Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом
Рассмотрены основные положения построения системы управления автономным мобильным роботом на основе индуктивных принципов самоорганизации модели. Приведены результаты поиска целевых функций робота и функции классификации объектов по признаку препятствие/не препятствие. Розглянуто основні положення п...
Збережено в:
| Дата: | 2009 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2009
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/5543 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом / А.В. Тырышкин, А.А. Андраханов, А.А. Орлов // Управляющие системы и машины. — 2009. — № 1. — С. 62-68. — Бібліогр.: 22 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859477245353000960 |
|---|---|
| author | Тырышкин, А.В. Андраханов, А.А. Орлов, А.А. |
| author_facet | Тырышкин, А.В. Андраханов, А.А. Орлов, А.А. |
| citation_txt | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом / А.В. Тырышкин, А.А. Андраханов, А.А. Орлов // Управляющие системы и машины. — 2009. — № 1. — С. 62-68. — Бібліогр.: 22 назв. — рос. |
| collection | DSpace DC |
| description | Рассмотрены основные положения построения системы управления автономным мобильным роботом на основе индуктивных принципов самоорганизации модели. Приведены результаты поиска целевых функций робота и функции классификации объектов по признаку препятствие/не препятствие.
Розглянуто основні положення побудови системи керування автономним мобільним роботом на основі індуктивних принципів самоорганізації моделі. Наведено результати пошуку цільових функцій робота та функцій класифікації об’єктів за ознакою перешкода/не перешкода.
Fundamentals of constructing an independent mobile robot’s (AMR) control system on the basis of the inductive principles of the model self-organization are considered. The results of the search for the robot objective functions and the function of the object classification according to the obstacle/not obstacle property are given.
|
| first_indexed | 2025-11-24T11:41:31Z |
| format | Article |
| fulltext |
62 УСиМ, 2009, № 1
Информационные технологии и системы
УДК 004.896:621.865
А.В. Тырышкин, А.А. Андраханов, А.А. Орлов
Применение метода группового учета аргументов для построения
системы управления автономным мобильным роботом
Рассмотрены основные положения построения системы управления автономным мобильным роботом на основе индуктивных
принципов самоорганизации модели. Приведены результаты поиска целевых функций робота и функции классификации объ-
ектов по признаку препятствие/не препятствие.
Fundamentals of constructing an independent mobile robot’s (AMR) control system on the basis of the inductive principles of the
model self-organization are considered. The results of the search for the robot objective functions and the function of the object classi-
fication according to the obstacle/not obstacle property are given.
Розглянуто основні положення побудови системи керування автономним мобільним роботом на основі індуктивних принци-
пів самоорганізації моделі. Наведено результати пошуку цільових функцій робота та функцій класифікації об’єктів за озна-
кою перешкода/не перешкода.
Введение. Успехи различных научных направ-
лений в распознавании образов и управлении
сложными техническими объектами вплотную
подвели человечество к созданию автономных
мобильных роботов (АМР) различного назна-
чения [1]. Существует множество направле-
ний, применяемых для реализации подобных
систем: искусственные нейронные сети, нечет-
кая логика, генетические алгоритмы, автоном-
ное адаптивное управление и другие, а также
сочетание различных методов [1]. Известна
также технология, основанная на применении
индуктивного метода МГУА, эффективно по-
казавшая себя при решении интерполяцион-
ных задач искусственного интеллекта, иден-
тификации нелинейных систем, классифика-
ции образов, прогнозирования и многих дру-
гих применениях [2–4]. Несмотря на множест-
во удачных практических применений, ис-
пользование этого метода в задаче управления
автономными роботами в научно-технической
литературе встречается крайне редко. В част-
ности, известно применение полиномиальной
нейронной сети (ПНС) для планирования тра-
ектории движения АМР [5, 6] и итерационного
алгоритма МГУА для управления подводным
АМР [7]. Однако данный метод может быть
широко использован как при реализации собст-
венно систем управления движением АМР, так
и при реализации других подсистем АМР,
предназначенных для решения сопутствующих
задач: распознавания препятствий и нахожде-
ния целевых функций робота.
