CC BY
59
20. Kapustyan S.G. Algoritm kollektivnogo uluchsheniya plana pri reshenii zadach raspredeleniya tseley v gruppe robotov [Algorithm of Collective Improvement of Planning of the Tasks Distribution in a Group of Robots], Shtuchnyy intellect [Schtuchny Intellect], 2005, No. 3, pp. 463-474.
21. Darintsev O.V. Sistema upravleniya kollektivom mikrorobotov [A System of a Group of Robots Control], Shtuchnyy intellect [Schtuchny Intellect], 2006, No. 4, pp. 391-399.
Статью рекомендовал к опубликованию д.ф.-м.н., профессор В.Г. Градецкий.
Ющенко Аркадий Семенович - Московский государственный технический университет им. Н.Э. Баумана (МГТУ им. Н.Э, Баумана); e-mail: [email protected]; 105037, Москва, Измайловская пл., 7; Научно-учебный центр «Робототехника» МГТУ им. Н.Э. Баумана; д.т.н.; профессор.
Михайлов Борис Борисович - Научно-учебный Центр «Робототехника» МГТУ им. Н.Э. Баумана; к.т.н.; доцент.
Назарова Анаид Вартановна - Научно-учебный Центр «Робототехника» МГТУ им. Н.Э. Баумана, к.т.н.; доцент.
Yuschenko Arkady Semenovich - Bauman Moscow State Technical University (BMSTU); e-mail: [email protected]; 7, Izmailovskaya sq., Moscow, 105037, Russia; Scientific-Educational Center "Robototechnika" BMSTU; dr of eng. sc.; professor,
Mikhailov Boris Borisovich - Scientific-Educational Center "Robototechnika" BMSTU, cand. of eng. sc.; associate professor.
Nazarova Anaid Vartanovna - Scientific-Educational Center "Robototechnika" BMSTU; cand. of eng. sc.; associate professor.
УДК 681.511.4+004.896:519.876.5
В.Ф. Гузик, В.А. Переверзев, А.О. Пьявченко, Р.В. Сапрыкин
ПРИНЦИПЫ ПОСТРОЕНИЯ ЭКСТРАПОЛИРУЮЩЕГО МНОГОМЕРНОГО НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОЗИЦИОННО-ТРАЕКТОРНОГО УПРАВЛЕНИЯ ПОДВИЖНЫМИ ОБЪЕКТАМИ*
Рассмотрены принципы построения экстраполирующего многомерного нейросетево-го планировщика (ЭМНП) интеллектуальной системы позиционно-траекторного управления подвижными объектами. Так здесь представлены результаты исследования модернизированного метода нейросетевого планирования перемещения роботизированного подвижного объекта применительно к многомерному пространству с использованием бионического принципа восприятия окружающей обстановки в условиях неопределенности и наличия препятствий, обладающих динамикой перемещения. В качестве основного принципа структуризации и построения ЭМНП предложено использовать иерархический принцип построения систем обработки информации, на основе которого синтезирована предложенная в статье иерархическая структура комплексной экстраполирующей многомерной нейроподобной сети. Такую многомерную нейроподобную сеть отличает наличие отдельных слоев, предназначенных для различных этапов обработки модельного плана среды, полученного от системы технического зрения роботизированного подвижного объекта в упомянутых выше условиях. Иерархическое строение комплексной многомерной нейропо-добной сети базируется на принципах параметрического объектно-ориентированного синтеза, синтеза пространственных планов взвешенных признаков положения объектов
*
Работа поддержана грантами РНФ (гранты № 14-19-01533, № 16-19-00001), выполненными ЮФУ.
среды с дискретизацией по времени, планов векторов направлений экстраполяции значений этих признаков, что позволяет определить вероятностное пространственное положение связанных с ними объектов на несколько шагов вперед по отношению к текущему моменту времени. Рассмотрены результаты моделирования выбранных методов обнаружения по данным системы технического зрения подвижных препятствий круглого или шарообразного типа и прогнозирования траекторий их перемещения в пространстве соответствующей размерности. Представлены результаты выполненного имитационного программного моделирования предложенного подхода к построению ЭМНП интеллектуальной системы позиционно-траекторного управления подвижными объектами в многомерном пространстве средствами программной среды MATLAB для двухмерного случая, а также с использованием разработанного программного комплекса имитационного моделирования в условиях трехмерной обстановки.
Роботизированный подвижный объект; бионический принцип восприятия окружающей обстановки; экстраполирующий многомерный нейросетевой планировщик; многомерная нейроподобная сеть; принципы построения; взвешенные признаки положения; вектор направления перемещения; экстраполяция значений; программное имитационное моделирование.
