CC BY
22
УДК 004.9
О.В. ХАРЧЕНКО*, С.В. ГОЛУБ*, I.A. ЖИРЯКОВА*
УДОСКОНАЛЕННЯ МЕТОДУ ВИСХ1ДНОГО СИНТЕЗУ ЕЛЕМЕНТ1В В 1НФОРМАЦ1ЙН1Й ТЕХНОЛОГИ БАГАТОР1ВНЕВОГО МОН1ТОРИНГУ МОБ1ЛЬНОГО РОБОТА
Черкаський нацюнальний унiверситет iMeHi Богдана Хмельницького, Черкаси, Украша
Анотаця. Розглядаютъся процеси синтезу елемент!в у багаторгвневгй мотторинговШ систем!. Пропонуються методи обробки масив1в вх1дних даних та ïx обробка в багатор1вневт систем1 мо-тторингу. Наводиться опис удосконаленого методу висх1дного синтезу елемент1в у багатор1вне-eiu мотторинговШ систем1 мобтьного робота.
Ключовi слова: тформацтна теxнологiя, багатопараметрична модель, первинний опис, масив вxiдниx даних.
Аннотация. Рассматриваются процессы синтеза элементов в многоуровневой мониторинговой системе. Предлагаются методы обработки массивов входных данных и их обработка в многоуровневой системе мониторинга. Приводится описание усовершенствованного метода восходящего синтеза элементов в многоуровневой мониторинговой системе мобильного робота. Ключевые слова: информационная технология, многопараметрическая модель, первичное описание, массив входных данных.
Abstract. The problems of synthesis of elements in multilevel monitoring system are regarded. We present methods of array of input data processing and multilevel monitoring system processing. The improved method of upconverting synthesis of elements in multilevel mobile robot monitoring system is described. Keywords: information technology, multiparameter model, the initial description, the array of input data.
1. Вступ
Використання шформацшних технологш (IT) у процес прийняття ршень мае за мету максимально автоматизувати процес нав^ацп та виконання поставлених задач перед автоном-ним мобшьним пристроем. Основним завданням е виявлення багаторiвневих стшких характеристик дослщжуваного об'екта та побудова iерархiчних математичних моделей, що описують змши сташв об'ектсв, яю дослщжувалися. Незважаючи на велику кшьюсть авто-номних пристро'1'в, задача автономного прийняття ршень до кшця не розв'язана.
У цш робот функщю забезпечення шформащею процесу автономного прийняття рвения виконуе система мошторингу. 1нформащя здобуваеться шляхом оргашзацп непе-рервних спостережень та обробки ïx результатiв [1]. Багаторiвневий монiторинг викорис-товуеться у випадку, коли об'ект мошторингу складний i потрiбну iнформацiю не вдаеться отримати однорiвневою обробкою отриманих даних [2].
Багаторiвнева обробка даних передбачае декомпозищю процесу перетворення шфо-рмацп вщ форми масиву чисельних характеристик до форми прогнозiв та характеристик прогнозiв впливовостi факторiв [3]. Декомпозицiя вщбуваеться до того моменту, коли по-тужностi iснуючиx методiв та засобiв стають достатнiми для розв'язання локальних задач щодо перетворення даних. Локальш задачi перетворення даних формулюються у виглядi щентифшацп функщонально'1' залежностi, класифшацп, прогнозування та iн.
За результатами декомпозицп для кожного iз рiвнiв монiторингу формуеться мно-жина задач. Розв'язком цих задач е багатопараметричш моделi, синтезованi за шдуктив-ними алгоритмами методу групового урахування аргумешив (МГУА), навченi нейромере-жi, генетичш алгоритми, гiбриднi моделi. Алгоритми синтезу пбридних моделей утворю-
© Харченко О.В., Голуб С.В., Жирякова I.A., 2016 ISSN 1028-9763. Математичш машини i системи, 2016, № 3
ються шляхом поеднання iндуктивних методiв, нейромереж, генетичних та iнших алгори-тмiв, що реалiзують еволюцiйний процес масово'1 селекци моделей.