Индуктивный подход к построению сис-
тем управления АМР
Итак, можно выделить следующие основные
задачи, стоящие перед разработчиком АМР:
• выполнение целевых задач;
• навигационная робота;
• распознавание объектов;
• автономное энергообеспечение;
• диагностика технического состояния;
• оптимальное управление исполнительны-
ми элементами;
• накопление знаний и адаптация.
Заметим, указанные задачи представлены ук-
рупнено. Так, например, задача навигации ча-
сто разбивается на локальную и глобальную,
включает в себя как краткосрочное прогнози-
рование изменения положения объектов в про-
странстве, так и долгосрочное [8]. Исходя из
этого, авторами была предложена структура
АМР [9], показанная на рис. 1.
УСиМ, 2009, № 1 63
Введенные обозначения: ε – информация о
структуре объекта; L, h, w – геометрические па-
раметры объекта; t° – информация о темпера-
туре объекта; {P} – множество параметров объ-
екта; {X} – множество координат положения
робота на местности; {S} – множество целевых
параметров системы; m – масса комплекса; {T}
– множество, характеризующее техническое
состояние комплекса; {U} – множество управ-
ляющих воздействий; {E} – множество пара-
метров, характеризующее запас автономной
энергии.
В данной схеме задача распознавания объ-
ектов делится на две: задачу распознавания по-
лезных, с точки зрения выполнения целевых
функций робота, объектов и препятствий. Это
связано с тем, что любой объект на пути дви-
жения робота должен в первую очередь рас-
сматриваться как полезный или бесполезный с
точки зрения целей. Классификация объектов
по этому признаку проводится в системе ре-
шений целевых задач (СРЦЗ). Если объект яв-
ляется полезным, то далее рассматриваются ас-
пекты реализации выполнения операций с ним
с учетом параметров робота и целесообразно-
сти его работы. Подробнее эти вопросы рас-
смотрены авторами в работе [10]. Если объект
классифицируется как бесполезный или опе-
рации над ним нереализуемы при реальных
условиях, или выполнение этих операций не-
целесообразно, то происходит оценка объекта
с точки зрения препятствия/не препятствия в
системе распознавания препятствий. При этом
получение информации об объекте проводится
одними и теми же блоками, а переключение
соответствующего потока информации с кана-
ла «А» в СРЦЗ на канал «Б» (в систему распо-
знавания препятствий) и наоборот – проводит-
ся коммутатором по сигналу с системы приня-
тия решений (СПР).
Известно применение метода группового
учета аргументов для решения задач навига-
ции [5, 8], распознавания образов [11–13], ди-
агностики технического состояния объектов
[12, 13], оптимального управления исполни-
тельными элементами [7], накопления знаний
и адаптации [12, 13]. В свою очередь, задачи
навигации, оптимального управления и адап-
тации решались с помощью МГУА для авто-
номных мобильных роботов [5–8]. Однако число
подобных работ в этом направлении невелико,
они выполнялись отдельными коллективами с
большими временными интервалами (1991,
1993, 2002 и 2007 гг.) и связаны, как правило, с
решением какой-либо одной задачи в управле-
нии роботом. Авторам представляется, что ин-
дуктивный подход к самоорганизации моделей
сложных систем, предложенный академиком
А.Г. Ивахненко, может быть более широко
применен для решения большинства задач,
{X}
{S}
{P}
{U}
{E}
m,{T}ε
w
L
h
t0
Global
Positioning
System (GPS)
{S}
{X}
{P}
{U}
{E}
m,{T}ε
w
L
h
t0
Global
Positioning
System (GPS)
Рис. 1. Обобщенная структура АМР
64 УСиМ, 2009, № 1
связанных с проектированием АМР. Примене-
ние именно этого метода позволило бы полу-
чить следующие преимущества:
• широта практических применений МГУА,
касающихся идентификации нелинейных объ-
ектов, управления сложными техническими
объектами, распознавания образов, прогнози-
рования и др., способствует применению этого
метода для решения различных вопросов, свя-
занных с разработкой АМР;
• алгоритмы МГУА являются самоорганизу-
ющимися и не требуют присутствия эксперта;
• применение одного и того же метода к ре-
шению различных задач проектирования АМР
приводит к унификации программных блоков,
упрощающих процесс проектирования робота;
• алгоритмы МГУА относительно легко за-
программировать.