V.Ph. Guzik, V.A. Pereverzev, A.O. Pyavchenko, R.V. Saprykin
DESIGN PRINCIPLES FOR EXTRAPOLATING MULTIDIMENSIONAL
NEURAL-NETWORK PLANNER FOR INTELLECTUAL POSITION-TRAJECTORY CONTROL SYSTEM OF MOVING OBJECTS
In this report we are describing the design principles for extrapolating multidimensional neural-network planner (EMNP) for a intellectual position-trajectory control system for moving objects. Thus we present the results of our study of a modernized neural-network moving object (MO) movement planning method that is used in the multidimensional space based on the bionic environment sensing in undefined conditions with barriers that can move dynamically. We consider a synthetic hierarchical structure of an extrapolating multidimensional neural network (MNN) as the main principal to structurize and build EMNP. Such MNN has separate layers used for different stages of environment model processing provided by the vision system (VS) in the above mentioned conditions. The hierarchical structure of the MNN is based on object-oriented parametric synthesis, synthesis of weighted object position features with time sampling, direction vector plans used to extrapolate such features, that determine probabilistic special position of related objects. We analyzed the results of selected methods used to detect moving barriers of round or spherical type and predict their trajectories in space of the corresponding dimension based on VS data. We present the results of software-based modelling of this approach to build EMNP for the intellectual position-trajectory control system for moving objects in a multidimensional space using the simulation software complex we developed.
Robotic mobile unit; bionic environment sensing; extrapolating multidimensional neural-network planner; multidimensional neuronetwork; building principles; weighted object position features; direction vector; extrapolation of values; software-based simulation modelling.
Введение. Для построения систем управления подвижными объектами (ПО) роботизированного типа существует несколько основных подходов. Одним из перспективных и хорошо зарекомендовавших себя в автономных системах является метод построения позиционно-траекторных систем управления (ПТСУ) [1-3]. Основанные на данном методе системы управления ПО обеспечивают его перемещение по заданной траектории в среде со стационарными и нестационарными препятствиями [4-6]. При этом траектория может аппроксимироваться отрезками прямых, окружностей, эллипсов и парабол. Данный метод обеспечивает качественную реализацию тактического уровня управления, что приводит к достаточно точной отработке заданной траектории ПО при решении различных типов задач в условиях детерминированной внешней среды [7-11].
Как показано в [12] применение бионического нейросетевого метода для ситуационного планирования перемещений с использованием ПТСУ на тактическом уровне системы управления ПО интеллектуального планировщика перемещений, позволяет успешно решать задачу перемещения ПО в условиях априори неформализованной внешней среды со стационарными и нестационарными препятствиями. Однако данный подход не лишён недостатков в плане предсказания развития ситуации в будущем.
Если, в общем, рассматривать различные методы тактического планирования, то можно прийти к выводу, что большую часть из них можно отнести к псевдодинамическим, поскольку обход подвижных препятствий этими методами рассматривается как отклонение от статической траектории движения к неподвижной цели. Многие из них не позволяют планировать оптимальные траектории движения к цели даже для случая полностью статической среды [13]. Кроме того, в таких методах не реализована экстраполяция перемещения препятствий, что ведет к снижению безопасности функционирования ПО для динамических сред.
Большинство существующих методов, учитывающих траекторию движения препятствия, можно классифицировать на две абсолютно противоположные группы.
В первой группе, манера движения препятствия совершенно неизвестна, таким образом, единственно разумный путь для подвижного объекта в среде с движущимися препятствиями - ситуационная (реактивная) реакция.
К таким алгоритмам, реализующим подобное поведение, в первую очередь следует отнести методы ситуационного планирования траекторий, основанные на применении аппарата нечеткой логики, нейросетевых и нейроподобных структур, включая бионические подходы с использованием неустойчивых режимов; графоаналитические методы планирования траекторий, базирующиеся на искусственных потенциальных полях и диаграммах Вороного, а также генетические алгоритмы поиска на двумерном графе. Данные алгоритмы подробно представлены, например, в [13]. Оценка их эффективности выполнена на примере задачи планирования траектории движения ПО на плоскости. В качестве критерия эффективности рассмотренных методов здесь применен комплексный интегральный критерий, содержащий параметры оптимальной протяженности траектории, времени поиска и безопасности пути, а также успех завершения миссии.
Ко второй группе относятся исследования, в которых информация о характере движения препятствий полностью известна. Следовательно, для построения оптимальной траектории движения ПО можно использовать планирование в пространственно-временной области. Используя такие методы [14-16], подвижный объект предсказывает перемещения препятствий на краткосрочный период из предположения о неизменности их динамических свойств и планирует свои действия исходя из таких прогнозных оценок.
