Интеллектуализация систем управления и навигации

а). Интеллектуальные системы управления мобильными роботами

Расширение исследований по прикладному использованию методов и тех­нологий искусственного интеллекта в задачах мобильной робототехники по­зволили создать варианты интеллектуальных систем управления роботами с широким набором возможностей по планированию целесообразных действий и поведения в априорно неизвестных условиях при наличии внешних возмущений случайного характера[68, 73, 94, 99, 130, 131, 156].

• сложность формализованного описания объекта и задач управления с уче­том погрешностей вычислений и измерений;

• нечеткость целей функционирования и задач управления;

• нестационарность параметров объекта и системы управления;

• априорная неопределенность обстановки и условий функционирования;

• наличие случайных воздействий внешней среды.

• Фундаментальную основу концепции построения интеллектуальных систем управления роботами и другими сложными динамическими объектами со­ставляют три ключевых положения [68, 73, 130,131,156]:

• развитие принципа ситуационного управления, когда каждому классу воз­можных состояний ставится в соответствие определенный класс допусти­мых решений;

• принцип иерархической организации интеллектуальной СУ, включающей в свой состав стратегический уровень планирования поведения, тактический уровень планирования действий, исполнительный уровень реализации дви­жений и комплекс информационно-измерительных средств;

• принцип обоснованного выбора интеллектуальных технологий, используе­мых для решения задач отдельных уровней иерархии управления.

Интеллектуальная СУ должна обладать способностью к [129]:

• анализу ситуаций, оценке обстановки и собственного состояния на основе обработки сенсорной информации;

• автоматическому формированию модели внешнего мира и формализации на основе анализа разрозненных фактов;

• планированию целесообразных действий и поведения на основе анализа за- дачно-ориентированных указаний;

• самообучению и проведению самодиагностики;

• обобщению знаний, накопленного опыта и типовых ситуаций;

• логическому выводу на основе знаний, выполнению прогнозов;

• моделированию ситуаций, представленных на уровне естественного языка.

Работы над созданием систем управления интеллектуальных мобильных роботов (ИМР) на базе однородных нейроподобных структур, реализующих нецифровые методы обработки информации, присущие мозгу человека прово­дятся в НИИ MBC (г. Таганрог) [73]. Бортовая СУ данных ИМР построена на базе нейроподобной структуры, содержащей 4096 элементарных нейропроцес­соров. Ввод информации о среде движения в систему осуществляется C ПОМО­

щью сканирующего лазерного дальномера и телекамеры. Система обеспечивает автономное движение ИМР по заранее неизвестной пересеченной местности к последовательности из 16 целей со скоростью до 10 км/час.

Групповое управление мобильных роботов

При решении сложных задач (исследование и зондирование поверхности других планет, сборка сложных конструкций в космосе и под водой, участие в боевых и обеспечивающих операциях, разминирование территорий) рацио­нально применение группы MP при их взаимодействии, что обеспечит их большую живучесть и вероятность выполнения задания в неблагоприятных ус­ловиях внешних или противодействующих воздействий [72-75]. Каждый ИМР коллектива самостоятельно принимает решение о своих текущих действиях на основе воспринимаемой им информации об окружающей обстановке и реше­ний, принятых остальными ИМР коллектива. Данный подход реализуется рас­пределенной системой планирования действий группы роботов, как совокуп­ность одинаковых модулей планирования действий всех роботов, функциони­рующих в условиях заранее неизвестной и динамически изменяющейся ситуа­ции. В работе [71] при рассмотрении задачи управления взаимосвязанными действиями группы объектов в условиях заранее неизвестной ситуации пред­ложены принципы организации и функционирования распределенных систем группового управления, реализующих итерационную процедуру оптимизации коллективных действий. В работе [191] сформулированы принципы групповой организации и управления коллектива роботов, среди которых:

1. Структуры групп роботов должны быть иерархическими с функциональ­ной специализацией по уровням и оптимальными значениями численности на каждом уровне.

2. Одни и те же объекты управления могут входить в состав двух и более структур, преследующих разные, но не антагонистические цели

3. Управление этими структурами должно быть иерархическим и комбини­рованным, сочетая принципы централизованного (вертикального) и децентра­лизованного (горизонтального) управления. Первый реализует общесистемные цели, а второй осуществляет координацию действий членов своей группы и адаптацию к местным условиям.

4. Эволюция развития технических систем группового управления идет в направлении увеличения децентрализации (управления на местах) с сохранени­ем за центром только обеспечения общесистемных (пока не поддающихся де­композиции) функций группы.

