)/0,9} = ={0,3/0,3; 0,4/0,4; 0,4/0,5;0,4/0,6; 0,7/0,7; 0,8/0,8;0,5/0,9};
и 2О ={0,3/0,3; 0,4/0,4; 0,5/0,5; 0,6/0,6; 0,7/0,7; 0,8/0,8; 0,75/0,9; 0,79/1,0};
и 3О ={0,1/0,1; 0,2/0,2; 0,3/0,3; 0,4/0,4;
0,5/0,5; 0,6/0,6; 0,58/0,7; 0,3/0,8; 0,3/0,9}.
5. Найдем множество рациональных вариантов решений — = М^ (а )/а по формуле (7):
0 V../ Л0 * * г
ц и (а1) = тах(0,3; 0,4; 0,4; 0,4; 0,7; 0,8; 0,5) = 0,8;
о
Ц7 (а2) = тах(0,3;0,4;0,5;0,6;0,7;0,8;0,75;0,79) =
о
= 0,8;
Ци (а3) = тах(0,1;0,2;0,3;0,4;0,5;0,6;0,58;0,3;0,3) =
= 0,6,
т. е. АО ={0,8/аь 0,8/а2;0,6/а3}.
6. Определим лучший вариант ао по формуле (8). Лучшими являются варианты а; и а2.
Оператор МР, руководствуясь дополнительными соображениями (урожайностью данного сорта земляники садовой в этот год, технического состояния МР, от места нахождения участка и т. п.) может выбрать вариант а2 (собирать крупные и средние ягоды).
Итак, собирать крупные и средние ягоды (вариант а2) выгоднее, чем собирать только крупные ягоды (вариант а1) или собирать ягоды всех размеров, включая мелкие (вариант а3).
Заключение Определено, что прибыль сельскохозяйственного предприятия, занимающегося выращиванием садовой земляники, зависит: от веса и качества собранных ягод; от ее урожайности; от быстроты сбо-
к
i=l
d
u
к
XXXXXX технологии и средства механизации сельского хозяйства XXXXXX
ра ягоды; от погоды; точности прогноза погоды; сроков и скорости созревания ягоды; от технических характеристик МР, в первую очередь, от его производительности. Установлено, что в современных условиях при резком изменении климата на планете метеорологам зачастую трудно предсказать погоду на длительный период времени. Наибольшая вероятность совпадения погодных условий с прогнозом наблюдается только в течение несколько суток (до 3-х), поэтому в ИСУ МР поступает нечеткая или качественно неопределенная информация по погодным условиям на ближайшие несколько суток, что ведет к качественной неопределенности условий сбора. По этой причине для решения задач МР предложено использовать технологии ИИ.
Предложенная методика позволяет выбрать вариант принятия решения ИСУ МР для сбора ягоды при качественной неопределенности условий сбора.
Так как состояния МР известны неточно и, кроме того, неточно определены полезности вариантов решений в различных состояниях (для различных условий сбора ягоды), то предложено проводить выбор оптимального варианта решения с помощью метода выбора вариантов на основе нечеткого описания состояния системы и исходов. С использованием данной методики решена задача по выбору порядка применения МР типа Agrobot для сбора ягоды при качественной неопределенности условий сбора. В качестве решения данной задачи выбирается вариант, имеющий наибольшее значение принадлежности множеству возможных вариантов. Предложенную методику рекомендуется использовать при разработке специальных компьютерных программ, которые могут найти применение как при управлении мобильными интеллектуальными роботами сбора ягоды, так и при управлении МР иного назначения.
СПИСОК ИСТОЧНИКОВ
1. Романов П. С., Романова И. П. Методический аппарат принятия решения интеллектуальной системой управления мобильного робота при сборе ягод // Информационные технологии. 2020. Т. 26. № 8. С. 488-496.
2. Kafiev I., Romanov P., Romanova I. Application of a mobile robot for picking berries under qualitative uncertainty of conditions // Journal of Physics: Conference Series. Ser. «International Conference on Automatics and Energy, ICAE 2021». 2021. 2096 (I). P. 012013.
3. Половко С. А., Смирнова Е. Ю., Юревич Е. И. Качественное управление мобильными роботами // Робототехника и техническая кибернетика. 2014. № 4 (5). С. 4-5.