По мнению авторов, все указанные свойства
метода способствуют его инженерному при-
менению, что чрезвычайно важно для разра-
ботки АМР, МГУА имеет свои ограничения.
Однако из всех упомянутых работ очевиден
положительный опыт применения этого мето-
да в решении различных частных задач, свя-
занных с управлением роботом. При этом осо-
бо подчеркивается, что «МГУА – полезный ме-
тод анализа данных для идентификации слож-
ных нелинейных систем» [14–15], а также его
«превосходные интерполяционные свойства»
[5, 6] и «хорошая обобщающая способность
для непредвиденных ситуаций» [8].
Кроме того, МГУА может быть с успехом
применен для решения еще двух задач: распо-
знавания препятствий и поиска целевых функ-
ций, рассматриваемых применительно к про-
ектируемому авторами автономному клюкво-
уборочному комплексу, предназначенному для
работы в условиях естественных болот Том-
ской области.
Автономный клюквоуборочный комбайн
Одно из природных богатств Томской об-
ласти – обширные площади дикоросов (около
1,5 млн га.), в том числе запасы клюквы состав-
ляют (по разным данным) от 25 до 200 тыс. тонн
[16]. Известно, что в США клюква выращива-
ется на искусственных плантациях, что связа-
но с дополнительными финансовыми затрата-
ми. Для Томской области, а также других ре-
гионов России и СНГ клюква является возоб-
новляемым природным ресурсом, который ис-
пользуется крайне нерационально. Это обсто-
ятельство связано с тем, что, во-первых, сбор
клюквы проводится местными жителями вруч-
ную, во-вторых, это возможно только в усло-
виях кочкарных болот, так как ручной сбор в
условиях зыбучих болот крайне затруднителен
и опасен. В связи с этим необходима автомати-
зация сбора клюквы, т.е. создание автономных
клюквоуборочных комбайнов.
Механические клюквоуборочные комбайны
были известны еще в 20-х годах прошлого века
[17]. Эти комплексы были предназначены для
работы на искусственных плантациях и управ-
лялись человеком, а вот автономных клюкво-
уборочных комбайнов для сбора в условиях
естественных болот пока нет.
Ближайший аналог проекта – сельскохозяй-
ственный робот «Lukas», созданный доктором
Бьерном Астрандом и предназначенный для
уборки сорняков на свекольных и капустных
плантациях [18].
Разрабатываемый автономный клюквоубо-
рочный комбайн представляет собой четы-
рехколесное передвижное средство на шинах
низкого давления. Механическая основа комп-
лекса собрана по кинематической схеме «ло-
мающаяся рама», в передней части имеется
уникальный авторский электромеханический
узел сбора, не нарушающий мохового покро-
ва болота.
Согласно ожидаемым технико-экономичес-
ким показателям разрабатываемого комплекса:
при средней скорости 2 км/ч и ширине захвата
узла сбора в 1 м – количество собираемой
клюквы (при поверхностной плотности рас-
пределения клюквы по болоту 100 г/м2) со-
ставит 200 кг/ч., а за сезон – 144 тонны, что
будет стоить порядка 470 тыс. долларов США
в расчете на один комбайн по ценам 2007 г.
Создание комплекса требует решения задач
научного, инженерного, экологического и ор-
УСиМ, 2009, № 1 65
ганизационно-правового характера. Особен-
ность данного робота, в отличие от ближайше-
го аналога, – функционирование в условиях
естественной среды при наличии препятствий,
а также непосредственная связь выполняемых
целевых задач робота с экономическим эффек-
том. Заметим, поверхностное распределение
клюквы по болоту априори не известно. Одна-
ко для обеспечения экономически наиболее
эффективного управления движением робота
необходимо решать задачу прогнозирования и
поиска оптимального пути: в зависимости от
накопленной апостериорной информации о по-
верхностной плотности распределения клюквы
по болоту. При этом в процессе движения ро-
бота необходимо также решать задачу распо-
знавания и обхода препятствий.
Далее приводятся результаты моделирова-
ния для системы распознавания препятствий и
СРЦЗ применительно к разрабатываемому ав-
торами комбайну.
