Управление интеллектуальным роботом в условиях помех

Разработана методика построения интеллектуальным роботом модели ситуации, в которой он находится. На основе построенной модели прогнозируется развитие ситуации с течением времени. Разработана также методика построения интеллектуальным роботом модели управления ситуацией, к...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2008
Автори:	Кук, Ю.В., Лаврикова, Е.И.
Формат:	Стаття
Мова:	Російська
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2008
Теми:	Управление и информационное обеспечение мехатронных и робототехнических систем
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/7044
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:	Управление интеллектуальным роботом в условиях помех / Ю.В. Кук, Е.И. Лаврикова // Штучний інтелект. — 2008. — № 3. — С. 441-450. — Бібліогр.: 5 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860088795447164928
author	Кук, Ю.В. Лаврикова, Е.И.
author_facet	Кук, Ю.В. Лаврикова, Е.И.
citation_txt	Управление интеллектуальным роботом в условиях помех / Ю.В. Кук, Е.И. Лаврикова // Штучний інтелект. — 2008. — № 3. — С. 441-450. — Бібліогр.: 5 назв. — рос.
collection	DSpace DC
description	Разработана методика построения интеллектуальным роботом модели ситуации, в которой он находится. На основе построенной модели прогнозируется развитие ситуации с течением времени. Разработана также методика построения интеллектуальным роботом модели управления ситуацией, которая учитывает прогноз развития ситуации. Розроблено методику побудови інтелектуальним роботом моделі ситуації, у якій він перебуває. На основі побудованої моделі прогнозується розвиток ситуації із часом. Розроблена також методика побудови інтелектуальним роботом моделі керування ситуацією, яка враховує прогноз розвитку ситуації The technique of construction is developed by the intellectual robot of model of a situation in which it is. On the basis of the constructed model development of a situation eventually is predicted. The technique of construction by the intellectual robot of model of management of a situation which considers the forecast of development of a situation is developed also.
first_indexed	2025-12-07T17:22:00Z
format	Article
fulltext	«Штучний інтелект» 3’2008 441 6К УДК 519.95 Ю.В. Кук, Е.И. Лаврикова Институт кибернетики имени В.М. Глушкова НАН Украины, г. Киев, Украина 1913@i.com.ua Управление интеллектуальным роботом в условиях помех Разработана методика построения интеллектуальным роботом модели ситуации, в которой он находится. На основе построенной модели прогнозируется развитие ситуации с течением времени. Разработана также методика построения интеллектуальным роботом модели управления ситуацией, которая учитывает прогноз развития ситуации. Введение Одной из важнейших задач современной робототехники является задача управле- ния интеллектуальным роботом в условиях помех. Рассмотрим, например, робота- охранника. Первый робот-охранник под названием MOSRO 1 (аббревиатура от (Mobile Security-Robot System)) был создан берлинской фирмой Robowatch Technologies в 2000 году. В этого сравнительно небольшого по размерам и весу робота (высота – 116 см, диаметр – 30 см, вес – 25 кг) встроено 240 сенсоров, которые могут отслежи- вать движение, наличие дыма и газа, также имеются в наличии микрофоны, камеры, средства коммуникации с центральным постом по радио, ISDN или GSM/GPRS- стандартам. Специально разработанная технология позволяет производить автоном- ное инспектирование охраняемого помещения в течение 18 часов со скоростью 4 км/час, что сравнимо со скоростью передвижения обычного человека. MOSRO 1 определяет потенциальную опасность, такую, как дым, наличие газа, ненормальную разницу температур, движущиеся объекты в темноте или через стены без непо- средственного участия человека. Робот может говорить на 24 языках посредством громкоговорителя. Если робот определил человека, попавшего в охраняемую зону, и идентификация отпечатка его пальца не выдает положительный результат, MOSRO 1 поднимает тревогу и передает необходимые данные на командный центр. Роботы- охранники – это не такая уже и бесполезная вещь. Они исключают так называемый человеческий фактор, при этом занимают мало места и при желании могут быть незаметными. Современные