При навигации, действующие совместно в некоторой области роботы могут уточнять друг у друга свои координаты, сравнивать взаимное положение и бы­стро передвигаться. Для управления группой роботов в режиме передвижения («движение цепочкой», «гонка за лидером»), и в режиме исследования местно­сти («расхождение», «схождение», «свободный поиск») могут использоваться алгоритмы, основанные на методе потенциалов [151].

Управление при неопределенности знаний о внешних условиях или со­стоянии MP

Задача управления движением при неопределенности внешних условий и непол­ном измерении вектора состояния объекта является одной из актуальных задач мобильной робототехники[33]. C оператора MP можно снять целый ряд однооб­разных, повторяющихся функций (выполнение типовых маневров, движение в ус­тановившихся режимах) поручив ему задачи задания цели, выбора режима движе­ния, точного позиционирования, объезда внезапно появившихся препятствий, т. е. работы MP в нестандартных ситуациях. В такой полуавтоматической системе появ­ляется возможность для накопления и использования положительного и негативно­го опыта оператора по управлению объектом в различных ситуациях. Подсистема автоматического управления движением может аккумулировать решения в режиме «off-line», полученные от оператора, а также с помощью компьютерного модели­рования и приобретать интеллектуальные свойства, которые впоследствии могут передаваться другому оператору [87, 159], что позволит обеспечить качество управления почти такое же, как и в случае «оператора - эксперта».

В работе [171] для MP, функционирующих в недетерминированных услови­ях, когда поведение среды заранее неизвестно, предлагается использование принципов самообучения с подкреплением. В случае успешной работы системы подкрепление растет, в противном случае - падает. Алгоритм такой подстройки известный как SSA (Success Story Algorithm), предлагается реализовать на ос­нове принципа SMP (Self-Modifying Policies), заключающегося в том, что пра­вила, заложенные в систему, включают в себя правила, изменяющие самих се­бя [344]. Рассмотренный подход весьма эффективен при управлении MP, пере­мещающимися в реальной среде с заранее неизвестными препятствиями. В НУЦ «Робототехника» МГТУ им. Н.Э. Баумана разработан гусеничный MP [171] в котором для технической реализации принципа SMP использована двухкомпонентная нейросеть, построенная по топологии т.н. «внутренний учи­тель». Политика самообучения реализована компонентой УЧИТЕЛЬ. В процес­се работы системы эти правила применяются к компоненте управления объек­

том РЕШАТЕЛЬ, изменяя его работу. Такая адаптивная система управления по­зволяет объекту приспосабливаться к определенным препятствиям и быстро перенастраиваться при появлении новых препятствий.

Управление MP в условиях неопределенности с применением аппарата нечетких множеств

Одно из основных направлений, получивших значительное развитие в по­следнее время при организации управления MP в условиях неопределенности, это применение аппарата нечетких множеств для описания ситуаций и приня­тия решений [90, 132, 196]. Целесообразность использования такого подхода обусловлена тем, что показания сенсоров робота, как правило, неточны и по­зволяют только приблизительно, качественно определить ситуацию. При управлении MP оператором, обучении робота и при формировании экспертных оценок и правил поведения, человек также использует нечеткие пространствен­но-временные отношения, свойственные его восприятию структуры РП, кото­рое существенно отличается от традиционных математических моделей. При­менение нечетких представлений дает значительные преимущества при реше­нии сложных задач в условиях неопределенности за счет того, что число нечет­ких, плохо детализированных правил оказывается существенно меньше, чем число соответствующих правил, определенных обычным путем [157, 194].

Развитие методов управления MP с помощью голоса

Одна из ключевых проблем разработки автономных интеллектуальных ро­ботов связана с организацией человеко-машинного интерфейса, предназначен­ного для ввода команд с помощью средств естественного или близкого к нему языка с их последующим преобразованием в автоматически реализуемые сце­нарии поведения и последовательности исполняемых действий [193].

Реализация человеко-машинного интерфейса предполагает поддержание диалога на уровне естественного языка с речевым и символьным вво- дом/выводом и естественно-языкового обучения понятиям и общим закономер­ностям, признакам объектов и ситуаций, правилам целесообразного поведения

в типовых ситуациях. Для этих задач предложены принципы построения, а также архитектура обучающейся системы семантического анализа и интерпре­тации текстовой информации [129]. Особенно актуальна проблема управления с помощью голосовых команд для сервисных роботов, которые рассматриваются как потенциальные помощники для обслуживающего персонала социальных учреждений и одиноких престарелых людей [339]. В таких роботах в числе первоочередных наряду с распознаванием образов и создания надежных мето­дов навигации стоят задачи распознавания речи. Например, в работах [304,360] рассматривается методы и технологии, которые могут использоваться для управления поведением интеллектуального мобильного сервисного робота не­посредственно голосом или с помощью сотового телефона.

