Технологии искусственного интеллекта в задачах управления автономным необитаемым подводным аппаратом

Целью работы является изложение опыта разработки с использованием технологий искусственного интеллекта (ИИ) алгоритмов, реализуемых в системе управления АНПА. Изложен взгляд автора на содержаниие понятия ИИ применительно к созданию сложных технических систем. Выделены две наиболее перспективные, по мнению автора, технологии ИИ: 1) разработка базового алгоритма и его совершенствование на основе результатов всестороннего моделирования в различных условиях эксплуатации; 2) создание проблемно-ориентированной искусственной нейронной сети и ее глубокое обучение с использованием большого количества экспериментально полученного обучающего материала. Констатируется, что обе технологии достаточно трудоемки и требуют продолжительного времени для реализации. Но если в технологии моделирования ключевую роль играет полнота и адекватность моделирования условий, в которых предполагается функционирование создаваемой системы, то в технологии машинного обучения на передний план выходит наличие достаточного количества обучающего материала (в случае разработки систем технического зрения — изображений распознаваемых объектов, число которых может исчисляться многими тысячами). В работе приведена структура мультиагентной системы управления АНПА, сделан акцент на сложности решаемых ею задач и необходимости применения при ее создании технологий ИИ. Показано, что из всех задач, решаемых системой управления АНПА, методы ИИ наиболее востребованы для решения двух категорий задач: 1) распознавания сложившейся на данный момент ситуации и принятия в этой ситуации адекватного решения в интересах выполнения маршрутного задания; 2) поиск назначенного донного объекта среди множества других донных объектов естественного и искусственного происхождения. Применение технологий ИИ продемонстрировано на примере разработки с использованием специально созданного стенда моделирования алгоритма управления АНПА при обходе протяженного препятствия. Предложено задачу обнаружения и распознавания назначенного донного объекта решать с применением технологии глубокого обучения проблемно-ориентированной искусственной нейронной сети с той особенностью, что обучающий материал формируется программным путем в виде цифровых изображений искомого донного объекта на выходе гидроакустических, оптических и электромагнитных средств мониторинга дна в различных условиях их наблюдения.

1. Инзарцев А. В., Киселев Л. В., Костенко В. В., Матвиенко Ю. В., Павин А. М., Щербатюк А. Ф. Подводные робототехнические комплексы: системы, технологии, применение. Владивосток: Дальнаука, 2018. 368 с.

2. Инзарцев А. В. и др. Применение автономного необитаемого подводного аппарата для научных исследований в Арктике // Подводные исследования и робототехника. 2007. № 2(4). С. 5—14.

3. Millar G., Mackay L. Maneuvering Under the Ice // Sea Technology. 2015. Vol. 56, N. 4. P. 35—38.

4. Аполлонов Е. М., Бачурин А. А., Горохов А. И., Пономарев Л. О. О возможности и необходимости создания сверхбольшого необитаемого подводного аппарата // Сб. Матер. XIII Всеросс. науч.-практ. Конф. "Перспективные системы и задачи управления". Ростов-на-Дону — Таганрог: ЮФУ, 2018. С. 34—42.

5. Jane’s unmanned maritime vehicle. 2019-2020. Ed. Kelvin Wong. IHS Markit. Coulsdon, Surrey, UK, 2020.

6. Илларионов Г. Ю., Сиденко К. С., Бочаров Л. Ю. Угроза из глубины: XXI век. Хабаровск: КГУП "Хабаровская краевая типография", 2011. 304 с.

7. Кузьмицкий М. А., Гизитдинова М. Р. Мобильные подводные роботы в решении задач ВМФ: Современные технологии и перспективы // Фундаментальная и прикладная гидрофизика. 2011. Т. 4, № 3. С. 37—48.

8. Cebrowski A. K., Garstka J. J. Network-centric warfare: its origins and future // U. S. Naval Institute Proceedings. 1998. N. 1.