Задача распознавания препятствий
Из рис. 1 видно, что принятие решения осу-
ществляется с учетом сигналов как с системы
распознавания препятствий, так и с других
подсистем. Это обусловлено тем, что один и
тот же объект может быть классифицирован и
как препятствие, и как не препятствие, в зави-
симости от внутренних параметров [9]. Таким
образом, задача распознавания объектов не
сводится только к определению разделяющей
функции в пространстве признаков объекта.
Данный вопрос подробно рассматривается в
работах [9, 10].
Кстати, для решения задачи обхода пре-
пятствий использовалась ПНС [5, 6] путем
задания выборки данных, содержащей пути
обхода препятствий. Такой подход не требу-
ет решения собственно задачи распознавания
препятствий, однако он применим только в
условиях известной статической или слабо-
динамической среды. Для работы в условиях
естественных болот необходимо определение
параметров объекта и нахождение разделяю-
щей функции в пространстве полученных
признаков, а выходная величина становится
дискретной.
В ряде работ была показана эффективность
применения ПНС для задач классификации об-
разов [11, 19, 20], хотя приведенное в работе
[20] сравнение результатов классификации ПНС
с другими нейросетевыми методами свидетель-
ствует о том, что данная технология показыва-
ет результаты как минимум не хуже по крите-
рию процента ошибок на проверочной выборке.
При применении базовой модели ПНС, как от-
мечалось в работе [11], не удается получить
желаемый процент правильного распознавания,
поэтому был использован подход, основанный
на применении модифицированной полиноми-
альной сети. Основное отличие метода заклю-
чается в том, что входные переменные пода-
ются не только на первый слой сети, но и на
каждый последующий, пока уменьшается
ошибка по внешнему критерию. Приведем све-
дения о данных и результатах эксперимента.
Выборка данных состоит из 92 обучающих
и 50 проверочных примеров. В качестве вход-
ных переменных были выбраны следующие
величины: длина объекта L (м), его ширина – w
(м), высота – h (м), температура – t° (°C)
и относительная диэлектрическая проницае-
мость – ε. Геометрические параметры (L, w, h)
объекта получают путем анализа изображения,
оконтуривания объекта и выделения призна-
ков. Информацию о температуре объекта пре-
доставляет блок инфракрасных сенсоров (см.
рис. 1) путем анализа изображения объекта в
инфракрасном спектре. Диэлектрическая про-
ницаемость позволяет оценить характер объек-
та (биологический или искусственный, металл
или диэлектрик), а также, в случае диэлектри-
ков, приблизительно определить материал, из
которого он состоит.
С учетом особенностей среды и комбайна
при составлении выборки данных были приняты
следующие допущения: набор объектов среды
строго ограничен; геометрические параметры
объекта измеряются в диапазоне от нуля до
20 м; температура воздуха изменяется в преде-
лах от –5 до +25°C; комбайн может преодоле-
66 УСиМ, 2009, № 1
вать диэлектрические препятствия, не явля-
ющиеся живыми организмами, высотой до 0,2 м.
На рис. 2 показана структура ПНС распо-
знавания препятствий. Число нейронов, отби-
раемых на каждом ряду сети, равное четырем в
соответствии с выражением, приведенным в
работе [19]. Оценка выходной функции по
критерию регулярности составила 0,055 при
проценте ошибок на проверочной выборке,
равном 12%. В связи с тем что зыбучее болото
представляет собой открытое пространство с
ограниченным кругом препятствий и относи-
тельно малой вероятностью встретить биоло-
гический объект, то данный процент ошибок
является вполне приемлемым результатом.
Следует отметить, что робот снабжен перед-
ним тактильным датчиком для аварийной за-
щиты от неправильного распознавания.