средства коммуникаций позволяют производить удален- ное управление такими машинами и в будущем вполне возможен вариант активного внедрения подобных систем. Не стоит забывать и о другом факторе. Если преступник общается с роботом, то это несколько другой тип общения, нежели бы он встретился с человеком-охранником. Кстати, американская полиция уже вводит в практическое использование роботов-полицейских, которые оказались эффективными в борьбе с преступностью. Правда, как и MOSRO, они пока дорого стоят. Блок обработки сигналов, получаемых с датчиков робота, должен обеспечивать надежное распозна- вание полезных сигналов на фоне помех. Например, у роботов-охранников широко используются инфракрасные датчики. Для этих датчиков основными источниками помех являются источники тепла, климатические и холодильные установки, конвек- ционное движение воздуха, солнечная радиация и искусственные источники света, Кук Ю.В., Лаврикова Е.И. «Искусственный интеллект» 3’2008 442 6К электромагнитные помехи, радиопомехи от транспорта с электродвигателями, от электросварки, от линий электропередач, от мощных радиопередатчиков, электро- статические разряды, сотрясения и вибрации, термическое напряжение линз, насе- комые и мелкие животные. Выделение блоком обработки полезного сигнала на фоне помех основано на анализе параметров этого сигнала. Как известно, вследствие слу- чайного характера полезных и шумовых сигналов наилучшими являются алгоритмы обработки, основанные на теории статистических решений. Система управления роботом имеет следующую структуру. На нижнем, пер- вом, уровне осуществляется управление непосредственно движением исполнитель- ных механизмов робота. На втором уровне формируются сигналы управления. На этом уровне управление распределяется по всем исполнительным механизмам ро- бота для осуществления требуемой элементарной операции. На третьем уровне осуществляется расчленение более крупной операции на элементарные операции и составляется последовательность их выполнений в соответствии с некоторым набо- ром правил. Сигнал о необходимости выполнения каждой из элементарных опе- раций поступает из третьего во второй уровень системы управления. Четвертый уровень управления реализуется в интеллектуальных роботах. Этот уровень необхо- дим в тех случаях, когда заранее неизвестно, какую операцию нужно выполнить. Робот, исходя из окружающей ситуации, которая для него неизвестна и которая может изменяться, должен сам принять решение, какую операцию необходимо реа- лизовать. Следовательно, четвертый уровень – это уровень выработки и принятий решения о необходимости выполнения той или иной операции в заранее неопреде- ленных условиях. Принятое решение передается в третий уровень системы управле- ния для реализации. В докладе рассматриваются роботы с четвертым уровнем управления. На этом уровне предлагается следующая процедура управления. Роботы строят математическую модель ситуации, в которой они находятся, и на основе этой модели синтезируют уравнения управления для получения управляющей информа- ции. Эта информация затем используется для оптимального преобразования ими исходной ситуации в нужную целевую ситуацию. Управление роботами включает следующие четыре стадии: обучение, запо- минание программы, воспроизведение программы и отработку программы. Обучение робота осуществляет человек различными путями. Полученная в процессе обучения информация запоминается роботом в виде программы в течение заданного времени. Воспроизведение программы осуществляется путем считывания информации из уст- ройства памяти и передачи управляющих сигналов к исполнительным механизмам робота. В интеллектуальных роботах возможно изменение записанной в памяти робота информации в соответствии с конкретной ситуацией. Отработка программы заклю- чается в выполнении роботом рабочих операций по сигналам, переданным его испол- нительным механизмом при воспроизведении программы. Каждый уровень системы управления робота имеет обратные связи, по кото- рым передается информация о состоянии и действии нижних уровней. Цель работы и постановка задачи Цель работы – разработать принцип управления роботом в условиях помех при преобразовании им исходной ситуации в некоторую целевую ситуацию, при этом сама ситуация может изменяться как в результате действий робота, так