9. Баулин В., Кондратьев А. Реализация концепции "сетецентрическая война" в ВМС США // Зарубежное военное обозрение. 2009. № 6. С. 61—67.

10. Тьюринг А. Могут ли машины мыслить? М.: Госиздательство физ.-мат. литературы, 1960.

11. Turing A. Computing Machinery and Intelligence // Mind.1950. V. LIX, N. 236. P. 433—460.

12. What is Artificial Intelligence? URL: http://www-formal.stanford.edu/jmc/whatisai/whatisai.html.

13. Искусственный интеллект в СССР. URL: http://ainews.ru/2017/10/iskusstvennyj_intellekt_v_sssr.html.

14. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс, 2017. 652 с.

15. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер. 2018. 480 с.

16. Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена указом Президента РФ от 10 октября 2019 г. № 490.

17. Концепции развития регулирования отношений в сфере технологий искусственного интеллекта и робототехники до 2024 года. Утверждена распоряжением Правительства РФ от 19 августа 2020 г. № 2129-р.

18. Artificial Intelligence Journey. URL: https://ai-journey.ru

19. Newborn M. Deep Blue: An artificial intelligence milestone. Springer, 2003. 346 p.

20.

21. Ржевский Г. А., Скобелев П. О. Как управлять сложными системами? Мультиагентные технологии для создания интеллектуальных систем управления предприятиями. Самара: Офорт, 2015. 290 с.

22. Innocenti B. A multi-agent architecture with distributed coordination for an autonomous robot. Ph.D. dissertation, Universitat de Girona, 2009.

23. Борейко А. А., Инзарцев А. В., Машошин А. И., Павин А. М., Пашкевич И. В. Система управления АНПА большой автономности на базе мультиагентного подхода // Подводные исследования и робототехника. 2019. № 2 (28). С. 23—31.

24. Лаптев К. З., Илларионов Г. Ю. Что может помешать подводному мореходству автономного необитаемого подводного аппарата // Сб. Матер. XIII Всеросс. науч.-практ. Конф. "Перспективные системы и задачи управления". Ростов-наДону: Южный федеральный университет, 2017. С. 138—146.

25. Инзарцев А. В., Багницкий А. В. Алгоритмы обхода локальных донных объектов для автономного подводного робота // Шестая Всерос. науч.- техн. конф. "Технические проблемы освоения мирового океана" (ТПОМО-6). Владивосток, 2015. С. 450—454.

26. Тусеева И. Б., Тусеева Д. Б., Ким Юн-Ги. Алгоритм динамического окна для навигации автономных подводных аппаратов // Искусственный интеллект и принятие решений. 2013. № 3. С. 67—77.

27. Galarza C., Masmitja I., Prat J., Gomariz S. Design of obstacle detection and avoidance system for Guanay II AUV // Appl. Sci. 2020. Vol. 10. P. 32—37.

28. Lin C., Wang, H., Yuan J., Yu D., Li C. An improved recurrent neural network for unmanned underwater vehicle online obstacle avoidance // IEEEJ.Ocean. Eng. 2019. Vol. 44. P. 120—133.

29. Быкова В. С., Машошин А. И., Пашкевич И. В. Алгоритм обеспечения безопасности плавания автономного необитаемого подводного аппарата // Гироскопия и навигация. 2021. Т. 29, № 1 (112). С. 97—110.

30. Инзарцев А. В., Панин М. А., Бобков В. А., Морозов М. А. Модельное решение задачи инспекции объектов промышленного оборудования с помощью АНПА на базе методики видеораспознавания характерных точек // Подводные исследования и робототехника. 2021. № 3 (37). С.23—35.

31. Быкова В. С., Машошин А. И., Смирнов А. С. Об одном подходе к распознаванию донных объектов с использованием средств мониторинга дна, установленных на автономном необитаемом подводном аппарате // Труды конференции "Автоматизация-2022" (в печати).