CC BY
7
the structural material during free spreading are determined. Mathematical models for the degradation rate of concrete of various classes are constructed. The experimental values of the destruction front coordinate obtained from the isochrons of concrete degradation are determined.
Key words: degradation, destruction, strength, microhardness, concrete samples, kerosene concentration.
Mandritsa Dmitry Petrovich, candidate of technical sciences, docent, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky,
Mironov Andrey Nikolaevich, doctor of technical sciences, professor, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky,
Avsyukevich Dmitry Alekseevich, doctor of technical sciences, professor, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky
УДК 004.032.26:517.977.56
DOI: 10.24412/2071-6168-2022-12-441-446
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ СКОРОСТИ ДВИЖЕНИЯ МОБИЛЬНОГО РОБОТА НА РАЗНЫХ ТИПАХ ПОВЕРХНОСТЕЙ
А.С. Беляев, Н.С. Дружинин, М.С. Суходоев, А.В. Цавнин, О.А. Брылев
Проведены эмпирические исследования прогнозирования координат и угловой ориентации мобильного робота, функционирующего на разных типах поверхностей, имитирующие естественные условия. Полученная нейросетевая модель, базирующаяся на информации с скоростей движения и токов двигателей, апробирована при движении по 2-м траекториям с переходом между 2-мя разными типами поверхностей. Произведен количественный анализ точности предсказания модели.
Ключевые слова: мобильный робот, outdoor, подстилающие поверхности, нейронные сети.
Для мобильных роботов, функционирующих внутри помещений большинство задач связанных с навигацией и управлением решены и дальнейшее исследование направлено на улучшение точности систем. Что касается роботов outdoor-типа, функционирующих в естественных условиях, где трудно спрогнозировать не только внешнее возмущение, но и их влияние на поведение робототехнической системы. Поэтому большинство задач для таких роботов остаются нерешенными, или решенными частично.
К таким задачам в первую очередь можно отнести инерциальную навигацию, которую можно разделить на 2 подзадачи: во-первых, определение координат и угловой ориентации робота в пространстве по информации с бортовой сенсорной системы, а во-вторых, определение наиболее эффективных управляющих воздействий на двигательную систему. Решение второй задачи в большинстве случаев невозможно без первой ввиду того, что большинство алгоритмов управления реализуется с использованием обратной связи, для которой необходима информация о текущем положении робота в пространстве.
При решении первой задачи можно выделить 2 основных подхода, на которые опираются исследовательские коллективы по всему миру: определение физических закономерностей, таких, как проскальзывание, вязкость, сцепление, момент и т.п. и использование нефизических закономерностей на основе различных методов искусственного интеллекта.
Получение физических параметров и закономерностей позволяет строить классические математические модели и, соответственно, применять общеизвестные подходы к анализу и синтезу систем управления с учетом требуемых показателей качества, в том числе, когда показатели [1,2].
Оба данных подхода также можно разделить на 2 направления: с использованием предварительной классификации поверхностей, по которым перемещается робот и без использования классификатора.
Использование физических закономерностей без классификации в основном базируется на определении проскальзывания колес мобильного робота. Например, в [3] получена линейная зависимость проскальзывания от токов двигателя, которая впоследствии используется для коррекции траектории движения робота. Похожая зависимость проскальзывания от момента вращения колес получена в [4]. Аналогичные результаты получены в других работах для разных типов роботов и разных условий [5-7].
Отдельным направлением исследований хочется выделить исследования взаимодействия колес с поверхностью на специализированных стендах. В [8] приведен широкий обзор подобных работ по исследованию проскальзывания колес на одноколесных стендах [9]. Кроме того, проводимые исследования используют для предсказания проходимости грунта марсохода [10].
Использование классификаторов при использовании физических закономерностей в своем большинстве необходимо для учета влияния подстилающих поверхностей разных тип, которые значительно отличаются по влиянию [11]. Кроме того, классификаторы могут быть использованы и для улучшения точности классификации, путем разделения физического воздействия на степени влияния [12].
