CC BY
14
УДК 004
DOI: 10.24412/2071-6168-2022-12-272-274
ВЫСОКОУРОВНЕВОЕ УПРАВЛЕНИЕ В РОБОТОТЕХНИКЕ НА БАЗЕ ГЛУБОКОГО ОБУЧЕНИЯ
А.А. Жиленков, В.Е. Суровцев
Применение глубокого обучения в робототехнике является активно развивающейся областью исследований. В этой статье рассматриваются семь основных задач робототехники, которые имеют важнейшее значение для достижения главных целей робототехники.
Ключевые слова: глубокие нейронные сети (DNN), искусственный интеллект, взаимодействие человека и робота.
Сообщество робототехники определило множество целей для робототехники на ближайшие 520 лет. К ним относятся, но не ограничиваются ими, человекоподобная ходьба и бег, обучение с помощью демонстрации, мобильная навигация в пешеходной среде, совместная автоматизация, автоматизированный сбор мусора/полок, автоматическое восстановление после боя, автоматизированный осмотр и техническое обслуживание самолетов, а также роботизированное смягчение последствий стихийных бедствий и восстановление [1-3]. В этой статье определены семь основных задач для робототехники, которые имеют решающее значение для достижения этих целей и для решения, которых технология ДНК обладает высоким потенциалом воздействия.
Глубокое обучение в робототехнике.
Задача 1: Изучение сложной, многомерной и новой динамики. Аналитический вывод сложной динамики требует людей-специалистов, много времени и представляет собой компромисс между размерностью состояния и управляемостью. Сделать такие модели устойчивыми к неопределенности сложно, и полная информация о состоянии часто неизвестна. Системы, которые могут быстро и автономно адаптироваться к новой динамике, необходимы для решения таких проблем, как захват новых объектов, перемещение по поверхностям с неизвестными или неопределенными свойствами, управление взаимодействиями между новым инструментом и/или средой или адаптация к деградации и/или отказу подсистем робота. Также необходимы методы для достижения этой цели для систем, которые обладают сотнями (или даже тысячами) степеней свободы, демонстрируют высокий уровень неопределенности и для которых доступна только частичная информация о состоянии.
Задача 2: Изучение политик управления в динамичных средах. Как и в случае с динамикой, необходимы системы управления, обеспечивающие высокие степени свободы для таких приложений, как многорукие мобильные манипуляторы, антропоморфные руки и роевая робототехника. Такие системы будут призваны надежно и безопасно функционировать в условиях высокой неопределенности и ограниченной информации о состоянии.
Задача 3: Продвинутые манипуляции. Несмотря на достижения, достигнутые за 3 десятилетия активных исследований, надежные и общие решения для таких задач, как захват деформируемых и/или сложных геометрических форм, использование инструментов и приводных систем в окружающей среде (поворот ручки клапана, открытие двери и т.д.), остаются недостижимыми, особенно в новых ситуациях. Эта задача включает в себя кинематическое, кинетическое и логическое планирование, присущее таким задачам, как эти.
Задача 4: Расширенное распознавание объектов. DNN уже доказали свою высокую эффективность в распознавании и классификации объектов. Примеры расширенных приложений включают распознавание деформируемых объектов и оценку их состояния и позы для захвата, семантическую задачу и определение пути (например, обойти стол, подойти к машине и открыть багажник), а также распознавание свойств объектов и поверхностей, таких как острые предметы, которые могут представлять опасность для сотрудников или людей. мокрые/скользкие полы.
Задача 5: Интерпретация и опережение действий человека. Эта задача имеет решающее значение, если роботы должны работать с людьми или среди людей в таких сферах деятельности, как совместная робототехника для производства, ухода за пожилыми людьми, автономные транспортные средства, работающие на общественных магистралях, или навигация в пешеходной среде. Это позволит проводить обучение путем демонстрации, что, в свою очередь, облегчит постановку задач лицам, не имеющим опыта в робототехнике или программировании. Эта задача также может быть распространена на восприятие потребностей человека и предвидение того, когда уместно вмешательство робота.
Задача 6: Слияние датчиков и уменьшение размеров. Распространение недорогих сенсорных технологий стало благом для робототехники, предоставляя множество потенциально богатых, многомерных и мультимодальных данных. Эта задача относится к методам построения значимых и полезных представлений состояния на основе таких данных.