В реальных ситуациях обычно бывает некое промежуточное состояние: используемая СТЗ (система технического зрения - лазерный дальномер, сонар и т.п.) имеет знания об ограниченном количестве как подвижных, так и неподвижных препятствий, попадающих в зону действия СТЗ, а в целом в среде количество таких препятствий намного больше. Причем, в общем случае, подвижные препятствия, как и сам ПО, умеют осуществлять интеллектуальное планирование траекторий. Разработка планировщиков ПО, функционирующих в условиях частичной неопределенности в средах с подвижными препятствиями, наиболее актуальна на настоящий момент времени. Одним из подходов к решению данной задачи является создание экстраполирующего многомерного нейросетевого планировщика, базирующегося на нейросетевом подходе [19] и позволяющего не только определять направление движения или траекторию ПО в текущий момент времени, но и пред-
сказывать и корректировать сформированные ранее параметры его движения в условиях неопределенности и наличия препятствий, в общем случае обладающих динамикой перемещения.
1. Структура нейросетевого планировщика. На рис. 1 представлена структура нейросетевого планировщика интеллектуальной системы позиционно-траекторного управления ПО со встроенным блоком экстраполяции, способным прогнозировать развитие ситуации с учётом динамики окружающих ПО. Рассмотрим данную структуру подробнее. Одним из важнейших блоков интеллектуальной системы позиционно-траекторного управления ПО является комплексная система технического зрения (1). Она может состоять из одного или нескольких сенсорных устройств, способных воспринимать информацию о состоянии внешней среды (наличие препятствий в зоне видимости), основываясь на разных физических принципах взаимодействия с ней. Блок мультиплексирования и предварительной обработки (2) использует информацию от различных, дополняющих друг друга, сенсоров и предназначен для формирования единого представления данных о препятствиях (об их пространственном положении, габаритных размерах, параметрах движения) в зоне видимости СТЗ. Блок формирования модели внешней среды (3) принимает мультиплексированную информацию о препятствиях и подготавливает ее для загрузки в нейронную сеть. Однако, как показало проведенное средствами МаНаЬ, имитационное моделирование, непосредственная загрузка подготовленных данных в нейронную сеть приводит к потере эффективности работы нейросетевого планировщика в среде с динамическими препятствиями из-за постоянной меняющейся внешней обстановки. Планировщик хорошо отрабатывает текущую обстановку, однако не анализирует динамические характеристики препятствий, что ведет к ошибкам планирования параметров перемещения ПО, в том числе, к возможным столкновениям.
Рис. 1. Структура нейросетевого планировщика интеллектуальной системы позиционно-траекторного управления ПО
С целью учета влияния динамической составляющей окружающих подвижный объект препятствий в состав структуры введен блок экстраполяции (4). Данный блок при помощи блока доступа к БД (5) осуществляет накопление в базе
данных (6) информации о предыдущих состояниях как самого ПО, так и обнаруженных им объектов внешней среды за весь период действия миссии. К накапливаемой информации относятся навигационные данные, данные о пространственном позиционировании ПО, поступающие в реальном времени от его соответствующих бортовых подсистем (15), значение угла направления на цель и ее координат, получаемое из блока целеуказаний (14).
На основании накопленных данных блок экстраполяции (4) производит прогнозирование векторов перемещений подвижных препятствий и учет этих данных при формировании информации о внешней среде для загрузки в нейронную сеть планировщика перемещений. Таким образом, подготовленные данные попадают в блок нейросетевого планировщика (БНСП) (7) и загружаются в предварительно настроенную (10) ^мерную нейросеть (9) через блок доступа (8). Результатом работы БНСП является вектор отклонения от текущего положения на данном шаге функционирования, который после постобработки в блоке (11) поступает в регулятор системы позиционно-траекторного управления (12) для корректировки текущей траектории перемещения ПО. СПТУ формирует и выдает управляющие сигналы на исполнительные механизмы (13) ПО с учетом полученной информации.
2. Принципы построения модуля экстраполяции для ЭМНП. Рассмотрим структуру комплексной экстраполирующей сети блока экстраполяции.
Как известно из результатов физиологических исследований механизмов переработки зрительной информации у животных, анализ сенсорной информации происходит постепенно, и на каждой ступени производится преобразование информации, поступившей от предыдущей ступени [17]. Этот процесс реализуется с помощью многослойных структур, где каждый слой представляет собой нейронную сеть, реализующую относительно простую операцию преобразования, (например, выделение каких-либо признаков объекта), что легло в основу построения сверточных нейронных сетей. Такая иерархическая организация позволяет упростить структуру анализирующих сетей и вместе с тем реализовать сложные операции преобразования входной информации.
Синтезированная с учетом этих представлений общая структура комплексной экстраполирующей сети (КЭС) предложенная в [18, 20, 21] представлена на рис. 2. Она включает в себя несколько слоёв, осуществляющих различные этапы обработки плана среды.
Первый (сжимающий) слой позволяет нижележащим слоям корректно воспринимать сложные объекты, занимающие на плане среды несколько его смежных элементов. Он формирует бинарный план положения объектов среды, выделяя для каждого сложного объекта его характерный элемент (дискретный аналог характерной точки) на исходном плане среды М¿. Ясно, что такой элемент должен адекватно описывать перемещение объекта, поэтому в качестве характерного элемента объекта выбираем центральный элемент (центр масс). В результате образ объекта в данном слое вначале расширяется до достижения им своих границ, а затем сжимается.
