Диссертация (1090784), страница 14

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

Текст из файла (страница 14)

Следуетотметить, что возможным решением задачи взаимного уклонения роботов вданной ситуации мог бы стать метод потенциальных полей [31], однако оннедостаточно эффективен в случае, когда препятствие на пути роботаподвижно.Рис. 4.4. Определение приоритета движения в зоне конфликта двухробототехнических агентов101Поэтоймобильнымипричинеалгоритмыробототехническимиразрешенияагентамиконфликтовдолжнымеждуопиратьсянаопределение очередности движения в зоне конфликта и соответствующейкорректировке скоростей их движения.Так, на рис.

4.4 изображена типовая ситуация конфликта в движенииробототехнических агентов. При сохранении направления и скоростейперемещенияроботовихтраекториипересекутсячерезнекоторыйпромежуток времени в точке E. При этом, сравнивая отрезки BE и DE, можнозаключить, что робот 2 пересечет линию движения первого робота скорее,чем робот 1 пересечет маршрут второго. Очевидно, что роботу, потенциальноспособному первым выйти из зоны конфликта, должен быть предоставленприоритет в движении.4.2.2 Модельный пример прогнозного управления робототехническимиагентамиОписанный подход к прогнозу местоположений робототехническихагентов совместно с критерием выбора очередности их проезда былпротестирован на виртуальной модели с использованием программногокомплекса «RoboCar» для моделирования интеллектуального мобильногоробота, предназначенного для отработки технологий самообучения ипрогноза.

Свидетельство о государственной регистрации программы дляЭВМ приведено в Приложении Б.В ходе диссертационного исследования функциональные возможностикомплекса «RoboCar» были расширены за счет программных библиотек,входящих в состав комплекса «MARS 3D», описанного в п. 3.4. За счетиспользования двухмерной графической подсистемы в данном комплексебыла достигнута возможность проведения модельных экспериментов по102групповой транспортировке объектов целевого интереса в ускоренномрежиме.Пример расположения робототехнических агентов и предметов врабочей зоне, а также местоположения терминальной зоны транспортировкиизображен на рис.

4.5.Рис. 4.5. Интерфейс программного комплекса «RoboCar»РезультатымоделированияМАРС,состоящейиз5агентов,представлены на рис. 4.6. Сравнивая траектории движения мобильныхроботов при ситуационном управлении (суммарная длина пройденного пути282 м.) и траектории, полученные в результате прогнозного управления(суммарная длина пройденного пути 275 м.), можно заметить, что последнийвариант обеспечивает меньшую суммарную длину пути, проходимогороботами, а следовательно, меньшие затраты энергетических ресурсов имашинного времени.

Так, в частности, в рамках представленного примерасокращение суммарного пути, проходимого робототехническими агентами входе решения задачи, составило около 3%.Повышениеэффективностиврежимепрогнозногоуправленияобусловлено устранением ситуаций, при которых робототехническимагентам приходилось осуществлять движение задним ходом в целяхуклонения от попавшего в зону действия бортовых датчиков препятствия.103а)б)Рис.

4.6. Фрагменты моделирования движения автономных роботов в составе МАРС:а) движение без прогноза конфликтов; б) движение с прогнозом конфликтов4.3 Выявление и анализ структурных элементов внешней обстановкиавтономного робототехнического агентаВыявление структурных элементов окружающей обстановки приформировании второго уровня модели внешней среды, в соответствии с п.4.1, является необходимым условием обеспечения высокой степениавтономности робототехнического агента. В частности, способность краспознаваниюфункциональнойобъектоввнешнейспособностьюсредыавтономныхявляетсяроботов,важнейшейвыполняющихскладские и инженерно-строительные операции [30]; передвигающихся вбеспилотном режиме по автодорогам [53]; проводящих картографированиеучастков открытой местности и полостей инженерных сооружений [19].Эффективное решение проблемы распознавания объектов внешнейсреды заключается в оснащении автономного робота системой техническогозрения (СТЗ), включающей как необходимое аппаратное обеспечение,представленное одной или несколькими видеокамерами, установленными на104бортуробота,такипрограммно-алгоритмическоеобеспечениедляинтеллектуальной обработки поступающей визуальной информации.4.3.1 Модель нейронной сети для анализа визуальных образовОбеспечение 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) [46,55].ФактическиНСИСможетрассматриватьсякакмногослойнаянейронная сеть прямого распространения (МНСПР) с модифицированнымиспособами соединения и расчета входящих в ее состав нейронов.Развиваемый подход позволяет детектировать во входном растровомизображении значимые признаки, сложность которых возрастает с каждымуровнем иерархии нейронной сети. Выявленные признаки не толькоповышают точность классификации входных изображений, но могут бытьтакже использованы для генерации визуальных образов по наборувысокоуровневых признаков, путем многоэтапного их декодирования (чтоважно в целях интерпретации знаний выявляемых НСИС).Принцип построения нейронной сети с иерархической связностью,способной выполнять задачу многоэтапного анализа изображения, показан нарис. 4.7.

НСИС представляет собой многослойную нейронную сеть сколичеством слоев, равным L. Количество нейронов в слоях сети задаетсяцелочисленнымвекторомN  {n1, , nL } .определяется по формуле:105Выходкаждогонейрона NwY    xi wi  , i 0(4.5)где xi – входные значения нейрона; wi – весовой коэффициенты связейнейрона со входными значениями; Nw – количество входов нейрона;  сигмоидальная функция.Выходные значения нейронов в каждомслое организованы в информационные образыразмерности M  2 . При этом каждое j-оезначение в образе i-го слоя однозначноидентифицируетсяпаройpi , j   xi , j , yi , j    2иликоординатженормализованныхпаройкоординатp*i , j  {xi , j / Ai , yi , j / Bi }   2 , где Ai  max xi , j , аjBi  max yi , j .jКаждый нейрон в слое с порядковымi 1номеромсоединенснекоторымподмножеством значений из информационногообраза, принадлежащего слою i  1 .

