Диссертация (1149252), страница 2
Текст из файла (страница 2)
К их преимуществам относятся небольшиемассогабаритные характеристики, низкая стоимость компонентной базы,экономное энергопотребление, повышенная устойчивость к отказам, простотаобслуживания и производства, возможность использования в различныхприложениях. Среди недостатков — ограниченные ресурсы: вычислительные,сенсорные, коммуникационные и энергетические. Следствием являетсяпотребность в ресурсо-экономных алгоритмах автономной навигациии управления, обеспечивающих достижение цели при таких ограничениях.С другой стороны, актуальные и перспективные приложения мобильнойробототехники подразумевают работу в сложных, в том числе динамических,средах в условиях минимальной априорной информации о среде.
Указанныйкомплекс обстоятельств мотивирует сдвиг интереса с традиционнойпарадигмы глобального планирования движения в сторону локальныхметодов. Однако сложность анализа итогового результата применениялокальных, ресурсо-сберегающих методов зачастую обуславливает дефицитгарантий глобальной сходимости к цели управления и неясность итоговогорезультата с возможностью отказа. Важным ресурсом преодоления отмеченныхнедостатков и проблем является углубленный математический анализ,посвященный развитию теоретических основ, а также методологии анализаи синтеза локальных алгоритмов автономной навигации и управлениядвижением.Наблюдаемый интерес к «экономичным» робототехническим платформамв немалой степени интегрирован с активностью в области многоагентныхробототехнических систем, которые открывают широкие перспективыдля «гибкой» компенсации дефицитов отдельных участников группыроботов за счет кооперации их ресурсов в процессе взаимодействия.Об активном интересе к данной тематике опять же свидетельствуетScopus: более 15 500 публикаций с 2010 г.
В фокусе разработок в областиуправления многоагентными ансамблями лежит координация индивидуальныхагентов с целью выполнения общей задачи и повышения эффективностисистемы. Координация таких ансамблей является комплексной сложной8проблемой, аспекты которой включают децентрализованное распределенноеуправление, часто за счет гомогенных алгоритмических рецептов для всехагентов, их синхронизацию, гармонизацию индивидуальных и общих целей.Возникающие здесь вызовы усугубляются отмеченными ранее дефицитамиресурсов отдельных робототизированных агентов, их кинематическимии динамическими ограничениями и неопределенностью среды.Диссертационная работа посвящена разработке теоретических основ,а также методологии анализа и синтеза эффективных и математическистрого обоснованных, включая нелокальную сходимость и устойчивость,локальных алгоритмов навигации и управления движением мобильныхроботов в многоагентных сценариях в условиях ограниченных (сенсорных,вычислительных, энергетических, коммуникационных) ресурсов и дефицитааприорных данных о среде функционирования и целевых объектах.В диссертации рассмотрены следующие основные задачи:1.
Локализация и отслеживание изолиний неизвестных скалярныхфизических полей группой мобильных роботов с эффективнымсамораспределением группы вдоль изолинии.2. Локализация и сопровождение группы непредсказуемых мобильныхцелевых объектов единичным роботом.В рамках исследования задачи 1 отдельное внимание уделяется важномучастному случаю, когда поле — это расстояние до априори неизвестнойобласти. В этом случае речь идет о локализации и окружении областиза счет выведения группы роботов на эквидистанту области с последующимдвижением и эффективном самораспределении вдоль этой кривой. Для обеихзадач «локализация» понимается как физическое перемещение из случайнойудаленной локации на изолинию и на периметр группы соответственно.Также в обеих задачах после выведения на кривую подразумевается еепоследующее «заметание» за счет постоянного движения вдоль нее.
В задаче 1элементом сцены является скалярное поле, а в задаче 2 — группа мобильныхцелей, в связи с чем сцена оказывается динамической (изменяющейсяво времени).Современное состояние исследований. Перемещение к поставленнойцели в изначально неизвестной среде — ключевая компетенция в мобильнойробототехнике. Множество разнообразных сценариев породило обилие9алгоритмов навигации и управления движением роботов.
До сих пормногие алгоритмические аспекты проблемы представляют собой вызовнаучному сообществу и являются предметом активных исследований.Этому способствует расширение спектра решаемых задач и сферы применениямобильных роботов, а также повышение требований к качеству управления.Одновременно, распространение компактных и недорогих мобильных роботов,с которым многие эксперты связывают потенциал технологического прорыва,актуализирует решение задачи в условиях жестко ограниченных сенсорных,вычислительных, энергетических и коммуникационных ресурсов.Алгоритмический капитал, накопленный в области автономной навигациии управления движением мобильных роботов, подразделяют на методыглобального и локального планирования [2].