Идея сжимающих преобразований заключается в последовательном определении и удалении левых, правых, верхних и нижних краевых элементов расширенного объекта. Данный процесс повторяется до получения единственного центрального элемента объекта. На рис. 3,а показаны все возможные варианты расширяющих преобразований для фрагмента плана среды 2x2, а на рис. 3,б - все варианты сжимающих преобразований для фрагментов 1x3 и 3x1.
Текущий бинарный план проходимости среды М
Экстраполированный бинарный план проходимости среды М|+1Э
Рис. 2. Структура комплексной экстраполирующей сети
а б
Рис. 3. Расширяющие (а) и сжимающие (б) преобразования
Второй слой формирует план разрешений экстраполяции Mfэ, прогнозируя задержки перемещения выделенных первым слоем характерных элементов по плану среды, и тем самым, прогнозирует линейную скорость перемещения самих объектов.
Идея построения сетей для экстраполяции модуля скорости заключается в том, что каждая ячейка такой сети замеряет время, прошедшее с момента изменения состояния соседних с ней ячеек до момента изменения своего собственного состояния.
Именно на эту величину и задерживается экстраполяция направления перемещения в данной ячейке. Обновление состояния ячеек происходит после формирования сжимающим слоем очередного плана положения объектов среды.
Третий слой, прогнозирует будущие изменения положений характерных элементов на основе известных положений предыдущих, вырабатывая план направлений экстраполяции . Такое разделение на экстраполяцию по скорости и направлению упрощает структуру каждого из слоёв.
Принцип функционирования сети для экстраполяции направлений заключается в том, что при перемещении объекта в среде его характерный элемент также перемещается по плану положения . При этом каждое его положение на этом плане фиксируется на плане траекторий , то есть формируется дискретный траекторный «след» аь а2, ..., aN перемещений объекта, где аь а2, ...^ - индексы соответствующих элементов. Аппроксимируя эту траекторию, экстраполирующая сеть (ЭС) определяет следующее положение а^ объекта и тем самым определяет будущее направление его перемещения.
Наконец, четвертый слой формирует экстраполированный на один шаг план среды , реализуя сдвиг всех элементов объектов на исходном плане в направлении их прогнозируемых перемещений с учетом .
Для этого, в первую очередь, необходимо распространить направления сдвига на все элементы образа исходного объекта, а затем одновременно произвести сдвиг.
Учитывая изложенное выше, сформулируем обобщенный алгоритм функционирования КЭС на ьм шаге.
1. ]=-1;
2. МРО0 = М;
3. ]=з+1;
4. МРО0+1) = /РО (МРО);
5. Если МРО°'+1) = МР°, то п. 6, иначе к п. 3;
6. к=-1;
7. МПО° = МРО;
8. к=к+1;
9. МПО(к+1) = /ПО (МПОк);
10. Если МПО(к+1) = МПОк, то п. 11, иначе к п. 8;
11. МПО = МПОк;
12. МЗЭ = /ЗЭ (Мм, МПО, МП1);
13. МрЭ = /РЭ (МЗЭ);
14. МНЭ = /НЭ (МСТ, МПО, МрЭ);
15. МСТ = /СТ (МС[, МПО);
16. МСД 0 = 0;
17. р=-1;
18. р=р+1;
19. МСД (^+1) = /СД (МСДр, МНЭ);
20. Если р>к, то п. 21, иначе к п. 18;
21. М'Э+1 = /СО (МСДр, М1).
Пункты 1-5 реализуют процесс расширения образов (функция /РО) объектов на плане среды, а пункты 6-11 - процесс сжатия для получения плана положения М" 0 (функция /ПО). Пункт 12 описывает формирование плана задержек Мfэ (функция /^), то есть плана состояний счетчиков ЭС скоростей перемещения. В пункте 13 определяется на основе план разрешений экстраполяции ( /РЭ) для ЭС направлений перемещения. Пункт 14 реализует экстраполяцию
направлений перемещения (функция /НЭ ), а пункт 15 - обновление плана траекторий М? т (функция (СТ). Пункты 17-20 описывают процесс распространения сигналов сдвига на плане М? д (функция (ССД). Наконец, в пункте 20 вырабатывается экстраполированный на один шаг план среды М?+ х путем сдвига всех элементов объектов (функция (СО) исходного плана М^ согласно М? д р.
3. Модернизация бионического нейросетевого метода интеллектуального планирования перемещений ПО с учетом прогнозирования по направлению.
Рассмотренный в [12, 13] бионический метод нейросетевого планирования успешно решает задачу планирования перемещений ПО в стационарной среде. Однако в динамической среде с перемещающимися препятствиями при некоторых условиях эффективность данного метода существенно падает. Рассмотрим случай, представленный на рис. 4, иллюстрируюшцй указанный недостаток при применении метода.
