Диссертация (1090784), страница 15
Текст из файла (страница 15)
Другими словамиданная величина является мерой ответственности нейрона за детектированиеучастка информационного образа в его рецептивном поле.109Выполнение требований 1 и 2 возможно, если организовать валгоритме обучения двухканальное регулирование нейрона по параметрам , d за счет соответствующей подстройки его весовых коэффициентов.Так, согласно схеме, представленной на рис. 4.8, при увеличениивременнόй частоты активации нейрона обучение подобразу X врецептивном поле нейрона W ослабляется с целью подержания заданнойчастоты детектирования признаков 0 .При увеличении же пространственного отклонения нейронаdположительная обратная связь, наоборот, стремится усилить это отклонениес целью закрепления лидирующего положения нейрона среди соседей встатусе детектора текущего входного образа.Таким образом, изменение вектора весовых коэффициентов нейрона накаждом шаге обучения составляет:W k3 k1 0 k2d X,(4.10)где X – вектор входных значений нейрона; k3 – общий коэффициентскорости обучения; k1 и k2 1 k1 – коэффициенты, задающие соотношениемежду влиянием двух каналов регулирования.Рис.
4.8. Схема регулирования текущей частоты активации и пространственногоотклонения для каждого нейрона в слое НСИСПо сути, формула (4.10) является правилом Хебба [52] с нелинейнойзависимостью скорости обучения от временных и пространственных свойствактивности нейрона.110Обобщенный алгоритм обучения одного слоя НСИС можно описатьследующим образом:1. инициализацияпрямопоточныхвесовыхкоэффициентовнебольшими случайными значениями, а ингибирующих –небольшими отрицательными значениями;2. подача обучающего визуального образа на вход слоя;3. расчет всех нейронов слоя по формуле (4.5);4. локальное контрастирование слоя;5.
обучение нейронов по формуле (4.10);6. если критерий завершения обучения не выполнен, переход кп.2, иначе завершение.В качестве критерия завершения обучения принимается достижениетребуемого значения 0 частоты активации нейронов в слое. Данноезначение можно определить из предположения, что в обученном состояниидоля времени, приходящегося на активное состояние каждого нейрона,близка к вероятности появления в анализируемых визуальных образахобъекта каждого отдельного класса. Так, если количество классов равно N c ,то 0 1 / N c .Обучение всей НСИС в целом достигается раздельным обучениемслоев.
Обучающие образы для каждого последующего слоя формируетсяпутем преобразования исходных образов при помощи нижележащих слоев.4.3.3 Нейросетевая система технического зрения для распознаваниясимвольной маркировки объектовШирокий перечень задач, решаемый автономными роботами и МАРСпредполагает классификацию предметов внешней обстановки робота повизуальнымпризнакам.Зачастуюпредметы,предназначенныедлявыполнения роботом той или иной прикладной задачи, помечаются с111использованием символов, штриховых кодов и другой графическойинформации.Так, например, в задачах разведки и картографирования [19],возведении и демонтаже инженерных сооружений [48] требуется соблюдениеопределенной этапности выполнения технологических операций.
При этомважно не только правильно организовать процессы планирования ираспределениязаданий(см.гл.2),ноиобеспечитькорректнуюидентификацию объектов, используемых в рамках выполнения отдельныхтехнологических операций.Одним из наиболее удобных и распространенных способов маркировкипредметов, не требующим привлечения специальных технических средств,являются рукописные цифры. Так, на рис. 4.9 представлен видеокадр СТЗмобильного робота KUKA youBot в процессе натурного моделированиязадачи транспортировки мелкогабаритных предметов.Рис.
4.9. Изображение с видеокамеры мобильного робота KUKA youBot, установленнойна его манипуляционном устройствеПоиск предметов с требуемой символьной меткой в поле зрениябортовой камеры робота включает две основных этапа:1. определение местоположения и ориентации предметов внешнейобстановки;1122. извлечение изображений символьной маркировки поблизости отобнаруженных объектов и распознавание рукописного символа.В рамках решения первой задачи было принято допущение о том, чтообъекты целевого интереса имеют форму куба, окрашенного в определенныйцвет, отличный от подстилающей поверхности.
Тогда местоположения Nпредметов{xi , yi }, i 1...Nопределяются как геометрические центрыодносвязных областей изображения, имеющих заданный цвет C. Уголповорота каждого предмета i определяется путем поиска наилучшегоналожения процедурно генерируемого квадрата цвета С в точке {xi , yi } .Решение второй задачи, связанной с распознаванием рукописныхсимволов, форма, размер и ориентация которых могут варьироваться вшироких пределах, потребовало привлечения технологии нейронных сетей сиерархической связностью.Предобученная на тренировочном множестве сеть с иерархическойсвязностью,можетбытьиспользованадляповышениялинейнойразделимости информационных образов в конкретной классификационнойзадаче. Так, изображения линейно неразделимые на уровне значений яркостиотдельных точек, могут быть отнесены к разным классам на основе анализапризнаков более крупного масштаба, выявляемых НСИС.Назовем иерархическим информационным образом типа i объединениеинформационных образовZ i X 0 X i ,(4.11)где X0 – исходный образ, подаваемый на входы первого слоя НСИС,Xi – выходной информационный образ слоя i.
