Методы определения траектории движения мобильного робота

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

В робототехнике редко встречаются условия, при которых роботу не нужно оценивать окружающее его пространство на наличие препятствий при его движении в полевых условиях. Чаще всего случаются ситуации, при которых роботу нужно спланировать траекторию своего движения на основе данных полученных с сенсоров, обойдя все препятствия. Либо же траектория известна заранее, а роботу нужно на основе получаемой информации следовать ей. В идеальном случае мобильный робот должен целенаправленно перемещаться без помощи специальных средств навигации, в частности маркерных [1], [2].

Для достижения этих целей используются различные датчики. Сенсорика базируется на различных методах слежения - магнитном, оптическом, измерении расхода энергоресурса и др.

Алгоритмы поиска пути можно разделить на 3 уникальных группы:

1. Алгоритмы обхода препятствий;

2. Методы поиска пути по графу;

3. Интеллектуальные алгоритмы.

Основная задача при поиске траектории робота в окружающем пространстве - это обход препятствий. К классическим поисковым алгоритмам относятся как простейшие «перемещение в случайном направлении» или «трассировка вокруг препятствия», так и более функциональные, такие как «надежная трассировка» или «эффективная взвешенная траектория». Реализуемые на их базе системы планирования не всегда способны найти траекторию в сложно организованном пространстве, проблему представляют невыпуклые препятствия, различного рода карманы, уступы и тупики. Большинства из перечисленных недостатков не наблюдается при использовании алгоритмов поиска пути по графу, которые планируют все перемещения до момента начала движения [3].

В робототехнике часто используют такие алгоритмы поиска по графу, как классические: «поиск в ширину», его более быстрая модификация - «двунаправленный поиск в ширину» и «алгоритм Дейкстры», так и их более глубокие модернизации - «поиск в глубину (DFS)», «Алгоритм последовательных приближений при поиске в глубину (IDDFS)», «лучший-первый» и т.д. Высокой эффективностью при поиске путей близких к оптимальным по графу является алгоритм A*, который пошагово просматривает все пути, ведущие от начальной вершины в конечную, пока не найдёт минимальный. При этом алгоритм просматривает сначала те маршруты, которые «кажутся» ведущими к цели, при этом он корректно сочетает в себе такие свойства, как учет длины предыдущего пути (алгоритма Дейкстры), так и эвристику из алгоритма «лучший-первый».

Среди интеллектуальных методов поиска траекторий особое внимание заслуживают генетические алгоритмы и нейросетевые реализации систем планирования. В данной ситуации выгодно использовать нейронную сеть Хопфилда ? полносвязная нейронная сеть с симметричной матрицей связи. Сеть Хопфилда работает до достижения равновесия, когда следующее состояние сети в точности равно предыдущему: начальное состояние является входным образом, а при равновесии получают выходной образ[4]. После завершения процесса активации, т.е. достижения условия, когда все нейроны, кроме нулевых, примут значение отличное от нуля - формируется матрица состояния всех нейронов сети (нейронная карта), причем размерность матрицы соответствует размерности дискретного рабочего пространства. Используя алгоритм градиентного поиска по матрице состояний, возможно формирование пути, близкого к оптимальному.

Система планирования траектории с помощью нейронной карты.

Информация о конфигурации рабочего пространства, необходимая для создания карты, поступает с внешних источников (например, от сенсорной системы или информационного сервера). Энергетические взаимодействия нейронов в сети через подобные волновому распространению процедуры приводят к тому, что нейроны принимают постоянное значение энергии на всем пространстве состояний, то есть сеть входит в состояние устойчивости после завершения активации. Если выходной вектор сети в состоянии устойчивости представить в виде матрицы, размерность которой совпадает с топологическим построением сети, то мы получим в конечном итоге нейронную карту, которая может быть использована как навигационная карта для расчета траектории в заданном пространстве.