Что касается использования нефизических закономерностей при помощи методов искусственного интеллекта, то в основном используются нейронные сети [13-15], нечеткая логика [16]. Например, в [15] для определения координат и угловой ориентации робота используется нейронные сети, базирующие на методе группового учета аргументов, причем сравнивались результаты работы системы как с классификатором, так и без такого, методы показали сопоставимую точность, порядка нескольких сантиметров.
Однако, несмотря на широкую проработку данной задачи, все результаты, полученные в работах, характерны только для узкого спектра сред функционирования робототехнической платформы, в которых и проводились исследования. Кроме того, важным являются и структура самой мобильной ро-бототехнической платформы. Именно поэтому в данной работе ставится задача о расширение вариантов решений задачи определения координат и угловой ориентации мобильного робота в пространстве, функционирующего на разных поверхностях.
Кроме того, основной акцент данных работ сделан именно на движение по одному типу поверхности, либо по нескольким однородным типам, при этом исследование влияния процесса динамического изменения параметров среды на поведение робототехнической системы, в процессе перехода между разными типами поверхности, не рассмотрен.
Выбор и получение входных параметров. При управлении мобильным роботом зачастую в качестве основных входных управляющих воздействий используют скорости его движения в локальной системе координат ({v3,Vy,fl3}). Данные переменные будут входными переменными разрабатываемой модели. Данные скорости с учетом кинематики работы пересчитываются в заданные скорости вращения каждого колеса. Такая концепция управления наиболее привлекательна, ввиду простоты управления для оператора, поскольку нет необходимости подбирать требуемые скорости вращения каждого колеса. В свою очередь, заданные скорости вращения каждого колеса через регуляторы скорости вра-
щения каждого колеса пересчитываются в требуемое напряжения двигателей {и1,и2,и3}. Данные напряжения формируют движение робота, в ходе которого, в результате действия внешнего возмущающего момента {MfH} сопротивления на каждом из двигателей формируется момент {MJ, характеризующийся током двигателей (lt) и реальной скоростью вращения колеса (oif), которая может отличатся от заданной ввиду высоких нагрузок или неидеального регулятора скорости. Последнюю, с учетом кинематики робо-тотехнической системы, можно пересчитать в скорость движения робота в локальной системе координат {vx,Vy,Hd]. Однако ввиду возможности появления эффекта проскальзывания колес реальная скорость движения робота не будет совпадать с расчетной [vx,Vy,Ud], что приведет к ошибке опреде-
ления скорости робота с учетом проскальзывания и как следствие его действительного положения в пространстве.
Следовательно, основными параметрами, характеризующими поведение робота в среде, являются:
заданные скорости вращения каждого колеса {о^,^,^};
реальной скоростью вращения колеса {oif} - характеризует скорость вращения колес, определяется по энкодеру;
токи двигателей {Л,^,^} - характеризуют трудоемкости вращения;
Данные переменные будут использованы в качестве входных параметров для прогнозирования. В качестве выходных переменных, результатов прогнозирования, будут использованы скорости вращения колес мобильной платформы с учетом проскальзывания {w^oif
Данные параметры будут фиксироваться в процесе проведения экспериментов. А в качестве мобильной робототехнической платформы использовалась платформа Festo Robotino (рис. 2), которая перемещается по поверхностям с разными термомеханическими характеристиками, имитирующими outdoor условия. В качестве поверхностей выбраны 3 поверхности отличающиеся по критерию трезвости (мягкая, твердая) и по критерию гладкости (шероховатая, гладкая), внешний вид поверхностей и мобильного робота приведен на рис. 1.
По полученным данным была построена матрица корреляции выбранных признаков с выходной величиной - в табл. 1.
Таблица1
Матрица корреляции входных и выходных параметров_
Входной параметр й)?
0.72 -0.46 -0.35
-0.28 0.88 -0.33
-0.41 -0.40 0.72
, ,d 0.81 -0.39 -0.29
. .d -0.20 0.94 -0.25
, ,d -0.34 -0.32 0.81
и 0.60 -0.53 -0.47
i, -0.50 0.41 -0.51
h -0.49 -0.51 0.48
Тип поверхности 0.55 0.40 0.56
Рис. 1. Внешний вид поверхностей и мобильного робота Robotino V 1.6
Можно увидеть, что ни один из параметров полностью не коррелирует с выходными величинами, что подтверждает необходимость использования нескольких параметров для синтеза моделей скоростей вращения колес с учетом проскальзывания.