Задача 7: Планирование задач на высоком уровне. Роботы должны будут надежно выполнять команды высокого уровня, которые объединяют предыдущие шесть задач, чтобы достичь нового уровня полезности, особенно если они должны приносить пользу широкой публике. Например, команда "достать молоко" должна автономно генерировать задачи более низкого уровня по навигации к холодильни-
Системный анализ, управление и обработка информации
ку/из него, открытию/закрытию дверцы, определению подходящего контейнера (контейнеры для молока могут принимать разные формы) и надежному захвату контейнера.
Результаты. Для каждой задачи проводились опыты с применением следующего набора структур: А - показывает DNN для регрессирующих произвольных функций; В - автоэндокер; С - рекурсивная нейронная сеть; Структура D изучает политику контроля.
В таблице приведена классификация последних исследований в области робототехники, использующих технологию DNN, в соответствии с этими задачами. Из нее можно сделать несколько выводов: во-первых, структура А является наиболее популярной архитектурой DNN в робототехнике. Вероятно, это объясняется ее интуитивной природой: по сути, она учится аппроксимировать одну и ту же функцию, представленную ей в виде обучающих образцов. Она также требует наименьшего количества знаний в области для реализации DNN. Однако задачи робототехники не ограничиваются проблемами классификации и/или регрессии, для решения которых лучше всего подходит эта структура. С этим в некоторой степени связан тот факт, что некоторые ячейки в таблице пусты. Это связано скорее с недостаточной направленностью исследований, чем с несовместимостью задач и структур. В частности, способность структуры В к обучению компактным представлениям состояния была бы особенно полезна для оценки позы, состояния и свойств объектов (задача 4) и состояния людей-сотрудников (задача 5).
Обзор того, как структуры DNN используются для решения семи задач.
Перечень задач Структура DNN
А В С D
Задача 1 + + + +
Задача 2 + + + +
Задача 3 + + + +
Задача 4 + - + +
Задача 5 + - + -
Задача 6 + + + +
Задача 7 - - - +
Выводы. Глубокое обучение показало многообещающие результаты в решении значительных проблем с восприятием, познанием и действиями, а также потенциал для объединения этих обычно отдельных функций в единую систему. DNN могут работать с необработанными данными датчиков и выводить ключевые характеристики из этих данных без помощи человека, что потенциально значительно сокращает время предварительного проектирования. Они также умеют объединять многомерные муль-тимодальные данные. Было продемонстрировано улучшение с опытом, облегчающее адаптацию в динамичных, неструктурированных средах, в которых работают роботы.
Некоторые оставшиеся препятствия для внедрения глубокого обучения в робототехнике включают необходимость больших объемов, обучающих данных и длительное время обучения. Генерация обучающих данных в физических системах может быть относительно трудоемкой и дорогостоящей. Одним из многообещающих направлений является краудсорсинг обучающих данных с помощью облачной робототехники. Что касается времени обучения, локальная параллельная обработка и увеличение скорости обработки привели к значительным улучшениям. Распределенные вычисления предлагают потенциал для направления большего количества вычислительных ресурсов на решение данной задачи, но могут быть ограничены скоростью передачи данных. Также могут существовать алгоритмические способы повышения эффективности процесса обучения, которые еще предстоит обнаружить. Например, исследователи глубокого обучения активно работают над направлением внимания сети на наиболее релевантные подпространства в данных и применением биологически вдохновленных разреженных DNN с меньшим количеством синаптических соединений для обучения [4-6].
В конечном счете, тенденции движутся к более высоким уровням познания, и некоторые исследователи даже полагают, что глубокое обучение может в ближайшем будущем достичь способностей человеческого уровня. Однако перед глубоким обучением все еще стоит много препятствий, которые необходимо преодолеть, прежде чем достичь такой амбициозной цели. В настоящее время наборов данных для когнитивного обучения даже не существует. Хотя DNN превосходны в распознавании 2D-изображений, известно, что они очень чувствительны к состязательным выборкам, и им все еще трудно моделировать 3D макеты с инвариантностью объекта. В настоящее время DNN кажутся мощными инструменты для специалистов в области робототехники, но только время покажет, действительно ли они могут обеспечить возможности, необходимые для быстрой адаптации в обычных условиях.