НейроныпервогослоясоединенысоРис. 4.7. Структура нейроннойсети с иерархическойсвязностьюзначениямивходного информационного образа.Подмножество X i , j входных значений j-го нейрона i-го слоя (локальноерецептивное поле) определяется как прямоугольная область нижележащегоинформационного образакоординатыкоторойXi1 с началом в точке, нормализованныесовпадаютснормализованнымикоординатамирассматриваемого нейрона в слое i . Размер рецептивного поля одинаков длявсех нейронов слоя и подбирается опытным путем. При этом локальныерецептивные поля соседних нейронов частично перекрываются, что создаетизбыточность числа нейронов над каждой точкой входного образа, и как106будетпоказанодалее,обеспечиваетконкурентнуюдиверсификациюнейронов по типу детектируемых признаков.Преобразование информационного образа при переходе от (i  1) -гослоя НСИС к i -му слою происходит на основе следующей формулы:X i  f i  X i 1 , Wi  ,гдеi  1L ;fi-нелинейное(4.6)преобразование,определяемоетопологией соединения нейронов двух слоев и формулой (4.5); Wi множество весовых коэффициентов.Важно отметить, что в предлагаемой структуре нейронной сетиотсутствует полносвязность соединений между нейронами.

По сравнению сМНСПР такой подход уменьшает пространство поиска оптимального векторавесовых коэффициентов сети. Кроме того, использование локальныхрецептивныхполейнакаждомуровненейроннойсетипозволяеторганизовать поэтапную агрегацию информации от малых участков входногообраза к бόл ьшим. Каждый нейрон становится детектором признаков,выявляющим сочетания признаков в нижележащем слое. Так, например, прианализе изображений последовательные слои нейронов могут выполнятьследующие функции: выявление отрезков различного угла наклона; выявление типовых элементов распознаваемых объектов; выявление типовых сочетаний элементов и распознавание объектов; выявление сочетаний объектов и распознавание сложных сцен.ВажнымэтапомфункционированияНСИСявляетсялокальнаянормализация контраста выходного информационного образа для каждогослоя нейронов. Данный этап позволяет сократить количество активныхнейронов, оставив среди них лишь наиболее «уверенные» в правильностидетектированияпризнаков.Этопозволяет,во-первых,повыситьинтерпретируемость активационного состояния слоя, а, во-вторых, в режиме107обучения НСИС (описанном ниже) предотвратить формирование избыточнобольших групп нейронов, детектирующих схожие признаки.Решениеданнойзадачивозможносиспользованиемметодовфильтрации изображений или же при помощи ингибирующих соединений[43].

В рамках настоящей работы был использован последний способ. Дляего реализации множество весовых коэффициентов каждого нейрона Wi , jбыло дополнено множеством весов I i , j , соединяющих j -ый нейрон i -го слояотрицательнымисвязямисвыходаминейронов,расположенныхнанебольшом удалении в том же слое.4.3.2 Алгоритм обучения нейронной сети для анализа визуальныхобразовНаряду с задачей настройки топологии соединений в нейронной сетиважную роль играет поиск весовых коэффициентов или обучение сети.НаиболеераспространеннымметодомобученияМНСПРвзадачахраспознавания образов является метод обратного распространения ошибки[52].

Данный метод является супервизорным, т.е. требует наличия заранееподготовленного множества с обучающими примерами вида Si  {Xi , ki } ,где Xi – входной информационный образ, ki – порядковый номер класса, ккоторому относится входной образ. В то же время составление такихобучающих множеств является достаточно сложной задачей. В гораздобольшем количестве доступны множества неклассифицированных образов,сбор которых может осуществляться в ходе штатного функционированиясистемы.В настоящей работе был использован алгоритм предварительногообучения НСИС без учителя, основанный на биологически оправданныхпринципах образования детекторной селективности нейронов.

Данныйалгоритм позволяет обеспечить выполнение двух основных требований:1081.частота активации каждого нейрона должна соответствоватьожидаемой частоте обнаружения того или иного признака детектируемогообъекта  0 ;2.нейроны слоя должны находиться либо полностью в активном(Yx , y  1) , либо в пассивном (Yx , y  0) состоянии в целях обеспечениямаксимальной степени диверсификации нейронов по типам выявляемыхпризнаков.Для описания алгоритма обучения введем несколько обозначений.Текущей временнόй частотой активации нейрона будем называть величинуTYi  0 t  i T ,(4.7)где Yt – выходное значение нейрона на шаге обучения t ; T – периодусреднения, выбираемый с тем расчетом, чтобы за этот период с высокойвероятностьюнавходесетиоказалисьинформационныеобразы,относящиеся различным классам.Текущей степенью активации нейронов в точке {x, y} будем называтьвеличинуY{ x , y }D x , y |D| ,(4.8)где D – множество, состоящее из точек информационного образа слоя,расположенных на расстоянии соединения ингибиторными связями.Пространственным отклонением выходного значения нейрона будемназывать величинуd  Yt   ,(4.9)которая показывает насколько текущее значение нейрона превышаетсреднее значение нейронов из его ингибиторной зоны.

Характеристики

Список файлов диссертации