Автореферат (1090782), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

5.Важно отметить, что анализ сценарной модели поставленнойоператором прикладной задачи, позволяет не только спланироватьпоследовательность выполнения технологических операций, но и произвестиоценку достаточного количества робототехнических агентов для еевыполнения. Предложенный алгоритм определения численности составаМАРС базируется на математическом моделировании процесса выполнениясценария для различного числа роботов.

Результаты моделированияпредставляются в виде гистограмм суммарного времени выполнения ивремени простоя робототехнических агентов (рис. 6)Оценка целесообразности использования того или иного количестваробототехнических агентов для выполнения групповой задачи можетпроизводиться на основе функционала, представленного в виде взвешеннойсуммы времени, затраченного на выполнение прикладной задачи (Tв) ивремени простоев (Тп):F ( N )  k1Tв ( N )  k2Tп ( N ), k1  0, k2  0 .(8)Очевидно, что число роботов, необходимое для выполненияпоставленной задачи, должно обеспечивать минимизацию данногоmin . Так, при значениях k1  k2  1 минимумфункционала: N : F ( N ) 11функционала временных затрат достигается одновременно при числе роботовN=2 и N=3 (рис 6).

Однако меньшее число роботов является болеепредпочтительным в силу меньших расходов на эксплуатацию иобслуживание робототехнической группировки.Рис. 5. Функциональная структура программно-алгоритмического обеспечения человекомашинного интерфейса в составе МАРСРис. 6. Оценки времени сооружения конструкции группой роботов с различнойчисленностью состава на основе анализа сценарного графа12Достоверность предложенных в третьей главе теоретическихположений подтверждается результатами экспериментальных исследованийи эффективностью практического применения комплекса для моделированияМАРС (рис. 7).а)б)Рис.

7. Графический интерфейс пользователя: а) окно трехмерной среды б) вкладкач/м интерфейса МАРСТак, в рамках моделирования различных ситуаций групповогоуправления было выявлено, что оптимальная для выполнения групповойзадачи численность МАРС определяется не только структурой сценарногозадания, но и факторами неопределенности среды, в которой функционируетсистема. В частности, на рис.

8 представлены графики зависимости временивыполнения прикладной задачи МАРС от числа агентов в группе для задачигрупповой транспортировки предметов на местности и возведения блочнойконструкции.а)б)Рис. 8. Зависимость времени выполнения прикладной задачи от числа роботов вгруппе: а – для различных серий экспериментов; б – усредненная зависимость13Сокращение времени выполнения задачи носит ярко выраженныйнелинейный характер.

Начиная с определенного количества участников вгруппировке коллективное время выполнения задачи начинает расти. Этотнегативный эффект связан с возникновением конфликтов в движениимобильных роботов при повышении плотности их размещения на местности.Анализ подобных конфликтов в режиме предварительногомоделирования может оказать незаменимую поддержку в процессеформирования и оценки целесообразности выполнения комплексногогруппового сценария пользователем человеко-машинного интерфейса МАРС.В четвертой главе диссертационного исследования рассмотреныподходы к повышению адаптивных свойств автономных робототехническихагентов. Приведенные примеры убедительно показали, что программноалгоритмическое обеспечение автономных агентов, построенное в рамкахконцепции ситуационного управления, не всегда обеспечивает надежноефункционирование в сложных средах.