4. Юревич Е. И. Фундаментальные задачи робототехники // Мехатроника, автоматизация, управление. 2011. № 2. С. 2-5.
5. Аверкин А. Н., Лишилин М. В. Дорохин В. А., Теряев Л. Н. Разработка моделей и алгоритмов для беспилотного управления сельскохозяйственной техникой с применением технологий виртуальной и дополненной реальности // Вестник Тамбовского государственного технического университета. 2020. Т. 26. № 4. С.581-597.
6. Каличкин В. К., Корякин Р. А., Логачёва О. М., Грачев И. Г. Логика функционирования информационных процессов в аграрной интеллектуальной системе // Достижения науки и техники АПК. 2020. Т. 34. № 9. С. 91-95.
7. Линенко А. В., Туктаров М. Ф., Сираев Ш. Ф., Байназаров В. Г. Нечеткий регулятор в системе управления линейным электроприводом зерноочистительной машины // Электротехнические и информационные комплексы и системы. 2016. Т. 12. № 4. С. 34-40.
8. Linenko A. V., Gabitov I. I., Baynazarov V. G., Tuktarov M. F., Aipov R. S. The mechatronic module «inear electric drive - sieve boot» intelligent control system of grain cleaner // Journal of the Balkan Tribological Association. 2019. V. 25. № 3. P. 708-717.
9. Яруллин Р. Б. Туктаров М. Ф., Байназаров В. Г., Махмутов Р. Ф. Управление линейным электроприводом зерноочистительной машиной // Вестник Башкирского государственного аграрного университета. 2020. № 2 (54). С. 131-138.
10. Аверкин А. Н., Аграфонова Т. Н., Титова Н. В. Системы поддержки принятия решений на основе нечетких моделей // Известия Российской академии наук. Теория и системы управления. 2009. № 1. С. 89-100.
11. Аверкин А. Н., Ярушев С. А. Обзор исследований в области разработки методов извлечения правил искусственных нейронных сетей // Известия Российской академии наук. Теория и системы управления. 2021. Т.6. № 6. С. 106-121.
_XXXXXXXXXX technology and mechanization of agriculture XXXXXXXXXX
12. Повидало И. С., Ярушев С. А., Аверкин А. Н., Федотова А. В. Когнитивные системы поддержки принятия решений и прогнозирования // Программные продукты, системы и алгоритмы. 2017. № 4. С. 16.
13. Рыбин И. А., Рубанов В. Г. Математическая модель системы управления мобильного транспортного средства // Мехатроника, автоматизация, управление. 2017. Т. 18. № 5. С. 333-340.
14. Nuno Mendes, Pedro Neto. Indirect adaptive fuzzy control for industrial robots: A solution for contact applications // Expert Systems with Applications. 2015. V. 42. Issue 22. P. 8929-8935.
15. Jia Wang Chen, Huangchao Zhu, Lei Zhang, Yuxia Sun. Research on fuzzy control of path tracking for underwater vehicle based on genetic algorithm optimization.OceanEngineering. 2018. V. 156. P. 217-223.
16. Пучков Е. В. Сравнительный анализ алгоритмов обучения искусственной нейронной сети // Инженерный вестник Дона. 2013. № 4.
17. Roland Siegwart, Illah Reza Nourbakhsh, Davide Scaramuzza. Introduction to Autonomous Mobile Robots (Intelligent Robotics and Autonomous Agents series) second edition Edition.Publisher: The MIT Press; Cambridge second edition. 2011. 472 p.
18. Janglova D. Neural networks in mobile robot motion // Cut. EdgeRobot. 2005. V. 1. № 1. P. 243-254.
19. Поспелов Д. А. Принципы ситуационного управления // Известия Академии наук СССР. Техническая кибернетика. 1971. № 2. C. 10.
20. Поспелов Д. А. Ситуационное управление - основа прикладных интеллектуальных систем // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия Приборостроение. 1995. № 2. С. 31-40.
Дата поступления статьи в редакцию 08.03.2022, одобрена после рецензирования 11.04.2022;
принята к публикации 14.04.2022.