Моделi кожного iз рiвнiв монiторингу поеднуються в окремi страти. Iерархiчне поеднання страт утворюе глобальну функцiональну залежнiсть, яка мютить вiдомостi про властивостi об'екта, про впливовють факторiв i здатна прораховувати наслщки застосу-вання керуючих впливiв - результатiв застосування стратеги при прийнятп рiшень.
Метод висхщного синтезу елементiв використовуеться для автоматичного форму-вання iерархiчноi структури глобальнох функщональнох залежностi в iнформацiйнiй технологи багаторiвневого монiторингу мобiльного робота. Формування масиву вхщних даних для синтезу моделей вищо'1' страти вщбуваеться шляхом використання результатiв послщо-вного розв'язку локальних задач перетворення шформаци моделями попереднiх страт. Таким чином розв'язуеться задача узгодження взаемодш локальних моделей у структурi гло-бально'1' функщональнох залежностi.
2. Формулювання проблеми в загальному вигляд1
При використаннi методу висхiдного синтезу елемешив у структурi штелектуальнох систе-ми мошторингу мобiльного робота виникае проблема недостатньо'1 iнформативностi сиг-налiв окремого датчика. Незважаючи на застосування технологи багаторiвневого перетворення даних та використання останшх алгоритмiв формування структури глобально'1 фун-кщональнох залежностi для багаторiвневого монiторингу iснуючими методами та засоба-ми, не вдаеться синтезувати моделi прийнятно'1 адекватностi.
Багаторiвнева структура i суб'ективно заданi рiвнi призводять до недостатньо'1 ш-формативностi масиву вхщних даних (МВД) ^ як наслщок, до недостатньо! адекватностi моделей. Тому необхщно провести адаптацiю юнуючого методу оперативного формування структури глобальних функщональних залежностей для розв'язання нових задач, що ви-никають перед штелектуальною системою мобiльного робота.
1снуе потреба в автоматизаци процесу формування iерархiчноi структури тдсисте-ми перетворення шформаци, яка б забезпечувала достатню шформатившсть.
Актуальнiсть дослiдження визначаеться необхщшстю пiдвищити iнформативнiсть багаторiвневоi штелектуальнох системи прийняття рiшень (1СПР) мобiльного робота за рахунок збшьшення кiлькостi адекватних моделей, отриманих з одного i того ж МВД.
3. Формулювання задачi
1Т побудови iерархiчних моделей складаеться з декшькох етапiв. На першому етапi форму-еться первинний опис (ПО) результат комплексного мошторингу навколишнього середо-вища датчиками мобшьного робота. ПО мае вигляд двовимiрних таблиць, що мiстять чи-сельш характеристики об'ектiв, якi потрапили в поле зору датчиюв. На другому етат фор-муеться глобальна функщональна залежнiсть (ГФЗ) — iерархiчне поеднання функцш ш-формацшнох системи, що мютить механiзми перетворення характеристик об'екпв та управляючi команди для керуючого механiзму. Структура ГФЗ мае вигляд багаторiвневого поеднання iндуктивних моделей, кожна з яких у свош структурi вiдображае стан окремого датчика. Третш етап передбачае тестування та використання глобально! функци системи для забезпечення шформащею управляючого пристрою, визначення маршруту та прогно-зування змiни стану системи на змшу показникiв датчиюв.
Результати дослiджень отримують на першому етат 1Т i використовують як скла-довий елемент для наступних етатв.