Уравнения для нейронов или частных опи-
саний имеют следующий вид:
1 2
2
2
0.7512 0.0071 0.0034
0.0062 0.0707 0.0855 ;
F w h h
w h w
= − ⋅ ⋅ − ⋅ −
− ⋅ + ⋅ + ⋅
( )
( )
1 5 7 2
3
2
1 5 7 2
4
2
22 1 1 1
2 2 4 4
21
2 4
0.7673 4.569 10 2.157 10
0.0033 0.0004 0.0700 ;
0.9573 9.4863 10 2.500 10
0.0003 0.0003 0.0500 ;
14.805 11.213 1.8830
7.9610 7.0944
F h t t
h t h
F L t t
L t L
F F F F
F F
− −
− −
= − ⋅ ⋅ ⋅ − ⋅ ⋅ −
− ⋅ + ⋅ + ⋅
= + ⋅ ⋅ ⋅ − ⋅ ⋅ +
+ ⋅ + ⋅ − ⋅
= − − ⋅ ⋅ + ⋅ −
− ⋅ + ⋅
( )
( )
( )
( )
1 1
2
22 1 1 1
4 3 4 4
21 1 1
3 4 3
3 2 2
2 2
22 2
2 2
3 2 2
1 4
22
4
26.054 ;
11.692 7.0954 0.3786
7.0856 5.8304 20.631 ;
2.7575 0.2089 0.0060
3.0244 0.2438 6.7788 ;
6.290 0.3085 0.0054
7.296
F
F F F F
F F F
F F L L
F L F
F F L L
F
+ ⋅
= − − ⋅ ⋅ + ⋅ −
− ⋅ + ⋅ + ⋅
= − − ⋅ ⋅ − ⋅ −
− ⋅ + ⋅ + ⋅
= − − ⋅ ⋅ − ⋅ −
− ⋅
( )
( )
2
4
24 3 3 3
1 1 2 2
23 3 3
1 2 1
0.3526 14.5629 ;
1.3182 3.2282 1.5832
0.0329 0.6605 3.3386 .
L F
F F F F
F F F
+ ⋅ + ⋅
= − − ⋅ ⋅ + ⋅ −
− ⋅ + ⋅ + ⋅
Порог выходной функции выбран 0,5 (пре-
пятствие, если 1
4 0,5F ≥ ).
Интересно, что частные описания, содержа-
щие параметр ε , оказываются не востребован-
ными при формировании первого и последую-
щих слоев сети, поэтому выходная функция не
зависит от представлявшегося нам важным па-
раметра. При этом полученная функция при
дальнейшем тестировании обеспечивает при-
емлемый результат. Этот пример служит под-
тверждением необходимости предоставления
«максимальной свободы действий вычисли-
тельной машине» [21].
L
w
h
t
ε
Рис. 2. Структура распознающей модифицированной ПНС
Нахождение целевых функций АМР
Что касается СРЦЗ, то обычно целевая функ-
ция явным или неявным способом закладыва-
ется в систему управления АМР на этапе его
проектирования. В работе [22] рассмотрен во-
прос о трансформации целевых функций и при-
менении технологии искусственных нейрон-
ных сетей для их нахождения. Предложено так-
же находить целевые функции с помощью ал-
горитмов МГУА, решать другие задачи, свя-
занные с СРЦЗ [10].
Кроме того, необходимо отметить, что все
целевые функции можно разделить на функ-
ции жизнеобеспечения и функции целевого на-
значения. К функциям жизнеобеспечения от-
носятся функции контроля автономного энер-
гообеспечения и технического состояния ос-
новных узлов АМР, а также проверка целесо-
образности (в том случае, когда выполнение
целей может приводить к выходу системы из
строя). В рассматриваемом АМР под жизне-
обеспечением подразумевается контроль авто-
номной энергии (запас топлива, энергия акку-
муляторных батарей). Контроль же целесооб-
разности можно свести к тому, что при запол-
нении контейнера и достижении определенной
УСиМ, 2009, № 1 67
массы сбор клюквы прекращается до освобож-
дения робота от нагрузки.
В качестве целевых функций назначения
для автономного клюквоуборочного робота
можно выделить следующие: F(mкл., Δt) – мак-
симальный сбор клюквы за заданное время;
F(mкл., t) – максимальная скорость сбора клюк-
вы; F(mкл., mтоп.) – максимальный сбор клюквы
при минимальных затратах топлива, где
mкл., mтоп. – масса клюквы и топлива соответст-
венно.