Алгоритмы первого типаопираются на построение более или менее полной модели среды, исходяиз априорных и сенсорных данных, и используют эту модель для вычисленияполной траектории, демонстрируя склонность к поиску оптимальныхили субоптимальных решений [2–5]. В случае динамических сред модельвключает прогноз или элементы прогноза; с обзором соответствующих подходовможно ознакомиться в [6–11]. Среди них: метод пространственно-временногоконтинуума [12–14], метод виртуальных препятствий в пространствескоростей [6; 15], планировщики движений неголономных систем [16], а такжедругие методы. Парадигма глобального планирования достаточно естественносочетается с возможностью математически строгих гарантий безопасностии глобальной сходимости к цели.
Однако этот класс алгоритмов подразумеваетлибо обширное априорное знание среды, которое может отсутствоватьна практике, либо построение достаточно подробной модели среды на основесистем технического зрения, что является как минимум отдельной,сложной и ресурсоемкой задачей. Кроме того, для методов глобальногопланирования характерно потребление значительных вычислительныхмощностей и сложность реализации в реальном масштабе времени. Данныефакты опираются на фундаментальный теоретический базис: NP-сложность— маркер отсутствия эффективного решения — доказана для простейшихвариантов задачи динамического планирования движения [17]. Наконец,для алгоритмов глобального планирования характерна «болезненная» реакцияна неполноту и неточность данных, которые в свою очередь характерны10для реальных технических систем. На смягчение отмеченных проблемнацелен метод рандомизации [18; 19], однако его эффект далек от их полногопреодоления.
В целом, плохо предсказуемая (во времени и пространстве)среда оказалась трудно преодолимым рубежом для метода глобальногопланирования, вплоть до алгоритмических отказов; дефицит ресурсов(вычислительной мощности, сенсорных возможностей, электроэнергии,времени и т.п.) существенно усугубляют данную проблему. Указанныепроблемы наследуют разнообразные гибридные подходы, использующиеэлементы глобального планирования [5; 16; 20–23].Алгоритмы локального планирования используют данные датчиково близлежашей части неизвестной среды для итеративного пересчетакраткосрочного маневра. В результате снижается (в сторону реализуемостив реальном масштабе времени) вычислительная нагрузка, а также уровеньтребований к сенсорному оснащению и объему априорных сведений о среде.Сближая (в пределе — сливая) планирование и отслеживание траектории,локальные планировщики требуют повышенного внимания к особенностяммеханики мобильного робота и присущих ей ограничений, например,неголономности или неполноприводности (число приводов меньше числастепеней свободы).
Родовой недостаток локальных методов — сложностьанализа итога их применения. Следствием является часто наблюдаемыйдефицит гарантий глобальной сходимости и неясность общего результатаих применения с открытой возможностью отказа.Ряд методов локального планирования, например, метод динамическогоокна [24; 25], метод кривизны и скорости [26], метод кривизны аллеи [27]предполагает статичную среду. Это частный пример предсказуемой среды,которую, наряду с возможностью измерения вектора скорости элементовсцены, предполагает другой ряд подходов, включая метод виртуальныхпрепятствий в пространстве скоростей и его модификации [15;28], метод конусоввозможных коллизий [29], метод состояний неизбежных коллизий [30; 31].Однако достоверное оценивание вектора скорости элементов сцены являетсясложной и до конца не решенной технической проблемой, в то время какв приложениях предсказуемость сцены варьируется от полной до полногоотсутствия [32].
В середине этого диапазона имеет место предсказуемостьс известной долей неопределенности. В такой ситуации прогноз будущих11состояний сцены часто заменяют построением инклюзивных (верхних) оценокее возможных состояний [6; 33]. Эти и близкие подходы [15; 29–31] фактическинацелены на излишние предосторожности. Поэтому они могут быть поставленыв тупик в сложной, хотя и разрешимой, ситуации, например, в загроможденнойсцене, где верхние оценки могут «закрыть» проходы между препятствиями.Наконец, в труднопредсказуемых сложных средах гарантии безопасностиобычно касаются лишь ближайшего будущего и не простираются до концаэксперимента [33].Как преимущества, так и недостатки локальных планировщиковдостигают пика в ситуации, когда горизонт планирования коллапсируетв точку и алгоритм вырабатывает управление как рефлексоподобную реакциюна текущее наблюдение.
В англоязычной литературе к таким алгоритмамчасто применяют прилагательное реактивные (reactive); в русскоязычнойлитературе иногда используют термин эмерджентные, который однакоявляется заимствованием, по-видимому, из теории искусственного интеллектаи психологии и в связи с системами навигации и управления движениемупотребляется редко (далее в диссертации используется англицизм«реактивный»). Наиболее известные воплощения реактивного подходаопираются на идею искусственного потенциального поля (где традиционнаяпроблема связана с риском появления «ложных» локальных экстремумов)и градиентного подъема/спуска (для решения специальных задач), а такжесо схемами управления, основанными на втором методе Ляпунова.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