На першому етапi побудови iерархiчних моделей стовпцями е значення показниюв станiв об'екта X = (х1,х2,...,хп}. Рядок, який описуе результати зафшсованих показниюв, називаеться спостереженням. Сукупнiсть спостережень утворюють ПО. Повнота вщобра-
ження властивостей об'екта у CTpyKTypi моделi досягаеться за умови достатньо'1' pi3HOMarn-тност методiв, на основi яких конструюються алгоритми синтезу моделей (АСМ). Для забезпечення можливостi синтезу якюних моделей ПО повинен мати достатню шформати-внiсть.
Шдвищення iнформативностi ПО досягаеться шляхом додавання додаткових пара-метрiв стану об'екта у процес спостереження за ним [4] або ж шляхом конструювання цих параметрiв за допомогою отриманих моделей [5].
Для вщображення в моделях мобшьного робота властивостей об'екта в кшькох його станах необхiдно автоматизувати процес ускладнення структури синтезатора цих моделей. Задачi формування структури синтезатора моделей багаторiвневоi системи перетворення шформаци розв'язуються шляхом застосування положень iерархiчних багаторiвневих систем [4] та методологи створення автоматизованих систем багаторiвневого перетворення шформаци [1].
Кожен рiвень iерархii вiдображае вплив змiн показникiв датчиюв на систему в щ-лому. Рiвень iерархii реалiзовано програмно у виглядi окремо'1' страти - поеднання моделей об'екта вщповщного рiвня iерархii. Кожна окрема страта мiстить розв'язок деяко'1' множи-ни задач перетворення даних за алгоритмами, що мають вигляд багатопараметричних моделей.
Страти першого рiвня використовують деякий масив вхщних даних у виглядi матриц^ який було отримано у процес роботи датчика:
^Х11 Х12 ... Х1п Ун ^
V Хк1 Х12 ... Xknykn У
(1)
де хц - ] -та характеристика стану об'екта в певний момент спостереження, у^ - ] -та
характеристика команди напрямку руху / -го спостереження, к - кшьюсть спостережень, п - кшьюсть характеристик управляючих команд.
Кожний рядок матриц вiдображае окремий стан команди руху системи, отриманий за показниками датчиюв - техшчних засобiв зовшшнього монiторингу мобiльного робота. Наперед вщомо, що iснуе перелiк спостережень, що проводяться техшчними засобами зовшшнього монiторингу робота, якi поеднують у собi чисельнi показники характеристик X = {х1, х2,..., хп}, як впливали на У = {у1, у2,..., ут } - вщповщний стан системи для кожного спостереження.
Прикладом трирiвневоi глобально:! функщонально:! залежностi (ГФЗ) е вираз
М = / (2 (У (X))), (2)
де М - глобальна функщональна залежшсть, 2, У - множина локальних моделей вщповь дних страт, X - множина характеристик зовшшшх об'екпв, отриманих технiчними засобами зовшшнього мониторингу робота.
Вiдповiдно до методу висхщного синтезу елементiв [1] структура ГФЗ утворюеться шляхом синтезу моделей вищо'1 страти за МВД, що сформоване вихщними сигналами моделей нижчих страт:
2 = / (У (X)). (3)
Експериментально встановлено, що кожна iз страт мае декшька недостатньо шфор-мативних моделей, вихiднi сигнали яких мають характеристики адекватносп гiрше зада-
Х21
Х22
X2n y21
них. Ми 1х видiляeмо в окрему множину Dr, де г - це рiвень iерархп, що вiдображаe вщ-повiдна страта. Вихщш сигнали моделей множини Dг не використовуються для форму-вання МВД моделей вищих страт. Вони перетворюються в баласт, що використовуе ресур-си системи на 1х створення, i при цьому вони не е корисними. Тому в робот розв'язусться задача м^мзацп потужностi множини Dг:
\бг\ ® Ш1П. (4)
Таким чином, метою дано! роботи е пiдвищення рiзноманiтностi 1СПР мобiльного робота шляхом тдвищення iнформативностi ГФЗ за рахунок покращення адекватностi моделей iз множини Dг.