Выборка данных из 280 примеров была по-
делена на две равные части: обучающую и
проверочную. На этапе моделирования целе-
вых функций для данного АМР выбраны сле-
дующие параметры: ρкл. (кг/м2) – поверхност-
ная плотность распределения клюквы на 1 м2
болота; Vср (км/ч) – средняя скорость АМР за
один шаг; Δt (ч) – промежуток времени сбора
клюквы; Pтоп. (л/100 км) – расход топлива дви-
гателем АМР за один шаг; η (%) – коэффици-
ент собираемости клюквы.
Под шагом АМР понимается прохождение
определенного отрезка пути, выбранного в
данном случае 1 м, но благодаря тому, что эф-
фективная ширина полосы сбора клюквы спе-
циально разработанным авторами механиче-
ским узлом сбора также составляет 1 м, то за
один шаг АМР имеет возможность собрать
клюкву с 1 м2 площади болота.
Однако с учетом особенностей среды и
самого комбайна при составлении выборки
данных были приняты следующие допуще-
ния: поверхностная плотность распределения
клюквы по болоту изменяется в пределах от
нуля до 1 кг/м2; коэффициент собираемости
клюквы уменьшается по нелинейному закону
от 75 до 20% при изменении скорости от ну-
ля до 7 км/ч; расход топлива увеличивается по
нелинейному закону от 150 до 600 л/100 км при
увеличении средней скорости движения Vср,
при Vср ∈ (0;7].
В связи с тем, что, в отличие от задачи рас-
познавания препятствий, выходная величина
является непрерывной и количество перемен-
ных относительно невелико, то для поиска це-
левой функции был использован классический
комбинаторный алгоритм МГУА.
Результаты моделирования приведены ниже:
( ) ( )
( )
2
кл. кл. ср
2
кл. ср ср
, 0,057
11,86 0,012 ,
F m t V
V t V t
Δ = ⋅ ρ ⋅ ⋅η+
+ ⋅ρ ⋅ ⋅η⋅Δ + ⋅ ⋅η⋅ Δ
(1)
( )
( )
3 2
кл.
2
кл. ср кл. ср
, 6,684 10
11,77 0,693 ,
F m t
V V t
−= ⋅ ⋅η +
+ ⋅ρ ⋅ ⋅η+ ⋅ρ ⋅ ⋅
(2)
( )
( )
3 2
кл. топ. кл.
2
ср кл.
топ. топ.
, 4,874 10
1 137,4 1257 .
F m m
V
P P
−= − ⋅ ⋅ρ ⋅η +
+ ⋅ ⋅ + ⋅ρ ⋅η⋅ (3)
Оценка по критерию регулярности состав-
ляет 4108,3 −⋅ , 3106,8 −⋅ и 3108,1 −⋅ соответствен-
но для выражений (1), (2) и (3). В работе [2]
был предложен перекрестный критерий мини-
мума смещения модели. Оценки по этому кри-
терию составили соответственно 3108,9 −⋅ , 0,9
и 1,6. Интересно отметить, что выражения (1)
и (2), хотя и представляют собой нефизические
зависимости, как и выражение (3), однако со-
держат также члены, имеющие физическую
интерпретацию.
Заключение. Результаты исследований сви-
детельствуют о том, что задачи навигации, оп-
тимального управления исполнительными
элементами и адаптации решаемы с помощью
МГУА. Кроме того, диагностика технического
состояния сложных объектов также реализуе-
ма с помощью МГУА [12–13]. Приемлемая
точность полученных авторами результатов
свидетельствует о возможности применения
МГУА для решения задач распознавания пре-
пятствий и поиска целевых функций робота.
Таким образом, весь круг проблем, связанных
с управлением роботом, решаем с помощью
МГУА, что может сделать технологию самоор-
ганизации моделей сложных систем основой
для разработчиков АМР.
1. Андраханов А.А. Автономные мобильные роботы:
современные разработки и методы управления //
Материалы IX Междунар. конф. «Кибернетика и
высокие технологии XXI века», Воронеж: Изд-во
ВГУ, 2008. – Т. 2. – С. 1141–1152.