Информация об авторах:
И. Р. Кафиев - к.т.н., доцент кафедры «Электрические машины и электрооборудование», тел. +7-917-413-02-38, Spin-код: 1540-8480;
П. С. Романов - д.т.н., профессор кафедры «Автоматизация производства и информационные технологии», тел. +7-916-584-91-65, Spin-код: 1407-6588;
И. П. Романова - к.т.н., доцент кафедры «Автоматизация производства и информационные технологии», тел. +7-926-792-43-39, Spin-код: 6127-9592.
Заявленный вклад авторов: Кафиев И. Р. - решение организационных и технических вопросов по подготовке текста. Романов П. С. - общее руководство проектом, анализ и дополнение текста статьи. Романова И. П. - сбор и обработка материалов, подготовка первоначального варианта текста.
Авторы заявляют об отсутствии конфликта интересов.
REFERENCES
1. Romanov P. S., Romanova I. P. Metodicheskiy apparat prinyatiya resheniya intellektualnoy sistemoy upravleniya mobilnogo robota pri sbore yagod [Methodical apparatus of choosing information technology for managing agricultural robots], Informatsionnyye tekhnologii [Information Technology], 2020, Vol. 26, No. 8, pp. 488-496.
2. Kafiev I., Romanov P., Romanova I. Application of a mobile robot for picking berries under qualitative uncertainty of conditions, Journal of Physics: Conference Series, International Conference on Automatics and Energy, ICAE 2021, 2021, 2096 (I), p. 012013.
3. Polovko S. A. Smirnova E. Yu. Yurevich E. I. Kachestvennoye upravleniye mobilnymi robotami [High-quality control of mobile robots], Robototekhnika i tekhnicheskaya kibernetika [Robotics and technical cybernetics], 2014, No. 4 (5), pp. 4-5.
4. Yurevich E. I. Fundamentalnyye zadachi robototekhniki [Fundamental tasks of robotics], Mekhatronika, avtomatizatsiya, upravleniye [Mechatronics, automation, control], 2011, No. 2, pp. 2-5.
5. Averkin A. N., Lishilin M. V. Dorohin V. A., Teryaev L. N. Razrabotka modelej i algoritmov dlya bespilotnogo upravleniya sel'skohozyajstvennoj tekhnikoj s primeneniem tekhnologij virtual'noj i dopolnennoj
16
XXXXXX технологии и средства механизации сельского хозяйства XXXXXX
real'nosti [Development of models and algorithms for unmanned control of agricultural machinery using virtual and augmented reality technologies ], Vestnik Tambovskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of the Tambov State Technical University], 2020, Vol. 26, No. 4, pp. 581-597.
6. Kalichkin V. K., Koryakin R. A., Logachyova O. M., Grachev I. G. Logika funkcionirovaniya informacionnyh processov v agrarnoj intellektual'noj sisteme [The logic of the functioning of information processes in the agricultural intellectual system], Dostizheniya nauki i tekhniki APK [Achievements of science and technology of agriculture], 2020, Vol. 34, No. 9, pp. 91-95.
7. Linenko A. V., Tuktarov M. F., Siraev Sh. F., Bainazarov V. G. Nechetkij regulyator v sisteme upravleniya linejnym elektroprivodom zernoochistitel'noj mashiny [Fuzzy controller in the control system of a linear electric drive of a grain cleaning machine], Elektrotekhnicheskie i informacionnye kompleksy i sistemy [Electrotechnical and information complexes and systems], 2016, Vol. 12, No. 4, pp. 34-40.
8. Linenko A. V., Gabitov I. I., Baynazarov V. G., Tuktarov M. F., Aipov R. S. The mechatronic module «inear electric drive - sieve boot» intelligent control system of grain cleaner, Journal of the Balkan Tribological Association, 2019, Vol. 25, No. 3, pp. 708-717.
9. Yarullin R. B. Tuktarov M. F., Bainazarov V. G., Makhmutov R. F. Upravlenie linejnym elektroprivodom zernoochistitel'noj mashinoj [Control of a linear electric drive of a grain cleaning machine], Vestnik Bashkirskogo gosudarstvennogo agrarnogo universiteta [Bulletin of the Bashkir State Agrarian University], 2020, No. 2 (54), pp.131-138.
10. Averkin A. N., Agrafonova T. N., Titova N. V. Sistemy podderzhki prinyatiya reshenij na osnove nechetkih modelej [Decision support systems based on fuzzy models], Izvestiya Rossijskoj akademii nauk. Teoriya i sistemy upravleniya [News of the Russian Academy of Sciences. Theory and control systems], 2009, No. 1, pp. 89-100.