и в резуль- тате воздействия внешних факторов. Управление интеллектуальным роботом в условиях помех «Штучний інтелект» 3’2008 443 6К Разобьем эту цель работы на следующие подцели: 1) разработать методику построения интеллектуальным роботом модели ситуации, в которой он находится, 2) на основе построенной модели спрогнозировать развитие ситуации и 3) разработать методику построения интеллектуальным роботом модели управления ситуацией, которая должна учитывать прогноз развития ситуации. Модели должны строиться на основе данных, полученных роботом за некоторый промежуток времени наблюдения за ситуацией. Особенностью данных является то, что они искажены помехами внешней среды, при этом основные статистические характеристики помех известны. Постановку задачи начнем с формального определения ситуации и статистического описания помех. Будем придерживаться определения ситуации, которое предложил В.П. Гладун в [1]. Ситуация рассматривается им как фрагмент среды. Среда определяется как тройка AKV ,, , где V – множество объектов, K – множество свойств, состояний и связей объектов из множества V , A – множество действий, которые можно выполнять с элементами множеств V и K . Под ситуацией понимается пара ss KV , , где sV и sK – подмножества соответственно множеств V и K . Будем считать, что ситуация состоит из конечного числа объектов, свойства, состояния и связи между которыми описываются множеством переменных. Выделим следующие виды переменных. Переменные, описывающие ситуацию, и значения которых могут изменяться при действиях робота с целью преобразования им исходной ситуации в целевую ситуацию, будем называть ситуационными и обозначать – ),...,( 1 Qyy . Действия робота осуществляются под воздействием управ- ляющих сигналов. Переменные, описывающие значения управляющих сигналов ро- бота, называются управляющими – ),...,( 1 Kuu . Пусть Qεε ..,1 , Nςζ ,...,1 – случайные возмущения, не зависящие от времени, и воздействующие соответственно на ситуационные и управляющие переменные. Без потери общности предположим, что случайные возмущения, воздействующие на ситуационные и управляющие пере- менные, имеют нулевые средние: 0=iMε , Qi ,,1…= , 0=kMς , Kk ,,1…= . Пусть известна ковариационная матрица R случайных ошибок Qεε ..,1 , Nςζ ,...,1 :               = )(...),(),( ............ ),(...)(),( ),(...),()( 2 21 22 2 12 1211 2 NNN N N i rr rr rr R ςσεςες ςεεσεε ςεεεεσ . (1) На диагонали этой матрицы стоят дисперсии возмущений. Будем предполагать, что значения всех рассматриваемых переменных наблюдались роботом в моменты времени nt ,,1…= . Предположим, что в различные моменты времени возмущения между собой не коррелированны. Задача состоит в том, чтобы разработать методику, согласно которой робот мог бы построить математическую модель ситуации, в которой он находятся, а затем на основе этой модели синтезировать уравнения управления для получения управ- ляющей информации. Назначение этой информации – оптимальное преобразование роботом исходной ситуации в нужную целевую ситуацию. С целью учета изменений, происходящих в ситуации при ее преобразовании роботом, в качестве модели выберем систему разностных уравнений, в левых частях которых стоят приращения ситуационных и управляющих переменных, а в правых – некоторые функции от ситуационных и управляющих переменных. Кук Ю.В., Лаврикова Е.И. «Искусственный интеллект» 3’2008 444 6К Решение поставленной задачи разобьем на три этапа. На первом этапе это решение состоит в построении по экспериментальным данным о наблюдаемых значениях переменных математической модели ситуации, которая бы учитывала искажающее воздействие случайных возмущений на эти переменные. Построив модель ситуации на основе экспериментальных данных, полученных за первые n тактов времени nt ,,1…= , можно на основе этой модели спрогнозировать значения ситуационных и управляющих переменных в следующий 1+n такт времени. Это – второй этап решения задачи. Получив прогнозные значения ситуационных и управ- ляющих переменных в 1+n такт времени, строится так называемая модель управления ситуацией. Ее построение составляет третий этап решения задачи. Модель ситуации При построении модели ситуации будем использовать индуктивный подход [2]. В этом подходе будет заключаться его сходство с методом группового учета аргументов – МГУА, классическим методом построения моделей, разработанным А.