б). Интеллектуальные системы навигации

Интеллектуальный робот строит собственный образ РП, в котором ему при­ходится действовать, после чего формирует маршрут и движется по нему, по­стоянно сопоставляя свою карту РП с данными, полученными от устройств на­вигации.

Большинство разработанных систем навигации и управления MP основы­ваются на клеточном, контурном и графовом способах формирования модели внешней среды (MBC) [76, 149]. Клеточная модель при малой детализации опи­сывает РП робота неточно, но при большей детализации резко увеличиваются вычислительные затраты. Напротив, контурная модель точно описывает мест­ность с помощью аппроксимации однородных областей многоугольниками, но имеет очень сложную структуру карты, в которой существуют разрывы или не­совпадающие границы между соседними областями. Из-за этого маршрут MP может быть не найден или быть не оптимальным. MBC на основе графовых представлений является абстрактной и не содержит всей топографической ин­

формации о рабочем районе робота [248]. Поэтому найденный на графе мар­шрут MP не всегда оказывается оптимальным на реальной местности. В рабо­те [50] предлагается формировать оптимальный маршрут путем дополнения к графовой MBC топографической информации о местности в виде линейных ориентиров с использованием методов многомерной градиентной оптимизации.

Несмотря на сложность задачи формирования модели MBC и формирова­ния маршрута некоторые роботы при нахождении внутри типовых зданий с же­стко предопределенной геометрией уже способны за секунду создавать вполне точный трехмерный образ окружающей среды. Следующие модели будут уже в обязательном порядке снабжаться функциями построения карты и ее сопостав­ления с исходным готовым вариантом. Если расположение робота на карте определено, его навигация упрощается.

Существует концепция абстрактного описания окружающего робот про­странства. В ее рамках робот исследует мир, не переводя его в формальное, смысловое или топографическое представление (привычных человеку объектов - «холм» или «яма»), но выделяя в ходе исследования характерные признаки наиболее выдающихся элементов внешней среды для идентификации своего местоположения. Эта концепция оказалась работоспособной в экспериментах с роботами, путешествующими внутри зданий, где число внешних объектов ог­раниченно (стены, коридоры, комнаты, столы, стулья, двери и ступени). В пер­спективе, эту концепцию можно распространить и на рабочее пространство с визуальными ориентирами различных типов. Взаимное расположение ориен­тиров определенного типа и их расположение относительно робота может позволить идентифицировать местоположение MP даже в условиях неполного описания рабочего пространства.

Навигация в интеллектуальных MP в условиях неопределенности

Проблема управления и навигации MP в условиях неопределенности являет­ся актуальной для современной мобильной робототехники [34, 277].Напри­мер, задача навигации и определения положения робота при неопределенных условиях сцепления колес с поверхностью и неполном измерении вектора со­стояния рассматривалась в работе [33]. Была предложена структура системы управления, для функционирования которой требовалось путем интегрирова­ния уравнений математической модели вычислять оценки абсолютных коорди­нат MP, которые периодически необходимо было корректировать.

Одной из важных является проблема автоматической прокладки маршрута MP и эффективного его исполнения в сложной априори неформализованной ес­

тественной среде. В работах [76, 187] предложен бионический метод решения данной проблемы на базе нейросетевых систем управления. Метод состоит в том, что в процессе взаимодействия MP с неформализованной внешней средой, в его нейросетевой системе управления периодически перед началом каждого элементарного действия, воспроизводится план среды, формируемый сенсор­ной системой, который отображается в состояниях нейроэлементов физически реализованной бортовой планирующей нейросети и на ней отыскивается гради­ент функционала, определяемого множеством возможных траекторий достиже­ния цели. После этого нейросетевой системой принятия решений формируется, а исполнительными устройствами робота отрабатывается элементарное пере­мещение вдоль вектора антиградиента функционала, найденного на плане сре­ды в нейросетевой системе управления.

В работе [188] рассматривается СУ MP, в которой глобальные маршруты формируются нейросетевым планировщиком стратегического уровня, а ло­кальные траектории формируются в бортовом спецвычислителе и реализуются синергетическим регулятором, рассмотренного в работе [160] типа. При этом глобальные маршруты требуемых перемещений формируются нейросетевой системой принятия решений, а контуры препятствий, при необходимости, из­влекаются из плана проходимости среды в виде их бинарных изображений и попадают в бортовой спецвычислитель, где аппроксимируются кривыми второ­го порядка и представляются в виде предназначенных для отработки локаль­ных траекторий, которые с точками позиционирования в фазовом пространстве робота трансформируются в притягивающие многообразия - аттракторы, т.е. становятся асимптотически устойчивыми в целом решениями замкнутых сис­тем. Предлагаемый подход [188] позволяет увеличить точность исполнения спланированных на нейросетевом стратегическом уровне маршрутов.

1.5.