Список литературы
1. Щаников С.А., Борданов И.А., Данилин С.Н. Синтез искусственной нейронной сети для распознавания литературных источников по фотографиям // Методы и устройства передачи и обработки информации. 2019. № 21. С. 61-67. EDN YXSQOV.
2. Дрокин И.С. Об одном алгоритме последовательной инициализации весов глубоких нейронных сетей и обучении ансамбля нейронных сетей // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2016. № 4. С. 66-74. DOI: 10.21638/11701^рЬи10.2016.406. EDN XSNQNL.
3. Червяков Н.И., Тихонов Э.Е., Тихонов Э.Е. Применение нейронных сетей для задач прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях // Нейрокомпьютеры: разработка, применение. 2003. № 10-11. С. 25-31. EDN TPQSIX.
4. Karpov A.D., Zhilenkov A.A., Lisitsa D. The integration of the video monitoring, inertial orientation and ballast systems for container ship's emergency stabilization // Proceedings of the 2017 IEEE Russia Section Young Researchers in Electrical and Electronic Engineering Conference, ElConRus 2017, St. Petersburg, 01-03 февраля 2017 года. St. Petersburg, 2017. P. 887-891. DOI 10.1109/EIConRus.2017.7910697. EDN XNDCZR.
5. DARPA Robotics Challenge [Internet]. [cited 2021 May 20]. Available from. [Электронный ресурс] URL: http://www.darpa.mil/program/darpa-robotics-challenge (дата обращения: 10.09.2022).
6. Жиленков А.А., Черный С.Г. Извлечение информации из BigData с помощью нейросетевых архитектур как сетей ассоциаций информационных гранул // Труды Института системного анализа Российской академии наук. 2022. Т. 72. № 3. С. 81-90. DOI 10.14357/20790279220308. EDN FYAQCE.
Жиленков Антон Алекандрович, канд. техн. наук, доцент, декан факультета, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский государственный морской технический университет,
Суровцев Владимир Евгеньевич, магистрант, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский государственный морской технический университет
HIGH-LEVEL CONTROL IN ROBOTICS BASED ON DEEP LEARNING A.A. Zhilenkov, V.E. Surovcev
The application of deep learning in robotics is an actively developing area of research. This article discusses the seven main tasks of robotics that are essential to achieve the main goals of robotics.
Key words: deep neural networks (DNN), artificial intelligence, human-robot interaction.
Zhilenkov Anton Aleksandrovich, candidate of technical sciences, docent, dean of the faculty, zhilen-kovanton@gmail. com, Russia, St. Petersburg, St. Petersburg State Marine Technical University,
Surovtsev Vladimir Evgenievich, master, surovcevvlad@mail. ru, Russia, St. Petersburg, St. Petersburg State Marine Technical University
УДК 614.87
DOI: 10.24412/2071-6168-2022-12-274-279
ПОДХОД К ОЦЕНИВАНИЮ ЗАЩИЩЕННОСТИ ОБЪЕКТОВ НАЗЕМНОЙ КОСМИЧЕСКОЙ ИНФРАСТРУКТУРЫ ТЕХНИЧЕСКИМИ СРЕДСТВАМИ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ
Р.А. Ситков
В статье рассмотрен подход к оцениванию защищенности объектов наземной космической инфраструктуры техническими средствами обеспечения безопасности. Предложенный подход базируется на зональном принципе обеспечения безопасности и принципе равнопрочности зон (рубежей) охраны объектов. Подход позволяет получить как количественную, так и качественную оценку состояния защищённости объекта техническими средствами обеспечения безопасности.
Ключевые слова: комплексная безопасность, квалиметрия, качество, эффективность, критерии оценивания, показатели качества.
Системы обеспечения комплексной безопасности (СОКБ) являются сложными системами, включающими в себя три основных элемента [1]: организационные мероприятия обеспечения безопасности, физическую охрану и технические средства обеспечения безопасности (ТСОБ). Рассмотрим подробнее последний элемент СОКБ - ТСОБ.
Состав и количество объектовых ТСОБ варьируется в зависимости от назначения и значимости защищаемого объекта и конкретных условий его размещения, однако в общем случае в состав комплекса ТСОБ входят следующие технические подсистемы:
охранной и тревожной сигнализации (СОТС); пожарной сигнализации (СПС); контроля и управления доступом (СКУД); охранные телевизионные (СОТ);