Подобные ситуации возникают, содной стороны, по причине ограниченности радиуса действия бортовогосенсорного оснащения роботов, а с другой – в связи с динамичностьювнешней обстановки.В работе показано, что внедрение модели внешней среды в контуруправления автономными робототехническими агентами позволяетпреодолеть подобные ограничения, за счет реализации прогноза на ее основе.Математическая или имитационная модель внешней среды в рамкахпрогнозного управления может быть формально представлена какотображениеSt 1  M (St , At ) ,(8)где St – ситуация функционирования автономного робота в текущиймомент времени; At – принятое в текущий момент времени управляющеерешение; St+1 – ситуация функционирования автономного робота вследующий момент.Критерий эффективности принятого решения по управлению можетбыть представлен как некоторый функционал, зависящий от ситуации,потенциально достигнутой на следующем шаге управления системой:F (St , At )  Q(St 1 )(9)С учетом модели прогнозного управления (8) критерий (9) может бытьпредставлен в следующем виде:F (St , At )  Q(M (St , At ))(10)Таким образом, сравнение и выбор управляющих решений в рамкахпрогнозного управления производится по результатам моделированияразвития ситуации и автоматизированной оценки результата моделированияв соответствии с критерием, заданным экспертом.Так, в частности, было показано, что прогнозное управление на основемодели среды, включающей оперативную информацию о местоположенииробототехнических агентов и априорно заложенную информацию о законахпрямолинейного равномерного движения, позволяет уменьшить количество14конфликтов, возникающих при движении мобильных роботов на местности.Таким образом, сокращается суммарная длина пути, проходимаяробототехническими агентами, что приводит к экономии бортовыхэнергоресурсов (рис.

9).Необходимым условием для обеспечения высокой автономностиробототехнических агентов является достоверная оценка текущей обстановкиза счет выявления и распознавания структурных элементов внешней среды.Подобная оценка должна производиться на основе анализа показанийбортовой информационно-измерительной подсистемы в режиме реальноговремени.Эффективное решение проблемы распознавания объектов внешнейобстановки заключается в оснащении автономного робота системойтехнического зрения (СТЗ), включающей как необходимое аппаратноеобеспечение, представленное одной или несколькими видеокамерами,установленными на борту робота, так и программно-алгоритмическоеобеспечение для интеллектуальной обработки поступающей визуальнойинформации.а)б)Рис. 9.

Фрагменты моделирования движения автономных роботов в составе МАРС:а) движение без прогноза конфликтов; б) движение с прогнозом конфликтовОбеспечение высокой эффективности распознавания визуальныхобразов предполагает возможность их многоэтапного анализа с цельювыявления признаков, характерных для различных масштабов рассмотрения,включая цветовые характеристики, а также контуры объекта и составляющихего элементов. При этом одним из перспективных методов распознаванияобъектов целевого интереса на изображениях является подход, основанныйна использовании нейронных сетей с иерархической связностью (НСИС).15Развиваемый подход позволяет детектировать во входном растровомизображении значимые признаки, сложность которых возрастает с каждымуровнем иерархии нейронной сети.

Выявленные признаки повышаютточность классификации входных изображений с применением технологиимногослойных нейронных сетей, обучаемых алгоритмом обратногораспространения ошибки. Кроме того, структура НСИС содержит меньшеечисло связей между нейронами соседних слоев, что важно для системтехнического зрения (СТЗ), работающих в режиме реального времени.Так, на рис. 10 представлен видеокадр СТЗ робота KUKA youBot, впроцессе решения задачи транспортировки малогабаритных предметов.Каждый из предметов промаркирован рукописными цифрами.

Для захватацелевого предмета робот должен не только приблизиться к месту егорасположения, но также идентифицировать маркировку предмета сиспользованием обученной НСИС, скорректировать свое относительноеположение на основе анализа показаний СТЗ, и лишь затем осуществитьзахват.Рис. 10. Изображение с видеокамеры мобильного робота KUKA youBot,установленной на его манипуляционном устройствеРезультаты исследований показали, что НСИС позволяют обеспечитьрешение задач по оперативной классификации, распознаванию и оценкеситуаций, возникающих в процессе функционирования автономного робота всоставе МАРС. В качестве примера на рис.

11 приведены результатыклассификации объектов, полученные на виртуальной модели.а)б)Рис. 11. Классификация предметов виртуальной среды с применением НСИС: а)видеокадр на входе СТЗ робота б) результаты распознавания объектов в различныхучастках видеокадра16Пятая глава диссертации посвящена описанию результатовэкспериментальных исследований по оценке работоспособности иэффективности предложенных моделей, алгоритмов и программногообеспечения МАРС.Ряд подобных исследований проводился на лабораторном стенде дляисследования МАРС на базе конструктора Lego Mindstorms NXT 2.0.Разработка лабораторного стенда осуществлена на основе моделей,алгоритмов и программно-алгоритмического обеспечения групповогоуправления, описанных в главе 2.

Характеристики

Список файлов диссертации