Как видно из рис. 4 на шаге 1 препятствие П не мешает движению подвижного объекта по прямой на цель Ц. На шаге 2 препятствие начинает мешать движению подвижного объекта по прямой на цель и основанный на бионических принципах интеллектуальный планировщик ПТСУ ПО исходя из стационарной обстановки принимает решение начать обход препятствия слева, отклонив ПО на некоторый угол.
По прошествии нескольких шагов, из-за неучтенного направления движения препятствия ПО мало того, что значительно отклонился от оптимальной траектории достижения целевого объекта, но и вошел в зону опасной близости с препятствием (см. рис. 4, шаг №). Для того, чтобы исключить подобную ситуацию, необходимо, чтобы ПО при траекторных расчетах учитывал направление и скоростные параметры перемещения подвижных препятствий в среде.
Работу модифицированного метода нейросетевого планирования для нестационарной обстановки демонстрирует рис. 5.
На шаге 2 пунктирной линией показано предыдущее положение препятствия, а заштрихованы экстраполированные положения подвижного препятствия. Как видно из рис. 5 модификация метода позволяет устранить описанный выше недостаток и траектория ПО по обходу подвижного препятствия будет учитывать направление его движения.
Рис. 5. Работа модифицированного метода интеллектуального планирования
в динамической среде
При этом нами введены следующие допущения, которые позволили упростить решение задачи:
1) подвижные препятствия являются твердыми телами круглой формы;
2) препятствия находятся на достаточном удалении от неподвижных объектов;
3) размеры препятствия определяются диаметром габаритной окружности;
4) курс движения препятствия определяется направлением вектора его линейной скорости.
В общем виде модифицированный метод интеллектуального планирования перемещений можно представить следующим образом:
Получить вектор расстояний до препятствий по каждому лучу лидара
Lidar = {1ь12,..
Для каждой последовательно идущей тройки точек из Lidar рассчитать центр окружности препятствия О = {[оХ1, оу1], [ох2, оу2].}.
Отфильтровать дублирующиеся центры Of = Filter(O).
По предыдущему и текущему положению всех подвижных П рассчитать вектор перемещения каждого препятствия V= {^х1, dy1], ^2, dy2], ...}.
Для каждого подвижного препятствия на основании вектора перемещения рассчитать N следующих положений и занести в список псевдо-препятствий (N=5 и шаг дискретизации подобраны экспериментальным путем). РО = {[ох1, оу1], [ох2, оу2] ...} = Ех^ароЫюп(О5 V, К).
1. Дополнить массив обнаруженных с помощью лидара препятствий рассчитанными на предыдущем шаге псевдо-препятствиями и сформировать модель представления внешней среды.
2. Загрузить модель представления внешней среды в нейронную сеть.
3. Произвести прогон волны возбуждения в нейронной сети.
4. Вычислить угол отклонения от текущей траектории на данном шаге. Результаты моделирования модифицированного метода с учетом динамики
нескольких препятствий показаны на рис. 6.
□ - Smupl I
аЯН мл тЩ qottag ttool hetn| «»ty Kb] s
0»]E3D О <1
«•bctedo Icdotö bn* tmraq »tämV isfcU
« k. t
В
as os ar or а о w, ,x
я
Ц • | iure 3 □ X
F.lt Edit View !»м (t Tool» Qctktop Window hHp «
J A „ Ъ GS ■ □
Eilt :d« V'ijj [rstrf imjls tfsn.-jp Ыф
rjüdi n vCese*■ ¡а □ в
"о 5 10 15 20 25
И FI9">«4 6 □ X
Eil« Ed* ¥«w ¡пил Io Dit Certtop ä«wiow Udp *
9«/- 3 □ 0 ■ О
0 10 20 30 40 SO £0 70
10ЭЭЭ010506070809С
Рис. 6. Экспериментальное исследование модифицированного метода с учетом динамики нескольких препятствий (а - окружающая обстановка; б - прогноз перемещения препятствия; в - данные с лидара с учетом прогноза; г - результат работы нейросети с учетом прогноза)
Экспериментальное исследование модифицированного метода интеллектуального планирования перемещений ПО в среде МаНаЬ показало повышение эффективности и безопасности функционирования ПО в условиях динамической обстановки.
Дальнейшие исследования предложенного подхода к построению ЭМНП интеллектуальной системы позиционно-траекторного управления подвижными объектами в трехмерном пространстве осуществлялись с использованием разработан-
в
г
ного программного комплекса имитационного моделирования, где средой являлась подводная обстановка, а в качестве ПО использовался виртуальный автономный подводный необитаемый аппарат (АНПА) с гидроакустическим сонаром.
Как видно из рис. 7, АНПА успешно решил задачу планирования с различными видами сонара с использованием как в двумерной, так и трехмерной КЭС.