11. Averkin A. N., Yarushev S. A. Obzor issledovanij v oblasti razrabotki metodov izvlecheniya pravil iskusstvennyh nejronnyh setej [Review of research in the field of development of methods for extracting rules of artificial neural networks], Izvestiya Rossijskoj akademii nauk. Teoriya i sistemy upravleniya [News of the Russian Academy of Sciences. Theory and control systems], 2021, Vol. 6, No. 6, pp. 106-121.
12. Povidalo I. S., Yarushev S. A., Averkin A. N., Fedotova A. V. Kognitivnye sistemy podderzhki prinyatiya reshenij i prognozirovaniya [Cognitive decision support and forecasting systems], Programmnye produkty, sistemy i algoritmy [Software Products, Systems and Algorithms], 2017, No. 4, pp. 16.
13. Rybin I. A., Rubanov V. G. Matematicheskaya model' sistemy upravleniya mobil'nogo transportnogo sredstva [Mathematical model of a mobile vehicle control system], Mehatronika, avtomatizacija, upravlenie [Mechatronics, automation, control], 2017, Vol. 18, No. 5, pp. 333-340.
14. Nuno Mendes, Pedro Neto. Indirect adaptive fuzzy control for industrial robots: A solution for contact applications. Expert Systems with Applications, 2015, Vol. 42, Issue 22, pp. 8929-8935.
15. Jia Wang Chen, Huangchao Zhu, Lei Zhang, Yuxia Sun. Research on fuzzy control of path tracking for underwater vehicle based on genetic algorithm optimization, Ocean Engineering, 2018, Vol. 156, pp. 217-223.
16. Puchkov E. V. Sravnitel'nyj analiz algoritmov obucheniya iskusstvennoj nejronnoj seti [Comparative analysis of artificial neural network learning algorithms], Inzenernyj vestnik Dona [Engineering Bulletin of the Don], 2013, No. 4.
17. Roland Siegwart, Illah Reza Nourbakhsh, Davide Scaramuzza. Introduction to Autonomous Mobile Robots (Intelligent Robotics and Autonomous Agents series) second edition Edition. Publisher: The MIT Press; Cambridge second edition, 2011, 472 p.
18. Janglova D. Neural networks in mobile robot motion, Cut. Edge Robot, 2005. Vol. 1. No. 1, pp. 243-254.
19. Pospelov D. A. Principy situacionnogo upravleniya [Principles of situational management], Izvestiya Akademii nauk SSSR. Tekhnicheskaya kibernetika [Proceedings of the Academy of Sciences of the USSR. Technical cybernetics], 1971, No. 2, pp. 10.
20. Pospelov D. A. Situacionnogo upravleniya - osnova prikladnyh intellektual'nyh sistem [Situational management - the basis of applied intelligent systems], Vestnik Moskovskogo gosudarstvennogo tekhnicheskogo universiteta im. N. E. Baumana. Seriya Priborostroenie [Bulletin of the Moscow State Technical University. N. E. Bauman. Series Instrumentation], 1995, No. 2. pp. 31-40.
The article was submitted 08.03.2022; approved after reviewing 11.04.2022; accepted for publication 14.04.2022.
_XXXXXXXXXX technology and mechanization of agriculture XXXXXXXXXX
Information about the authors: I. R. Kafiev - Ph. D. (Engineering), Associate Professor of the Department «Electric Machines and Equipment», phone: +7-917-413-02-38, Spin-code: 1540-8480;
P. S. Romanov - Dr. Sci. (Engineering), Professor of the Department «Production automation and information technology», phone: +7-916-584-91-65, Spin-code: 1407-6588;
I. P. Romanova - Ph. D. (Engineering), Associate Professor of the Department «Production automation and information technology», phone: +7-926-792-43-39, Spin-code: 6127-9592.
Contribution of the authors: Kafiev R. I. - solved organizational and technical questionsfor the preparation of the text. Romanov P. S. - managed the research project, analyzing and supplementing the text. Romanova I. P. - collection and processing of materials, preparation of the initial version of the text.
The authors declare no conflicts of interests.