Построение нейронных моделей скоростей вращения колес с учетом проскальзывания и апробация полученных результатов. В качестве нейронной сети была использована полносвязная нейронная сеть, состоящая из 4-х слоев по 32 нейрона, на первом слой применена технология «dropout» на 25 процентов связей, во втором слое присутствует L1 L2 регуляризации, обучение проводилось на 150 эпох. Средняя абсолютная ошибка обучения в среднем составила 0.09 рад./с.
Для тестирования полученной модели в реальных условиях, проведены тестовые запуски на 2-х поверхностях, то есть начало движение на одной поверхности, с постепенным переходом на вторую поверхность. В качестве траекторий движения были выбраны: квадратная траектория; круговая траектория.
Результаты прогнозирования нейронной сети при движении по траектории, рис. 2-4, где красная линия - выход нейронной сети, синяя линяя - действительная скорость колеса. Выделенные фрагменты на каждом из рисунков показывают переход робота с одного типа поверхности на другой.
Q.
ib
-0.5
-1,0
20 40 60 80 100 120 140 Номер итерации квадратной траектории Рис.2. Сравнение действительной и спрогнозированной скорости 1-го колеса
Номер итерации квадратной траектории Рис. 3. Сравнение действительной и спрогнозированной скорости 2-го колеса
Номер итерации квадратной траектории
Рис. 4. Сравнение действительной и спрогнозированной скорости 3-го колеса
С учетом использования обратной кинематической задачи, то есть получение действительных скоростей движения робота в локальной системе координат из предсказанных значений нейронной сети, и последующему определению его глобальной порции, получены траектории движения по заданным траекториям, рис 5.
Координата X (м.) Координата X (м.>
Рис. 5. Траектории движения робота и траектория полученная на основе данных с нейронной модели
На основании полученных траекторий была рассчитана абсолютная (определяемая по конечной координате робота в пространстве), абсолютная средняя и относительная ошибки полученной модели, результаты приведены в табл. 2.
Таблица 2
Точность предсказания модели_
Координата К руг (длина =2,86м) Квадрат (длина = 2,87м)
Абсолютная Средняя Относительная, % Абсолютная Средняя Относительная, %
X 0,18 м. 2,8 мм. 18 0,16 м. 1,7 мм. 12
Y 0,1 м. 2,3 мм. 20 0,19 м. 2,2 мм. 19
О 11 градусов 0.07 градуса 9 13 градусов 0.06 градуса 9
Заключение. Полученные результаты прогнозирования скоростей движения мобильного робота по разным типам поверхностей обеспечивают достаточную точность, соизмеримую с размерами робо-тотехнической платформы. Анализ динамики ошибки показывает, что прирост ошибки в процессе перехода мобильного робота с одной поверхности на другую несущественно влияет на точность системы. Причем наибольшее влияние на рассогласование конечной позиции вносит угол поворота платформы. В дальнейших исследования будет сделан упор на уменьшении ошибки при переходе между поверхностями, а также на исследование зависимости ее от площади контакта, скорости движения рода и других факторов.
Список литературы
1. Цавнин А.В., Зарницын А.Ю., Ефимов С.В., Подковыров И.А., Замятин С.В. Метод синтеза регулятора робастного по перерегулированию для АСУ ТП с параметрической неопределенностью // Промышленные АСУ и контроллеры. 2021. № 4. С. 3-11.
2. Tsavnin A.V., Efimov S.V., Zamyatin S.V. Providing real closed-loop transfer functions poles for plant with interval-given parameters for overshoot elimination // International Congress on Ultra Modern Telecommunications and Control Systems and Workshops. 11. Сер. "11th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops, ICUMT 2019" 2019.
3. L. Ojeda, D. Cruz, G. Reina and J. Borenstein, "Current-Based Slippage Detection and Odometry Correction for Mobile Robots and Planetary Rovers," in IEEE Transactions on Robotics, vol. 22, no. 2, pp. 366378, April 2006. DOI: 10.1109/TR0.2005.862480.