Система планирования траектории базируется на двух главных компонентах: нейронная карта и конструктор пути [3]. Система работает следующим образом: координаты цели, а также информация об окружающей среде с сенсорной системы поступают на вход нейронной сети Хопфилда. Нейронная сеть Хопфилда состоит из n искусственных нейронов. Каждый нейрон системы может принимать одно из двух состояний (что аналогично выходу нейрона с пороговой функцией активации) [5] (1).

(1)

Нейроны в сети в результате энергетических взаимодействий входят в состояние равновесия и принимают собственные значения энергии (в зависимости от функции активации). Энергетические взаимодействия в сети обусловлены динамикой и архитектурой самой сети, а также конфигурацией окружающего пространства и координатами цели, которая является точкой активации. Устойчивые значения энергии нейронов на данной нейронной области формируют «нейронную карту», которая подается на вход блока конструктора пути, формирующего, в свою очередь, конечную траектории.

Непосредственное влияние на формирование нейронной карты (и, следовательно, работы всей системы в целом) оказывает структурная организация связей между нейронами, то есть топология сети.

Рассмотрим нейронную сеть Хопфилда с n нейронами. Все нейроны сети находятся в нулевом состоянии, и не имеется никаких источников входных сигналов. Тогда нейроны будут размещены в d-размерной решетке, равномерно распределенной по заданному пространству С, где d - размерность С. Таким образом, нейронная сеть и созданная нейронная карта служат дискретным топологическим упорядоченным представлением С. Топология распределения и подключения нейронов в сети может меняться. На рисунке 1 показаны различные топологии сети для двумерного пространства.

Рисунок 1 ? Возможные топологии сети для 2-х мерного пространства

Каждый элемент i соответствует подмножеству Ci заданного пространства С, объединение всех ячеек Ci создает полную поверхность C. Для создания нейронной карты необходимо, чтобы распространение энергии в сети было подобно эффекту распространения волны, поэтому каждый нейрон i взаимодействует только с соседними в пределах своего подмножества Ci. Следовательно, каждый нейрон в сети имеет связи лишь с коротким диапазоном (прямые или диагональные) с симметричным распространением [6].

Таким образом, энергетическая динамика выбранной в качестве базы НС Хопфилда позволяет при подаче на вход определенного набора данных самостоятельно сформировать желаемый «образ» (нейронную карту).

Дальнейшую обработку выходного потока данных НС и расчет траектории выполняет отдельная вычислительная подсистема - «конструктор пути».

Вывод: интеллектуальный алгоритм планирования на базе НС Хопфилда (метод «нейронных карт») имеет следующие преимущества:

§ производительность, которая характеризуется быстрой обработкой рабочего пространства за счет особенностей топологии и активационной динамики НС;

§ гибкость применения, которая обеспечивается четким разделением всего процесса решения задачи позиционирования на два основных этапа: представление рабочего пространства (формирование нейронной карты) и расчет пути, что позволяет синтезировать на базе данного метода алгоритм управления группой МР.

Список литературы

робот алгоритм траектория нейросетевой

1. Нейронная сеть Хопфилда. https://habrahabr.ru/post/301406/ (Дата обращения 17.10.2016).

2. Нейронная сеть Хопфилда. http://microtechnics.ru/nejronnaya-set-xopfilda/ (Дата обращения 17.10.2016)

3. Даринцев О.В., Юдинцев Б.С. Институт механики имени Р.Р. Мавлютова Уфимского научного центра РАН Интеллектуальная система планирования траекторий мобильных роботов, построенная на сети Хопфилда. Современные проблемы науки и образования, 2014, № 4.

4. Нейронная сеть Хопфилда. https://ru.wikipedia.org (Дата обращения 16.10.2016).

5. Даринцев О.В., Мигранов А.Б., Юдинцев Б.С. Институт механики УНЦ РАН, г. Уфа, Российская Федерация Нейросетевой алгоритм планирования траекторий для группы мобильных роботов. Искусственный интеллект, 2009, № 3.

6. Даринцев О.В., Мигранов А.Б. Институт механики УНЦ РАН, г. Уфа, Российская Федерация Использование нейронной карты для планирования траектории мобильного робота. Искусственный интеллект, 2011, № 1.

Размещено на Allbest.ru