68 УСиМ, 2009, № 1
2. Inductive Method Permitting to Choose Model with
Least Error and Least Bias Allowing the Solve Inter-
polation Tasks of Artificial Intelligence / A.G. Ivakh-
nenko, E.A. Savchenko, G.A. Ivakhnenko et al. –
http://www.gmdh.net/articles/applic/laws_eng.pdf
3. Kondo T. GMDH Neural Network Algorithm Using
the Heuristic Self-Organization Method and Its Appli-
cation to the Pattern Identification Problem // Proc. of
the 37th SICE Annual Conf., July, 1998. – P. 1143–
1148.
4. Ivakhnenko A.G., Ivakhnenko G.A. The Review of
Problems Solvable by Algorithms of the Group
Method of Data Handling // Pattern Recognition and
Image Analysis. – 1995.. – 5, № 4. – P. 527–535.
5. Philip Chen C.L., Ahmed F. Polynomial Neural Net-
works Based Mobile Robot Path Planning // Proc. of
SPIE Conf. «Applications of Artificial Intelligence». –
1993. – 1964. –– P. 320–326.
6. Ahmed F., Philip Chen C.L. An Efficient Obstacle Avoi-
dance Scheme in Mobile Robot Path Planning using
Polynomial Neural Networks // Proc. of the IEEE Na-
tional Aerospace and Electronics Conf. – 1993. – 2. –
P. 848–850.
7. Nonliner Control for Autonomous Underwater Vehi-
cles Using Group Method of Data Handling / T. Ko-
bayashi, K. Onji, J. Imae et al. // Proc. of Intern. Conf.
on Control, Automation and Systems, Seoul, Korea,
2007. – P. 695–700.
8. Foka A.F., Trahanias P.E. Predictive Autonomous
Navigation // Proc. of IEEE/RSJ Conf. on Intelligent
Robots and Systems. – 2002. – 1. – P. 490–495.
9. Tyryshkin A.V., Andrakhanov A.A. Capability of GMDH
Algorithms Application to Recognition of Irregulari-
ties in Autonomous Mobile Complexes // 8th Intern.
Conf. «Pattern Recognition and Image Analysis: New
Information Technologies» (PRIA–8–2007): Conf.
Proc. – Yoshkar-Ola, 2007. – 2. – P. 368–371.
10. Тырышкин А.В., Андраханов А.А. Целевые аспекты
построения системы управления автономным мо-
бильным роботом на основе дважды многорядных
нейронных сетей МГУА с активными нейронами //
Материалы IV Междунар. конф. «Методы и средства
управления технологическими процессами –
2007», Саранск: Изд-во Мордов. ун-та, 2007. –
С. 237–243.
11. Pattern Classification using Polynomial Neural Net-
work / B.B. Misra, S.C. Satapathy, B.N. Biswal et. al.
// Proc. of IEEE Intern. Conf. on Cybernetics and In-
telligent Systems, 2006. – P. 1–6.
12. Аралбаев Т.З. Об одной модели адаптивной само-
организующейся технической системы распознава-
ния образов // Вест. Оренбург. гос. ун-та. – 2004. –
№ 2. – С. 194–197.
13. Аралбаев Т.З. Теоретические и прикладные аспек-
ты построения адаптивных мажоритарных уст-
ройств распознавания образов // Там же. – 2002. –
№ 5. – С. 131–136.
14. Philip Chen C.L., McAulay A.D. Robot Kinematics Com-
putations Using GMDH Learning Strategy // Proc. of
IJCNN–91–Seatlle Intern. Joint Conf. on Neural Net-
works. – 1991. – 2. – P. 999.
15. Philip Chen C.L., McAulay A.D. Robot Kinematics
Learning Computations Using Polynomial Neural Net-
works // Proc. of IEEE Conf. on Robotics and Auto-
mation. – 1991. – 3. – P. 2638–2643.
16. Методическое пособие по заготовкам дикоросов
на территории Томской области / А.М. Адам, А.И. Та-
ловский, Е.Е. Тимошок и др. – Томск, 2006. –
С. 11–12.
17. Maglathlin H.B. Cranberry Harvesting Apparatus
// Pat. US N 1629831. – Publ. 24.05.1927.
18. Astrand B., Baerveldt A.-J. An Agricultural Mobile
Robot with Vision-Based Perception for Mechanical
Weed Control // Autonomous Robots. – 2002. – 13. –
P. 21–35.
19. Schetinin V. Polynomial Neural Networks Learnt to
Classify EEG Signals // Proc. of NIMIA–SC2001,
Italy, 2001. – P. 155–162.