Г. Ивахненко и его школой [3], [4]. Метод МГУА основан на переборе большого числа моделей. Это – или полный перебор всех возможных моделей, или неполный перебор большого числа моделей. В результате такого перебора находится модель, которая обеспечивает глобальный экстремум внешнего критерия оптимальности. В отличие от метода МГУА в основу нашего метода построения модели ситуации положим подход, позволяющий избежать большого перебора моделей. Он основан на следующем принципе: в модель данного порядка должны входить переменные, имеющие только значимые значения частного коэффициента корреляции соответст- венно с приращениями ситуационной или управляющей переменной, что значитель- но упрощает модель при сохранении ее корректности. Множество таких переменных получается с помощью аппарата бассейнов и имеет аналогию с эффективным мно- жеством регрессоров в регрессионном анализе [5]. Из исходного принципа вытекает следующая особенность предлагаемого метода: перебор моделей в пределах мно- жества полиномиальных моделей одного и того же порядка не производится: опти- мальная модель данного порядка находится с помощью построения бассейна, а перебор осуществляется среди оптимальных моделей разных порядков, что позво- ляет резко сократить общий перебор всех моделей. Принцип отбора переменных, попадающих в бассейн, имеет аналогию с принципом включения переменных в шаговом регрессионном методе [5]. Однако оба метода используют разные статис- тические критерии проверки значимости переменных, причем применение шагового метода требует построения промежуточных моделей с использованием метода наи- меньших квадратов (МНК), который принципиально не применим в нашем случае, поскольку аргументы модели подвержены случайным возмущениям. Если исполь- зовать МНК, то получатся модели, не соответствующие истинным зависимостям между переменными. В результате случайных возмущений наблюдаются не истинные значения переменных, а значения, отличающиеся от них на некоторую случайную величину. Будем обозначать фактические значения переменных, то есть такие, которые наблюдаются, – с волной, а истинные значения переменных – со штрихом. Тогда KKKQQQ uuuuyyyy ςςεε +′=+′=+′=+′= ~,...,~,~,...,,~ 111111 . (2) Управление интеллектуальным роботом в условиях помех «Штучний інтелект» 3’2008 445 6К Задача состоит в построении по экспериментальным данным о наблюдаемых значениях переменных математической модели ситуации, которая бы учитывала искажающее воздействие случайных возмущений на эти переменные. Пусть связь между приращениями ситуационных и управляющих переменных и значениями всех переменных, описывающих ситуацию, функциональна и описывается системой уравнений: ),,,,( 111 1 KQ uuyyf t y ′′′′= ∆ ′∆ …… , …… , ),,,,( 11 KQQ Q uuyyf t y ′′′′= ∆ ′∆ …… , ),,,,( 111 1 KQQ uuyyf t u ′′′′= ∆ ′∆ + …… , …… , ),,,,( 11 KQKQ K uuyyf t u ′′′′= ∆ ′∆ + …… . (3) Чаще всего функции if , Qi ,,1…= , в (3) неизвестны. Поэтому ищется их аппроксимация с помощью каких-нибудь простых математических функций. Под моделью ситуации будем понимать систему соотношений ),,,,( 111 1 KQ uuyyF t y ′′′′= ∆ ′∆ …… , …… , ),,,,( 11 KQQ Q uuyyF t y ′′′′= ∆ ′∆ …… , ),,,,( 111 1 KQQ uuyyF t u ′′′′= ∆ ′∆ + …… , …… , ),,,,( 11 KQKQ K uuyyF t u ′′′′= ∆ ′∆ + …… , (4) где ),,,,( 11 KQi uuyyF ′′′′ …… – аппроксимация неизвестной функции ),,,,( 11 KQi uuyyf ′′′′ …… , KQQQi ++= ,,1,,,1 …… . Ограничимся рассмотрением полиномиальных моделей. В полиномиальной модели k -го порядка функция ),,,,( 11 KQi uuyyF ′′′′ …… представляет собой отрезок ряда Тейлора до производных 1+k -го порядка. Любую полиномиальную модель можно представить в виде линейной модели: ∑ = += ∆ ′∆ kL j jjii i zbb t y 1 ,0, , Qi ,,1…= , ∑ = += ∆ ′∆ kL j jjll l zbb t u 1 ,0, , Kl ,,1…= , (5) где kL – равно числу всех членов аппроксимирующего отрезка ряда Тейлора, содержащих переменные, jz обозначает переменную либо произведение пере- менных для j -го такого члена, а jib , – соответствующий коэффициент. Таким обра- зом, изучение полиномиальных моделей сводится к изучению линейных моделей (5). В отличие от МГУА [3], в котором переменные модели находятся многорядной селекцией, или при малом их числе – полным перебором, множество переменных, входящих в модель (5), находится с помощью бассейнов. Бассейн для переменной iy′∆ представляет собой набор таких переменных из множества KQ uuyy ′′′′ …… ,,,, 11 , которые имеют значимую связь с переменной iy′∆ . Аналогичным образом определяется бассейн для переменной iu′∆ . Для измерения связи между переменными будем использовать частные коэффициенты корреляции, которые измеряют статистическую связь между переменными, «очищенную» от опосредованного влияния других переменных. Под значимостью этой связи будем понимать значимость (с вероятностью ошибки α ) значения частного коэффициента корреляции между ними [2]. Наилучшим множеством переменных для переменной iy′∆ понимается набор таких переменных из множества KQ uuyy ′′′′ …… ,,,, 11 , которые обладают следующими свойствами: 1) полнотой: все переменные, имеющие с заданной веро- Кук Ю.В., Лаврикова Е.И. «Искусственный интеллект» 3’2008 446 6К ятностью ошибки значимую связь с переменной iy′∆ , входят в это множество; 2) отсутствием избыточности: переменные, имеющие с заданной вероятностью ошибки незначимую связь с переменной iy′∆ , не входят в это множество. Аналогичным образом определяется наилучшее множество для переменной iu′∆ . Наилучшие множества для переменных iy′∆ и iu′∆ находятся путем построения бассейнов. Бассейном k -го порядка для переменной iy′∆ назовем подмножество B ситуационных и управляющих перемен- ных, а также всевозможных их произведений (с числом сомножителей не более k ), включающее все переменные, которые имеют значимый (относительно множества B ) частный выборочный коэффициент корреляции с iy′∆ . Аналогичным образом опреде- ляется бассейн k -го порядка для переменной iu′∆ . Всегда существует бесконечное число функций, построенных по эксперимен- тальным данным, которые можно взять в качестве модели для истинной зависимости между переменными. Поэтому возникает вопрос: как наилучшим образом исполь- зовать экспериментальные данные для получения в каком-то роде оптимальной модели и что под этим следует понимать. Оптимальной моделью для iy′∆ назовем модель, построенную из переменных наилучшего множества, для которой сумма квадратов отклонений функции ),,,,( 11 KQi uuyyF ′′′′ …… от истинной функции 1( , ,if y′… 1, , )Q Ky u u′ ′ ′… минимальна по сравнению с другими моделями: 2 1 1111 ]),,,,(),,,,([min∑ = ′′′′−′′′′ n t KQiKQiF uuyyFuuyyf i ………… . (6) Будем считать, что коэффициенты при переменных в выражении 1( , ,iF y′… 1, , )Q Ky u u′ ′ ′… формулы (6), не вошедшие в бассейн B , равны нулю. Аналогичным образом определяется оптимальная модель для переменной iu′∆ . Рассмотрим мето- дику построения оптимальной линейной модели для переменной iy′∆ . Пусть в бас- сейн первого порядка для iy′∆ вошли следующие переменные: kwkll uuyy ′′′′ ,...,,,, 11 ν… , которые составляют наилучшее множество переменных. Представим оптимальную линейную модель для переменной iy′∆ в виде: wkwikililii i ububybybb t y ,,1,1,,11,0, ... ′++′+′++′+= ∆ ′∆ ++ νννν… , (7) Найдем выражения для коэффициентов этой модели, чтобы выполнялось условие оптимальности модели. Для определения коэффициентов wiii bbb +ν,1,0, ,...,, в регрессионных методах используется метод наименьших квадратов для наблю- даемых переменных, при котором минимизируется следующая сумма квадратов: 2 1 ,11,,11,0 })~...~~~( ~ {∑ = ++ +++++− ∆ ∆n t kwwikilili i ububybybb t y νννν… . (8) В случае, когда входные переменные подвержены случайным ошибкам, применение этого метода приводит к ошибочным моделям по сравнению с истинными зависимостями между переменными. Поэтому коэффициенты модели (7) определяются не путем решения системы нормальных уравнений, которая получается в результате минимизации выше- Управление интеллектуальным роботом в условиях помех «Штучний інтелект» 3’2008 447 6К указанной суммы квадратов (8), а путем решения системы уравнений, которая получается в результате минимизации суммы квадратов (6): 2 1 ,11,,11,0, ])...([∑ = ++ ′+′+′++′+− ∆ ′∆n t kwwikililii i ububybybb t y νννν… . (9) Представим выражение в квадратных скобках (9) через наблюдаемые переменные и ошибки по формулам (2). Получим ∑ = − ∆ +∆+−−∆+n t ii t ttttytty 1 )()()(~)(~ { εε −+++++− ++ )~...~~~( ,11,,11,0, kwwikililii ububybybb νννν… (10) 2 ,11,,11, )}...