4. Результати дослщжень
Була сформульована наукова ппотеза про те, що тдвищення адекватносп моделей iз множини Dг досягаеться шляхом 1х переведення до вищо1 страти ГФЗ. Достовiрнiсть ппотези перевiрялась шляхом модельного експерименту.
Як об'ект моделювання визначалась функщональна залежнiсть у1 = f (X), де
X = {X1, X2,..., Хп }.
У вiдповiдностi з поставленою метою розв'язувалась задача структурно! щентифь кацп глобально! функщонально! залежностi шформащйно! системи багаторiвневого мош-торингу. На рис. 1 подана функщональна схема формування структури ГФЗ.
Рис. 1. Функщональна схема формування структури ГФЗ
Необхщно вщм^ити, що класична теорiя щентифшацп в основному розглядае ав-томатизованi системи, технологiчнi процеси та задачi управлiння ними.
Вiдповiдно до класично'1 теорп задача щентифшацп сформулюеться наступним чином [6]. Заданий деякий об'ект, у процес нормального функщонування якого одночасно (синхронно) можуть бути вимiрянi його вхiдна х i вихiдна у змiннi. За результатами ви-мiрювання х(г) i у (г) необхщно побудувати модель заданого об'екта.
При щентифкацп сигнув датчикiв неможливо одночасно зафжсувати значення х (t) i y (t), де x (t) - ^6ip показникiв датчика, y (t) - ^6ip вихiдних характеристик (команда для подальшого руху). Результати можуть бути отримаш пiсля певного перюду часу спостережень. Тому виникае задача в побудовi математично! модел^ яка б наперед розра-ховувала значення y (t).
В даному випадку кожен рiвень iерархil ГФЗ вiдображено у виглядi страти. Сукуп-нiсть страт формуе лопчш рiвнi перетворення даних, вiдображенi у виглядi чисельних характеристик сташв датчикiв та пiдсистем.
Тестування та експеримент проводилися у 2 етапи. На першому еташ було зiбрано робочий модуль для визначення вщстаней до перешкод (рис. 2) на основi Arduino UNO та ультразвукового датчика вщстаней HC-SR04. На другому еташ за допомогою Ярового двигуна Unreal Engine 4 було розроблено вiртуальну модель мобшьного робота (рис. 3), що емулюе роботу усiх вузлiв, та зiбрано данi для експерименту. Для визначення вщстаней до перешкод було проемульовано три датчики вщстаней, при чому датчик № 2 мае двигун, що може обертати датчик навколо осей X, Y, Z.
Рис. 2. Шдключення ультразвукового датчика HC-SR04
Рис. 3. Модель мобшьного робота в Unreal Engine 4
Задачею горшо!' страти було отримання сукупносп моделей, що вiдображають фун-кщональну залежнiсть команди руху вiд сташв усiх вузлiв.
При цьому адекватшсть отриманих моделей оцiнюеться за критерiем регулярностi.
е = л Ё (у. - у(х-))2/ Ё (У(х-))2 *100%, (4)
\| ¿=1 / ¿=1
де у. - дшсне значення показника, /(х.) - результат моделювання дослщжуваного показ-ника, N - кiлькiсть точок спостереження в екзаменацшнш виборцi.
У табл. 1 подано перелш показниюв, що мiстяться в первинному опись
Таблиця 1. Перелш показникiв, що мютяться в первинному описi
Показник Позначення
Кут повороту робота вщносно стартовоi точки Х1
Вщстань вiд датчика № 1 до перешкоди Х2
Вщстань вщ датчика № 3 до перешкоди Х3
Вщстань вщ датчика № 2 до перешкоди Х4
Кут нахилу датчика № 2 по оа Х Х5
Кут повороту датчика № 2 по оа Ъ Х6
Показник проскопа. Кут нахилу по оа Х Х7
Показник проскопа. Кут нахилу по оа У Х8
Показник проскопа. Кут нахилу по оа Ъ Х9
Команда для руху вщ датчика № 1 У1
Команда для руху вщ датчика № 2 У2
Команда для руху вщ датчика № 3 У3
Команда для руху на основi 3 датчиюв У4
Пщ час модельного експерименту аналiтичнi сигнали отримували та використову-вали на виходi нижньо'1 страти на виходi ГФЗ, що мала однорiвневу структуру за багаторя-дним алгоритмом МГУА (модель А) та на виходi верхньоi страти багаторiвневоi структури ГФЗ, сформованоi за новим методом (модель Б). Порiвняння результатiв також наведено в табл. 2.