а
б
Рис. 7. Экспериментальное исследование модифицированного метода в 3-х мерной среде (а - обход препятствия в горизонтальной плоскости; б - обход препятствий)
Здесь заданная оператором траектория представлена сплошной ломанной линией с опорными точками, расположенными в трехмерном модельном пространстве. При этом использовались как стационарные, так и подвижные препятствия сферической формы в произвольной конфигурации с различными линейными скоростями. Построение трехмерной нейросети, являющейся ядром нейросетевого планировщика, базируется на идеях, изложенных в [19]. Реальная, экспериментально полученная при моделировании обстановки, траектория перемещения АНПА представлена пунктирной линией.
Заключение. Применение бионического подхода для построения интеллектуальной системы планирования перемещений ПО, в основе которой лежит нейронная сеть формально-логического типа позволяет обеспечить функционирование ПО в сложной, априори неформализованной обстановке, без необходимости предварительного детального изучения района и среды функционирования ПО. При этом применение экстраполирующего нейросетевого планировщика позволяет устранить недостатки в предсказании развития ситуаций с подвижными объек-
тами, присущие классической реализации, и обеспечивает безопасное функционирование ПО как в среде со стационарными, так и подвижными препятствиями, путем прогнозирования развития ситуации в будущем и учёта этих параметров при выработке текущего решения. Результаты экспериментальных исследований экстраполирующего нейросетевого планировщика движения в различных средах позволяют использовать его в качестве подсистемы тактического уровня планирования для позиционно-траекторных систем управления ПО как в двумерном, так и трехмерном пространстве.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Pshikhopov V.Kh., Ali A.S. Hybrid motion control of a mobile robot in dynamic environments // in Proc. Int. Conf. on Mechatronics, ICM 2011. - P. 540-545.
2. Pshikhopov V.Kh., Medvedev M.Yu. Robust control of nonlinear dynamic systems // in IEEE ANDESCON Conf. Proc., ANDESCON, Bogota, Sep. 2010.
3. Pshikhopov V.Kh., Medvedev M.Yu. Document Block design of robust control systems by direct Lyapunov method // in Proc. of the 18th IFAC World Congress, 2011. - P. 10875-10880.
4. Pshikhopov V., Medvedev M., Neydorf R., Krukhmalev V. et al. Impact of the feeder aerodynamics characteristics on the power of control actions in steady and transient regimes // SAE Technical Papers. - 2012. - No. 01.
5. Neydorf R., Krukhmalev V., Kudinov N., Pshikhopov V. Methods of statistical processing of meteorological data for the tasks of trajectory planning of MAAT feeders // SAE Technical Papers, 2013
6. Pshikhopov V., Krukhmalev V., Medvedev M., Neydorf R. Estimation of energy potential for control of feeder of novel cruise/feeder MAAT system // SAE Technical Papers. - 2012.
- No. 01.
7. Pshikhopov V.K., Medvedev M.Yu., Gurenko B.V. Homing and Docking Autopilot Design for Autonomous Underwater Vehicle // Applied Mechanics and Materials. - 2014. - P. 490-491.
8. Pshikhopov V., Sergeev N., Medvedev M., Kulchenko A. The design of helicopter autopilot // SAE Technical Papers. - 2012. - No. 01.
9. Pshikhopov V.Kh., Medvedev M.Yu., Gaiduk A.R., Gurenko B.V. Control system design for autonomous underwater vehicle // in Latin American Robotics Symposium. - 2013. - P. 77-82.
10. Pshikhopov V., Medvedev M., Kostjukov V., Fedorenko R. et al. Airship Autopilot Design // SAE Technical Paper. - 2011. - No. 01.
11. Pshikhopov V.Kh., Krukhmalev V.A., Medvedev M.Yu., Fedorenko R.V., Kopylov S.A., Budko A.Yu., Chufistov V.M. Adaptive control system design for robotic aircrafts // in IEEE Latin American Robotics Symposium. - 2013. - P. 67-70.
12. Guzik V.Ph., Chernukhin Yu.V., Pyavchenko A.O., Polenov M.Yu., Pereverzev V.A., and Saprykin R.V. Neural network method of intellectual planning of mobile robotic object movement in the conditions of uncertainty // Advances in Robotics, Mechatronics and Circuits. Proceedings of the 2014 International Conference on Mechatronics and Robotics, Structural Analysis (MEROSTA 2014), Santorini Island, Greece, 2014. - P. 194-200.
13. Интеллектуальное планирование траекторий подвижных объектов в средах с препятствиями / под ред. В.Х. Пшихопова. - М.: Физматлит. 2014. - 300 с. - ISBN 978-5-92211595-7.
14. Fujimura K. Time-Minimum Routes in Time-Dependent Networks // IEEE Trans. on Robotics and Automation. - 1995. - Vol. 11, No. 3. - P. 343-351.