( kwwikilili bbbb ςςεε νννν ++ ++++− … . Так как коэффициенты wiii bbb +ν,1,0, ,...,, доставляют минимум (6), то они удовлетворяют системе уравнений, получаемой из выражения (10) путем его диф- ференцирования по каждому из коэффициентов wiii bbb +ν,1,0, ,...,, с последующим приравниванием производных к нулю. В полученной системе уравнений выбо- рочные коэффициенты ковариаций ошибок заменим истинными коэффициентами ковариаций ошибок из матрицы (1), а выборочные средние заменим истинными средними, т.е. – нулями. В результате будем иметь следующую систему уравнений. Первое уравнение этой системы равно: kwwikililii i ububybybb t y ++ +++++= ∆ ∆ νννν ,11,,11,0, ...… , (11) где .)(~1...,),(~1,),(~1),(~1 111 11 1 ∑∑∑∑ ==== ==== n t kwkw n t ll n t ll n t ii tu n uty n yty n yty n y νν… Второе уравнение системы имеет вид: …… … +−+ +−+= ∆ ∆ ∑ ∑∑ = == )},()(~)(~1{ )},()](~[1{~~ 2,1,2 1 12, 1,1, 1 2 11,0,1 1 lll n t li ll n t liil n t i rtyty n b rty n bby t y εε εε …… +−+ ∑ = )},()(~)(~1{ ,1, 1 1, ννν εε lll n t li rtyty n b (12) )},()(~)(~1{ ,1, 1 1, wklkw n t lwi rtuty n b ςεν −+ ∑ = +… . И, наконец, последнее уравнение равно: …+−+ +−+= ∆ ∆ ∑ ∑∑ = == )},()(~)(~1{ )},(]~)(~[1{~~ ,1,, 1 1,2, ,1, 1 ,1,1,0,, 1 wklwk n t li wkl n t wkliiwk n t i rtuty n b ruty n bbu t y ςε ςε )}.,()](~[1{ )},(~)(~1{ ,, 2 , 1 , ,, 1 ,,, wkwkwk n t wi wkl n t wkli rtu n b ruty n b ςς ςε ν ννν −+ +−+ ∑ ∑ = + = … …… (13) Кук Ю.В., Лаврикова Е.И. «Искусственный интеллект» 3’2008 448 6К Неизвестные коэффициенты wiii bbb ++µν,1,0, ,...,, легко находятся из (11) – (13) по правилу Крамера. Аналогичным образом строится оптимальная модель для пере- менной iu′∆ . В силу (5) методика построения оптимальных полилинейных моделей для переменных iy′∆ и iu′∆ аналогична методике построения оптимальных линейных моделей, но уже с использованием бассейнов k -го порядка для переменных iy′∆ и iu′∆ с учетом не только ковариаций ошибок, но и их смешанных моментов более высокого порядка. Модель управления ситуацией Построив модель ситуации (7) на основе экспериментальных данных, полученных за первые n тактов времени nt ,,1…= , можно на основе этой модели спрогнозировать значения ситуационных и управляющих переменных в следующий 1+n такт времени. Обозначим найденные таким образом прогнозные значения ситуационных и управляющих переменных соответственно через )1(,),1( ,,1 ++ nyny prognQprogn … и )1(,),1( ,,1 ++ nunu prognKprogn … . Модель ситуации (7) назовем прогнозирующей. Получив прогнозные значения ситуационных и управляющих переменных в 1+n такт времени, строится так называемая модель управления ситуацией. Ее построение аналогично предыдущей модели. Назначение этой модели найти оптимальные значения приращений управляющих переменных в 1+n такт времени. В отличие от прогноз- ирующей модели в этой модели в качестве дополнительных переменных используются ситуационные и управляющие переменные для момента времени 1+= nt , а в качестве их значений при определении коэффициентов модели – прогнозные значения ситуац- ионных и управляющих переменных в 1+n такт времени, полученных из модели ситуации. В модели управления ситуацией будем также учитывать предысторию ситуации, то есть значения ситуационных и управляющих воздействий за последние два или несколько тактов времени. Обозначим предпоследние два момента времени 1−= nt , 2−= nt . Пусть 1=∆t . Модель управления ситуацией – это система из K уравнений, которые будем также называть уравнениями управления. l -ое уравнение этой системы имеет следующий вид +′++′+=′∆ )()()()( ,11,0, nybnybnbnu QQllll … +−′++−′+′++′+ +++++ )1()1()(...)( 2,11,,11, nybnybnubnub QKQlKQlKKQlQl … +−′++−′+−′++−′+ ++++++ )2()2()1(...)1( 23,1122,22,112, nybnybnubnub QKQlKQlKKQlKQl … (14) ++′+++′+−′++−′+ ++++++ )1()1()2(...)2( 34,1133,33,1123, nybnybnubnub QKQlKQlKKQlKQl … .,,1,),1(...)1( 44,1134, Klnubnub KKQlKQl …… =+′+++′+ +++ Для всех переменных, фигурирующих в левой части (14), находятся частные коэффициенты корреляции с переменной )(nui′∆ . После чего коэффициенты при переменных в левой части (14), имеющих незначимые частные коэффициенты кор- реляции с переменной )(nui′∆ , обнуляются. Далее находятся значения оставшихся коэффициентов системы (14) аналогично тому, как это было проделано для системы уравнений (7). Коэффициенты находятся из уравнений, аналогичных (11), (12) и (13), Управление интеллектуальным роботом в условиях помех «Штучний інтелект» 3’2008 449 6К в которых используются прогнозные значения ситуационных и управляющих пере- менных )1(,),1( ,,1 ++ nyny prognQprogn … , )1(,),1( ,,1 ++ nunu prognKprogn … в 1+n такт времени. Определив коэффициенты уравнения (14), следующим шагом является нахождение оптимальных управляющих воздействий )1(),...,1(1 +′+′ nunu K в 1+n -й такт времени. Задача облегчается тем, что уравнение (14) линейно относительно управляющих воздействий. Вследствие чего, управляющие воздействия за один такт времени имеют верхнюю и нижнюю границу по своей величине. Поэтому, используя полный перебор всевозможных максимальных и минимальных значений этих воздействий, можно выбрать требуемые управляющие воздействия )1(),...,1(1 +′+′ nunu K , которые обеспечивали бы максимальное приближение ситуационных переменных к требуе- мым их значениям. В момент времени 1+= nt робот реализует эти воздействия, при этом ситуационные переменные принимают некоторые новые значения, поступаю- щие на датчики робота. Таким образом, к моменту времени 2+= nt имеются новые экспериментальные данные о ситуационных и управляющих переменных. На основе этих данных и, используя прежние данные за период времени nt ,,2 …= , строятся новые модели: прогнозирующая модель и модель управления ситуацией, аналогично проделанному выше. Такая процедура повторяется со сдвигом на один такт до тех пор, пока робот не преобразует исходную ситуацию в требуемую ситуацию. Для построения более точной прогнозирующей модели можно использовать ситуационные и управляющие переменные за последние два такта времени, каждая из которых выступает в роли самостоятельной переменной: +′++′+=′∆ )()()()( ,11,0, nybnybnbny QQiiii … +−′++−′+−′++−′+ +−′++−′+′++′+ ++++++ +++++ )2()2()1(...)1( )1()1()(...)( 23,1122,22,112, 2,11,,11, nybnybnubnub nybnybnubnub QKQiKQiKKQiKQi QKQiKQiKKQiQi … … .,,1),2(...)2( 33,1123, Qinubnub KKQiKQi …=−′++−′+ +++ +′++′+=′∆ )()()()( ,11,0, nybnybnbnu QQllll … .,,1),2(...)2( )2()2()1(...)1( )1()1()(...)( 33,1123, 23,1122,22,112, 2,11,,11, Klnubnub nybnybnubnub nybnybnubnub KKQlKQl QKQlKQlKKQlKQl QKQlKQlKKQlQl … … … =−′++−′+ +−′++−′+−′++−′+ +−′++−′+′++′+ +++ ++++++ +++++ В отличие от уравнений управления в прогнозирующей модели не используются управляющие переменные для будущего момента времени. Выводы В докладе предложена методика построения интеллектуальными роботами прогнозирующей модели ситуации, в которой они находится, а затем на ее основе синтезируются уравнения управления, которые описывают модель управления си- туацией. Модель ситуации строится роботом на основе данных, полученных им за некоторый промежуток времени наблюдения за ситуацией. Построенная модель ситуации позволяет правильно спрогнозировать изменение ситуационных перемен- ных в последующий момент времени. Имея в своем распоряжении спрогнозиро- Кук Ю.В., Лаврикова Е.И. «Искусственный интеллект» 3’2008 450 6К ванные значения ситуационных и управляющих переменных, робот синтезирует линейные уравнения управления. На основе этих уравнений путем полного перебора максимальных и минимальных возможных значений управляющих воздействий за один такт времени робот находит для очередного момента времени значения опти- мальных управляющих сигналов для исполнительных механизмов. Оптимальность понимается в том смысле, что обеспечивается максимальное приближение ситуа- ционных переменных к требуемым их значениям. В результате действий робота изменяются значения ситуационных переменных в последующий момент времени. Эти измененные значения ситуационных переменных используются для построения новой модели ситуации в очередной момент времени. Процедура повторяется со сдвигом на один такт, пока робот не преобразует исходную ситуацию в требуемую ситуацию. Литература 1. Гладун В.П. Планирование решений. – Киев: Наук. Думка, 1987. – 168 с. 2. Коваль В.Н., Кук Ю.В. Индуктивный поиск закономерностей в многопараметрических системах // Міжнародна конференція з індуктивного моделювання МКІМ. – 2002. – Львів: Державний НДІ інформаційної інфраструктури, 2002. – Т.1, Ч. 2. – С. 55-61. 3. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. – Киев: Тех- ника, 1975. – 312 с. 4. Степашко В.С. Основи теорії МГУА як методу індуктивного моделювання // Міжнародна конференція з індуктивного моделювання. – Львів: Державний НДІ інформаційної інфраструктури, 2002. – Т.1, Ч. 1. – С. 16-23. 