4. Vladimir V. Vantsevich, David J. Gorsich, Jesse R. Paldan, Masood Ghasemi, Lee Moradi, Terrain mobility performance optimization: Fundamentals for autonomous vehicle applications. Part I. New mobility indices: Optimization and analysis, Journal of Terramechanics, Volume 104, 2022. P. 31-47. DOI: 10.1016/j.jterra.2022.09.001.
5. Shafaei S.M., Mousazadeh H. A practical quantification of longitudinal slippage of robot platform wheels traversing on solid balls based uneven terrain, Journal of Terramechanics, Volume 99,2022. P. 17-28. DOI: 10.1016/j.jterra.2021.11.003.
6. Noor Amira Ilyanie Ruslan, Noor Hafizah Amer, Khisbullah Hudha, Zulkiffli Abdul Kadir, Saiddi Ali Firdaus Mohamed Ishak, Syed Mohd Fairuz Syed Dardin, Modelling and control strategies in path tracking control for autonomous tracked vehicles: A review of state of the art and challenges, Journal of Terramechanics, Volume 105, 2023. P. 67-79. DOI: 10.1016/j.jterra.2022.10.003.
7. Belyaev A.S., Brylev O.A., Ivanov E.A. Slip Detection and Compensation System for Mobile Robot in Heterogeneous Environment, IFAC-PapersOnLine, 2021. Volume 54. Issue 13. P. 339-344. DOI: 10.1016/j.ifacol.2021.10.470.
8. Adriana Daca, Amir Ali Forough Nassiraei, Dominique Tremblay, Krzysztof Skonieczny, Comparison of wheel load application methods in single-wheel testbeds, Journal of Terramechanics, Volume 99, 2022. P. 35-55. DOI: 10.1016/j.jterra.2021.11.001.
9. Hiroki Tsubaki, Genya Ishigami, Experimental study on wheel-soil interaction mechanics using in-wheel sensor and particle image velocimetry Part I: Analysis and modeling of normal stress of lightweight wheeled vehicles, Journal of Terramechanics, 2021. Volume 93. P. 23-39. DOI: 10.1016/j.jterra.2020.11.003.
10. Iagnemma K., Shibly H., Dubowsky S. On-line terrain parameter estimation for planetary rovers // Proceedings 2002 IEEE International Conference on Robotics and Automation (Cat. No.02CH37292), 2002. Vol. 3. P. 3142-3147. DOI: 10.1109/ROBOT.2002.1013710.
11. Seyedmeysam Khaleghian, Saied Taheri, Terrain classification using intelligent tire, Journal of Terramechanics, Volume 71, 2017. P. 15-24. DOI: 10.1016/j.jterra.2017.01.005.
12. Mohamed-Rafik Bouguelia, Ramon Gonzalez, Karl Iagnemma, Stefan Byttner, Unsupervised classification of slip events for planetary exploration rovers, Journal of Terramechanics, 2017. Volume 73. P. 95106. DOI: 10.1016/j.jterra.2017.09.001.
13. Dupont E.M., Collins E.G., Coyle E.J., Roberts R.G. Terrain Classification Using Vibration Sensors: Theory and Methods // Mob. Robot. New Res., 2010. P. 1-41.
14. Andrakhanov A., Belyaev A. Navigation learning system for mobile robot in heterogeneous environment: Inductive modeling approach, (2017), Proceedings of the 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies, CSIT 2017, 1, art. no. 8098846. P. 543 - 548. Cited 2 times. DOI: 10.1109/STC-CSIT.2017.8098846.
15. Andrakhanov A., Belyaev A. GMDH-Based Learning System for Mobile Robot Navigation in Heterogeneous Environment. In: Shakhovska N., Stepashko V. (eds) Advances in Intelligent Systems and Computing II. CSIT 2017. Advances in Intelligent Systems and Computing, vol 689. Springer, Cham. DOI: 10.1007/978-3-319-70581-1_1.
16. Serhat Soylu, Kazim Carman, Fuzzy logic based automatic slip control system for agricultural tractors, Journal of Terramechanics, Volume 95, 2021. P. 25-32. DOI: 10.1016/j.jterra.2021.03.001.