15. Tsubouchi T. and Arimoto S. Behavior of a Mobile Robot Navigated by an Iterated Forecast and Planning Scheme in the Presence of Multiple Moving Obstacles // In Proc. 1994 IEEE Int. Conf. on Robotics and Automation. - 1994. - P. 2470-2475.
16. Fiorini P. andShiller Z. Motion Planning in Dynamic Environments Using Velocity Obstacles // Int. J. of Robotics Research. - 1998. - Vol. 17, No. 7. - P. 760-772.
17. Линдсей П., Норман Д. Переработка информации у человека / Под ред. Лурия А.Р. - М.: Мир, 1974. - 551 с.
18. Chernukhin Y.V., Pisarenko S.N. Extrapolation Structures in Neural Network-Based Control Systems for Intelligent Mobile Robots // Optical Memory and Neural Networks. - 2002.
- Vol. 11, No. 2. - P. 105-115.
19. Чернухин Ю.В. Искусственный интеллект и нейрокомпьютеры: Монография. - Таганрог: Изд-во ТРТУ, 1997. - 273 с.
20. Чернухин Ю.В., Писаренко С.Н. Нейросетевая экстраполяция в системах управления интеллектуальных мобильных роботов // Сборник докладов Юбилейной Международной конференции по нейрокибернетике. - Ростов-на-Дону: Изд-во ООО «ЦВВР», 2002.
- T. 2. - С. 147-151.
21. Чернухин Ю.В., Писаренко С.Н. Экстраполирующие структуры нейросетевого типа в системах управления интеллектуальных мобильных роботов // Сборник трудов II Международной конференции «Идентификация систем и задачи управления» SICPRO'03.
- М.: Изд-во ИПУ РАН им. В.А. Трапезникова, 2003. - С. 1809-1820.
REFERENCES
1. Pshikhopov V.Kh., Ali A.S. Hybrid motion control of a mobile robot in dynamic environments, in Proc. Int. Conf. on Mechatronics, ICM2011, pp. 540-545.
2. Pshikhopov V.Kh., Medvedev M.Yu. Robust control of nonlinear dynamic systems, in IEEE ANDESCON Conf. Proc., ANDESCON, Bogota, Sep. 2010.
3. Pshikhopov V.Kh., Medvedev M.Yu. Document Block design of robust control systems by direct Lyapunov method, in Proc. of the 18th IFAC World Congress, 2011, pp. 10875-10880.
4. Pshikhopov V., Medvedev M., Neydorf R., Krukhmalev V. et al. Impact of the feeder aerodynamics characteristics on the power of control actions in steady and transient regimes, SAE Technical Papers, 2012, No. 01.
5. Neydorf R., Krukhmalev V., Kudinov N., Pshikhopov V. Methods of statistical processing of meteorological data for the tasks of trajectory planning of MAAT feeders, SAE Technical Papers, 2013.
6. Pshikhopov V., Krukhmalev V., Medvedev M., Neydorf R. Estimation of energy potential for control of feeder of novel cruise/feeder MAAT system, SAE Technical Papers, 2012, No. 01.
7. Pshikhopov V.K., Medvedev M.Yu., Gurenko B.V. Homing and Docking Autopilot Design for Autonomous Underwater Vehicle, Applied Mechanics and Materials, 2014, pp. 490-491.
8. Pshikhopov V., Sergeev N., Medvedev M., Kulchenko A. The design of helicopter autopilot, SAE Technical Papers, 2012, No. 01.
9. Pshikhopov V.Kh., Medvedev M.Yu., Gaiduk A.R., Gurenko B.V. Control system design for autonomous underwater vehicle, in Latin American Robotics Symposium, 2013, pp. 77-82.
10. Pshikhopov V., Medvedev M., Kostjukov V., Fedorenko R. et al. Airship Autopilot Design, SAE Technical Paper, 2011, No. 01.
11. Pshikhopov V.Kh., Krukhmalev V.A., Medvedev M.Yu., Fedorenko R.V., Kopylov S.A., Budko A.Yu., Chufistov V.M. Adaptive control system design for robotic aircrafts, in IEEE Latin American Robotics Symposium, 2013, pp. 67-70.
12. Guzik V.Ph., Chernukhin Yu.V., Pyavchenko A.O., Polenov M.Yu., Pereverzev V.A., and Saprykin R.V. Neural network method of intellectual planning of mobile robotic object movement in the conditions of uncertainty, Advances in Robotics, Mechatronics and Circuits. Proceedings of the 2014 International Conference on Mechatronics and Robotics, Structural Analysis (MEROSTA 2014), Santorini Island, Greece, 2014, pp. 194-200.
13. Intellektual'noe planirovanie traektoriy podvizhnykh ob"ektov v sredakh s prepyatstviyami [Intelligent planning of the trajectories of moving objects in environments with obstacles-for the second time], Ed. by V.Kh. Pshikhopova. Moscow: Fizmatlit. 2014, 300 p. ISBN 978-59221-1595-7.