5. Вучков И., Бояджиева Л., Солаков Е. Прикладной линейный регрессионный анализ: Пер. с болг. – М.: Финансы и статистика, 1987. – 239 с. Ю.В. Кук, О.І. Лаврікова Керування інтелектуальними роботами в умовах перешкод Розроблено методику побудови інтелектуальним роботом моделі ситуації, у якій він перебуває. На основі побудованої моделі прогнозується розвиток ситуації із часом. Розроблена також методика побудови інтелектуальним роботом моделі керування ситуацією, яка враховує прогноз розвитку ситуації Yu.V. Kuk, He.I. Lavrikova Control of the Intellectual Robot in Conditions of Interferences The technique of construction is developed by the intellectual robot of model of a situation in which it is. On the basis of the constructed model development of a situation eventually is predicted. The technique of construction by the intellectual robot of model of management of a situation which considers the forecast of development of a situation is developed also. Статья поступила в редакцию 10.07.2008.
id	nasplib_isofts_kiev_ua-123456789-7044
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-12-07T17:22:00Z
publishDate	2008
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Кук, Ю.В. Лаврикова, Е.И. 2010-03-23T09:29:00Z 2010-03-23T09:29:00Z 2008 Управление интеллектуальным роботом в условиях помех / Ю.В. Кук, Е.И. Лаврикова // Штучний інтелект. — 2008. — № 3. — С. 441-450. — Бібліогр.: 5 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/7044 519.95 Разработана методика построения интеллектуальным роботом модели ситуации, в которой он находится. На основе построенной модели прогнозируется развитие ситуации с течением времени. Разработана также методика построения интеллектуальным роботом модели управления ситуацией, которая учитывает прогноз развития ситуации. Розроблено методику побудови інтелектуальним роботом моделі ситуації, у якій він перебуває. На основі побудованої моделі прогнозується розвиток ситуації із часом. Розроблена також методика побудови інтелектуальним роботом моделі керування ситуацією, яка враховує прогноз розвитку ситуації The technique of construction is developed by the intellectual robot of model of a situation in which it is. On the basis of the constructed model development of a situation eventually is predicted. The technique of construction by the intellectual robot of model of management of a situation which considers the forecast of development of a situation is developed also. ru Інститут проблем штучного інтелекту МОН України та НАН України Управление и информационное обеспечение мехатронных и робототехнических систем Управление интеллектуальным роботом в условиях помех Керування інтелектуальними роботами в умовах перешкод Control of the Intellectual Robot in Conditions of Interferences Article published earlier
spellingShingle	Управление интеллектуальным роботом в условиях помех Кук, Ю.В. Лаврикова, Е.И. Управление и информационное обеспечение мехатронных и робототехнических систем
title	Управление интеллектуальным роботом в условиях помех
title_alt	Керування інтелектуальними роботами в умовах перешкод Control of the Intellectual Robot in Conditions of Interferences
title_full	Управление интеллектуальным роботом в условиях помех
title_fullStr	Управление интеллектуальным роботом в условиях помех
title_full_unstemmed	Управление интеллектуальным роботом в условиях помех
title_short	Управление интеллектуальным роботом в условиях помех
title_sort	управление интеллектуальным роботом в условиях помех
topic	Управление и информационное обеспечение мехатронных и робототехнических систем
topic_facet	Управление и информационное обеспечение мехатронных и робототехнических систем
url	https://nasplib.isofts.kiev.ua/handle/123456789/7044
work_keys_str_mv	AT kukûv upravlenieintellektualʹnymrobotomvusloviâhpomeh AT lavrikovaei upravlenieintellektualʹnymrobotomvusloviâhpomeh AT kukûv keruvannâíntelektualʹnimirobotamivumovahpereškod AT lavrikovaei keruvannâíntelektualʹnimirobotamivumovahpereškod AT kukûv controloftheintellectualrobotinconditionsofinterferences AT lavrikovaei controloftheintellectualrobotinconditionsofinterferences

Управление интеллектуальным роботом в условиях помех

Репозитарії

Схожі ресурси