Беляев Александр Сергеевич, старший преподаватель, asb22@tpu.ru, Россия, Томск, Национальный исследовательский Томский политехнический университет,
Дружинин Никита Сергеевич, студент, Россия, Томск, Национальный исследовательский Томский политехнический университет,
Суходоев Михаил Сергеевич, канд. техн. наук, доцент, smike@tpu.ru, Россия, Томск, Национальный исследовательский Томский политехнический университет,
Цавнин Алексей Владимирович, канд. техн. наук, доцент, Россия, Томск, Национальный исследовательский Томский политехнический университет,
Брылев Олег Александрович, студент, Россия, Томск, Национальный исследовательский Томский политехнический университет
NEURAL NETWORK PREDICTION OF MOBILE ROBOT SPEED ON DIFFERENT TYPES OF SURFACES
A.S. Belyaev, N.S. Druzhinin, M.S. Sukhodoev, A.V. Tsavnin, O.A. Brylev
Empirical studies have been carried out to predict the coordinates and angular orientation of a mobile robot operating on different types of surfaces, simulating natural conditions. The resulting neural network model, based on information from the movement speeds and motor currents, was tested when moving along 2 trajectories with a transition between 2 different types of surfaces. A quantitative analysis of the prediction accuracy of the model was made.
Key words: mobile robot, outdoor, underlying surfaces, neural networks.
Belyaev Alexander Sergeevich, senior lecturer, asb22@tpu.ru, Russia, Tomsk, National Research Tomsk Polytechnic University,
Nikita Sergeevich Druzhinin, student, Russia, Tomsk, National Research Tomsk Polytechnic University,
Sukhodoev Mikhail Sergeevich, candidate of technical sciences, docent, smike@tpu.ru, Russia, Tomsk, National Research Tomsk Polytechnic University,
Tsavnin Alexey Vladimirovich, candidate of technical sciences, docent, Russia, Tomsk, National Research Tomsk Polytechnic University,
Brylev Oleg Alexandrovich, student, Russia, Tomsk, National Research University Tomsk Polytechnic
University УДК 62-82
DOI: 10.24412/2071-6168-2022-12-446-452
МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ГИДРОПРИВОДА БУРОВОГО РОТОРА УСТАНОВКИ ДЛЯ ОСВОЕНИЯ И РЕМОНТА СКВАЖИН С РАЗОМКНУТОЙ ЦИРКУЛЯЦИЕЙ ЖИДКОСТИ
А.С. Лунев, А.А. Никитин, Е.Д. Агафонов, Н.Ф. Орловская, Р.Б. Желукевич
В представленной работе предложена математическая модель, позволяющая проводить оценку влияния нерастворенного газа на динамику гидравлического привода гидрофицированных машин нефтяной и газовой промышленности. Нерастворенный газ в гидравлической жидкости ведет себя как пружина, тем самым создавая вероятность появления динамических нагрузок на элементы гидравлической системы и рабочие органы. Особенно это отчетливо проявляется при больших массах. Предложенное решение позволяет на стадии математического моделирования оценить влияния нерастворен-ного газа на волновые и переходные процессы в гидроприводе.
Ключевые слова: нерастворенный газ, гидропривод, математическая модель, ремонт сква-
^жин.
Рабочие жидкости гидравлического привода представляют собой смесь нерастворенного газа и воздуха (газа). Газожидкостная смесь может образоваться при заполнении бака, во время эксплуатации, при прохождении волновых и переходных процессов, при неправильном проектировании гидросистемы, разности скоростей растворения и выделения газа из жидкости при падении давления на отдельных участках течения рабочей среды. Влияние газосодержания на динамику гидропривода необходимо учитывать при проектировании новых систем и глубокой модернизации существующего гидравлического привода [1].
При математическом описании переходных процессов, протекающих в гидроприводе, примем следующие допущения: течение жидкости считается одномерным, температура жидкости постоянная, волновыми процессами можно пренебречь, гидравлические коэффициенты трения и местных сопротивлений можно определять по формулам для стационарных процессов, стенки трубопроводов считаем абсолютно жесткими.