14. Fujimura K. Time-Minimum Routes in Time-Dependent Networks, IEEE Trans. on Robotics and Automation, 1995, Vol. 11, No. 3, pp. 343-351.
15. Tsubouchi T. and Arimoto S. Behavior of a Mobile Robot Navigated by an Iterated Forecast and Planning Scheme in the Presence of Multiple Moving Obstacles, In Proc. 1994 IEEE Int. Conf. on Robotics and Automation, 1994, pp. 2470-2475.
16. Fiorini P. and Shiller Z. Motion Planning in Dynamic Environments Using Velocity Obstacles, Int. J. of Robotics Research, 1998, Vol. 17, No. 7, pp. 760-772.
17. Lindsey P., Norman D. Pererabotka informatsii u cheloveka [Information processing in humans], Ed. by Luriya A.R. Moscow: Mir, 1974, 551 p.
18. Chernukhin Y.V., Pisarenko S.N. Extrapolation Structures in Neural Network-Based Control Systems for Intelligent Mobile Robots, Optical Memory and Neural Networks, 2002, Vol. 11, No. 2, pp. 105-115.
19. Chernukhin Yu.V. Iskusstvennyy intellekt i neyrokomp'yutery: Monografiya [Artificial intelligence and Neurocomputers: Monograph]. Taganrog: Izd-vo TRTU, 1997, 273 p.
20. Chernukhin Yu.V., Pisarenko S.N. Neyrosetevaya ekstrapolyatsiya v sistemakh upravleniya intellektual'nykh mobil'nykh robotov [Extrapolation of neural network in control systems of intelligent mobile robots], Sbornik dokladov Yubileynoy Mezhdunarodnoy konferentsii po neyrokibernetike [the Collection of reports of the Anniversary International conference on Neurocybernetics]. Rostov-na-Donu: Izd-vo OOO «TsVVR», 2002, Vol. 2, pp. 147-151.
21. Chernukhin Yu.V., Pisarenko S.N. Ekstrapoliruyushchie struktury neyrosetevogo tipa v sistemakh upravleniya intellektual'nykh mobil'nykh robotov [Extraprise structure type neural network in control systems of intelligent mobile robots], Sbornik trudov IIMezhdunarodnoy konferentsii «Identifikatsiya sistem i zadachi upravleniya» SICPRO'03 [Proceedings of the II International conference "system Identification and control problems" SICPRO'03]. Moscow: Izd-vo IPU RAN im. V.A. Trapeznikova, 2003, pp. 1809-1820.
Статью рекомендовал к опубликованию д.т.н. Н.И. Витиска.
Гузик Вячеслав Филиппович - Южный федеральный университет; е-mail: [email protected]; 347928, г. Таганрог, пер. Некрасовский, 44; тел.: 88634371737; кафедра вычислительной техники; зав. кафедрой; д.т.н.; профессор.
Переверзев Владимир Андреевич - е-mail: [email protected]; тел.: 88634371656; кафедра вычислительной техники; ассистент.
Пьявченко Алексей Олегович - е-mail: [email protected]; кафедра вычислительной техники; к.т.н.; доцент.
Сапрыкин Роман Владимирович - e-mail: [email protected]; кафедра вычислительной техники; ведущий инженер.
Guzik Vyacheslav Filippovich - Southern Federal University; е-mail: [email protected];
44, Nekrasovskiy, Taganrog, 347928, Russia; phone: +78634371737; the department of computer engineering; head of department; dr. of eng. sc.; professor.
Pereverzev Vladimir Andreevich - e-mail: [email protected]; phone: +78634371656; the department of computer engineering; professor assistant.
Pyavchenko Aleksey Olegovich - е-mail: [email protected]; the department of computer engineering; head of department; cand. of eng. sc.; associate professor.
Saprykin Roman Vladimirovich - e-mail: [email protected]; the department of computer engineering; engineer.
УДК 51-7
В.И. Финаев, Е.Д. Синявская, Е.А. Шестова, Е.Ю. Косенко
МЕТОД ПОЗИЦИОНИРОВАНИЯ РОБОТИЗИРОВАННОГО ДЕРЖАТЕЛЯ ЛАПАРОСКОПА НА ОСНОВЕ ВЫЧИСЛИТЕЛЬНОЙ ГЕОМЕТРИИ*
В статье предложено решение задачи позиционирования роботизированного держателя лапароскопа (в том числе и хирургических инструментов) в процессе проведения малоинвазивных операций. В качестве технического решения, на основе которого разрабатывался метод позиционирования, использовалась система оптических триангуляционных датчиков, используемых для определения положения контролируемых объектов. Примене-
*
НИР 213.01-07-2014/02ПЧВГ Разработка методов многокритериальной оптимизации параметров гибридных адаптивных интеллектуальных регуляторов плохо формализованных технических объектов.