Пример практическойреализации объединения ИО в иерархический образ приведен на рис. 4.10.113Рис. 4.10. Пример компоновки иерархического образа из трех ИО. Штриховкой показанызоны, заполняемые нулевыми значениямиЕсли обучить однослойный перцептрон на множество маркированныхиерархических образов S*i Zi , ki , i 1 Ntrain , то потенциально возможнодостигнуть меньших значений ошибки классификации, чем при обучении наисходном множестве примеров S*i Xi , ki , i 1 Ntrain .В проведенных экспериментальных исследованиях на базе MNIST [65],содержащей 60000 тренировочных примеров по классификации изображенийрукописных цифр и 10000 примеров для тестирования, были полученырезультаты, которые подтверждают данное предположение (табл.4.1).Табл.4.1.
Результаты распознавания изображений рукописных цифр.№слояРазмер слоя(количествонейронов)028×28151×512106×106РазмерИспользуемыйлокального иерархическийрецептивногообразполяZ0–Z18×8Z25×5Ошибкаклассификации9,1 %2,3 %1,8 %Следует отметить, что использование технологии нейронных сетейимеет важное значение не только с позиций распознавания символов, но ипри оценке ситуаций внешней обстановки робота.114Результаты проведения предварительных исследований показали, чтоНСИС позволяют обеспечить решение задач по оперативной классификации,распознаваниюиоценкеситуаций,возникающихвпроцессефункционирования автономного робота в составе МАРС. В качестве примерана рисунке 4.11 приведены результаты классификации объектов, полученныена виртуальной модели [80, 82].а)б)Рис.
4.11. Классификация предметов виртуальной среды с применением НСИС: а)видеокадр на входе СТЗ робота б) результаты распознавания объектов в различныхучастках видеокадраВыводы по главе 4Методы повышения адаптивности автономных робототехническихагентов, рассмотренные в данной главе, предназначены для поддержанияэффективности группового управления в условиях неопределенности идинамичности внешней среды.Приведенные примеры убедительно показали, что программноалгоритмическое обеспечение автономных агентов, построенное в рамкахконцепции ситуационного управления, не всегда обеспечивает надежноефункционирование в сложных средах. С одной стороны, по причинеограниченности радиуса действия бортового сенсорного оснащения роботов,а с другой – в связи с динамичностью изменения внешней обстановки.В настоящей главе было продемонстрировано, что внедрение моделивнешней среды в контур управления автономными робототехническимиагентами позволяет преодолеть подобные ограничения, за счет реализациипрогноза на ее основе.
Так, в частности, было показано, что прогнозное115управление позволяет обеспечить уменьшение количества конфликтов,возникающих при их движении группы роботов на местности.Важным научным результатом, описанным в главе, следует такжесчитать модели и алгоритмы распознавания структурных элементов внешнейобстановки робота с использованием нейросетевых методов классификации.Полученные результаты могут быть использованы в задачах обслуживанияскладских помещений, движения беспилотных транспортных средств,картографирования участков открытой местности и полостей инженерныхсооружений, а также в ряде других прикладных задач требующихприменения систем технического зрения для анализа внешней среды.116Глава 5.Экспериментальные исследования МАРССоздание перспективных образцов автономных роботови МАРСпредполагает не только необходимость разработки сложных алгоритмовуправления, но и их программного воплощения, верификации и отладки сучетом особенностей бортового комплекса аппаратных и информационноизмерительных средств.Применительнокмногоагентнымсистемам,программно-алгоритмическое обеспечение которых должно в общем случае обеспечиватьсогласованное функционирование различных типов автономных роботов,объединяемыхбеспроводнойсетевойсвязью,сложностьотработкитехнологий управления многократно возрастает, приобретая комплексныйхарактер на фоне многообразия подходов к организации групповыхвзаимодействий.Такимобразом,врядеситуацийтехнологийимитационногомоделирования оказывается недостаточно для полноценного исследованиямногоагентных робототехнических систем.
Важной задачей становитсяразработка макетных образцов и комплексное испытание МАРС с учетомвсех необходимых инфраструктурных подсистем.5.1 Аппаратно-программное обеспечение лабораторного стенда дляисследования МАРС на базе LEGO MINDSTORMS NXT 2.0Стремительноетехнологийразвитиегрупповогометодовуправленияискусственногоинтеллектаробототехническимиисистемамиобуславливает необходимость внедрения соответствующих дисциплин вобразовательный процесс профильных учебных заведений.Поскольку диссертационное исследование проводилось под научнымруководством кафедры проблем управления Московского государственногоуниверситета информационных технологий, радиотехники и электроники117(МИРЭА), которая вплотную занимается озвученной тематикой, результатыисследования были внедрены в учебный процесс кафедры в качествелабораторного практикума (Приложение Г).5.1.1 Аппаратно-программное обеспечение для проведениялабораторных работАппаратно-программное обеспечение для проведения лабораторныхработ было выполнено в виде лабораторного стенда, включающего в свойсостав полигон для натурных испытаний, рабочее место оператора,робототехнических агентов, а также объекты, подлежащие обработке сиспользованием МАРС.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