Таблиця 2. Порiвняння моделей
Модельований показник Похибка визначення вщсташ, х10-3м
Модель А Модель Б
Вiдстань за сигналом вщ датчика № 1 3,19 2,64
Вщстань за сигналом вщ датчика № 2 3,23 2,70
Вщстань за сигналом вщ датчика № 3 3,50 2,65
Вщстань на основi одночасних сигналiв датчиюв № 1, № 2 та № 3 4,00 2,30
На основi результатiв дослiджень, поданих у табл. 2, можна зробити висновок, що удосконалення методу висхщного синтезу елементiв дозволяе пiдвищити точшсть резуль-татiв моделювання. У дослщжуваних умовах похибка визначення вiдстанi зменшуеться вiд 17,2% до 42,5%.
5. Висновки
Таким чином, ппотеза про тдвищення адекватностi моделей у структурi iнтелектуальноi системи багаторiвневого монiторингу мобшьного робота отримала експериментальне пiдт-
вердження. Доведено можливють та ефективнiсть адаптацп технологи багаторiвневого монiторингу у структурi штелектуально!' системи мобiльного робота. Показана придат-нiсть результатiв монiторингу на нижньому рiвнi 1ерархп для штеграцп в загальну структуру штелектуально!' системи перетворення шформацп мобiльним роботом. Зниження по-хибки позицiонування дозволяе тдвищити ефективнiсть виконання роботом спещальних операцiй.
СПИСОК Л1ТЕРАТУРИ
1. Голуб С.В. Багатор1вневе моделювання в технолопях мошторингу оточуючого середовища / Голуб С.В. - Черкаси: ВВ ЧНУ ¡м. Б. Хмельницького, 2007. - 220 с.
2. Цикритзис Д. Модели данных / Д. Цикритзис, Ф. Лоховски. - М.: Финансы и статистика, 1985. -343 с.
3. Ивахненко А.Г. Индуктивный метод самоорганизации сложных систем / Ивахненко А.Г. - К.: Наукова думка, 1982. - 296 с.
4. Месарович М. Теория иерархических многоуровневых систем / Месарович М., Мако Д., Такаха-ра И. - М.: Мир, 1973. - 344 с.
5. Голуб С.В. Адаптивне формування дублюючих р1вн1в у структур1 1ерарх1чних систем багатор1в-невого соцюппешчного мошторингу / С.В. Голуб, В.Ю. Немченко // 1ндуктивне моделювання складних систем. - 2011. - Вип. 1. - С. 41 - 48.
6. Голуб С.В. Координащя взаемодш локальних агрегаив у структур1 систем багатор1вневого перетворення мошторинтово! 1нформацИ / С.В. Голуб // Вюник Схiдноукраiнського нац1онального уш-верситету iменi Володимира Даля. - 2009. - № 6 (136). - Ч. 1. - С. 325 - 329.
7. Катренко А.В. Координащя у системах тдтримки прийняття ршень з розподшу обмежених ре-сурсiв / А.В. Катренко, Ю.О. Верес // Iнформацiйнi системи та мережа - Л.: НУ "Львiвська полiте-хнiкам, 2009. - С. 117 - 128.
8. Райбман Н.С. Что такое идентификация? / Райбман Н.С. - М., 1970. - 118 с.
Стаття над1йшла до редакцп 13.06.2016