20. Sadjadian H., Taghirad H.D. Neural Networks Ap-
proaches for Computing the Forward Kinematics of a
Redundant Parallel Manipulator // Intern. J. of Compu-
tational Intelligence. – 2005. – 2, № 1. – P. 40–47.
21. Ивахненко А.Г. Долгосрочное прогнозирование и
управление сложными системами // К.: Технiка,
1975. – 8 с.
22. Самарин А.И. Модель адаптивного поведения мо-
бильного робота, реализованная с использованием
идей самоорганизации нейронных структур // IV Все-
рос. науч.-техн. конф. «Нейроинформатика-2002».
Материалы дискуссии «Проблемы интеллектуаль-
ного управления – общесистемные, эволюцион-
ные и нейросетевые аспекты». – М.: МИФИ,
2003. – С. 106–120.
© А.В. Тырышкин, А.А. Андраханов, А.А. Орлов, 2009
|
| id | nasplib_isofts_kiev_ua-123456789-5543 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0130-5395 |
| language | Russian |
| last_indexed | 2025-11-24T11:41:31Z |
| publishDate | 2009 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| record_format | dspace |
| spelling | Тырышкин, А.В. Андраханов, А.А. Орлов, А.А. 2010-01-26T11:31:17Z 2010-01-26T11:31:17Z 2009 Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом / А.В. Тырышкин, А.А. Андраханов, А.А. Орлов // Управляющие системы и машины. — 2009. — № 1. — С. 62-68. — Бібліогр.: 22 назв. — рос. 0130-5395 https://nasplib.isofts.kiev.ua/handle/123456789/5543 004.896:621.865 Рассмотрены основные положения построения системы управления автономным мобильным роботом на основе индуктивных принципов самоорганизации модели. Приведены результаты поиска целевых функций робота и функции классификации объектов по признаку препятствие/не препятствие. Розглянуто основні положення побудови системи керування автономним мобільним роботом на основі індуктивних принципів самоорганізації моделі. Наведено результати пошуку цільових функцій робота та функцій класифікації об’єктів за ознакою перешкода/не перешкода. Fundamentals of constructing an independent mobile robot’s (AMR) control system on the basis of the inductive principles of the model self-organization are considered. The results of the search for the robot objective functions and the function of the object classification according to the obstacle/not obstacle property are given. ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Информационные технологии и системы Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом Application of the Group Method of Data Handling for the Construction of Independent Mobile Robot’s Control System Construction Article published earlier |
| spellingShingle | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом Тырышкин, А.В. Андраханов, А.А. Орлов, А.А. Информационные технологии и системы |
| title | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом |
| title_alt | Application of the Group Method of Data Handling for the Construction of Independent Mobile Robot’s Control System Construction |
| title_full | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом |
| title_fullStr | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом |
| title_full_unstemmed | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом |
| title_short | Применение метода группового учета аргументов для построения системы управления автономным мобильным роботом |
| title_sort | применение метода группового учета аргументов для построения системы управления автономным мобильным роботом |
| topic | Информационные технологии и системы |
| topic_facet | Информационные технологии и системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/5543 |
| work_keys_str_mv | AT tyryškinav primeneniemetodagruppovogoučetaargumentovdlâpostroeniâsistemyupravleniâavtonomnymmobilʹnymrobotom AT andrahanovaa primeneniemetodagruppovogoučetaargumentovdlâpostroeniâsistemyupravleniâavtonomnymmobilʹnymrobotom AT orlovaa primeneniemetodagruppovogoučetaargumentovdlâpostroeniâsistemyupravleniâavtonomnymmobilʹnymrobotom AT tyryškinav applicationofthegroupmethodofdatahandlingfortheconstructionofindependentmobilerobotscontrolsystemconstruction AT andrahanovaa applicationofthegroupmethodofdatahandlingfortheconstructionofindependentmobilerobotscontrolsystemconstruction AT orlovaa applicationofthegroupmethodofdatahandlingfortheconstructionofindependentmobilerobotscontrolsystemconstruction |