Алгоритм адаптивного управления роботом при отказах устройств в процессе выполнения сельскохозяйственных задач

Предлагается алгоритм адаптивного управления наземным сельскохозяйственным роботом, решающий проблему выполнимости поставленных задач при возникновении кризисных ситуаций, вызванных отказами одного или нескольких бортовых устройств с учетом их функциональных назначений и значимости для выполняемой задачи. Целью разработки данного алгоритма является повышение уровня автономности робота посредством динамической адаптации к возникновениям отказов бортовых устройств. Ключевой частью алгоритма является обращение к базе знаний, которая хранит информацию о выполняемых роботом задачах, назначениях имеющихся бортовых устройств, их статусе и числе. Задачи описываются предикатами, учитывающими ситуации работы с полным набором нормально функционирующих бортовых устройств робота и ситуации работы при отказах с минимально возможным набором устройств, необходимых для выполнения задач. Использование базы знаний позволяет системе определять возможность выполнения задачи в изменившихся условиях и выбирать оптимальную стратегию адаптации. Проведенное имитационное моделирование позволило оценить время принятия решений в различных ситуациях для трех типов выполняемых роботом задач, в каждой из которых рассматривались три случая функционирования: нормальная работа всех устройств, частичный отказ устройств, возникновение кризисной ситуации. Наименьшее среднее время на принятие решений системой управления при кризисных ситуациях — 0,0072 мс, при обработке отказов устройств — 0,0083 мс. Наибольшее время на принятие решений 0,0112 мс было затрачено при частичных отказах, так как выполняется поиск решений для того, чтобы выполнение целевой задачи стало возможным. Наибольшее количество времени потрачено на принятие решения в случае с дополнительным перебором всех устройств для поиска требуемых для выполнения задачи устройств. Результат моделирования подтверждает эффективную работу алгоритма и позволяет оценить время принятия решений в различных ситуациях функционирования сельскохозяйственного робота и в ситуациях отказов бортовых устройств.

1. Cheng C., Fu J., Su H., Ren L. Recent advancements in agriculture robots: Benefits and challenges // Machines. 2023. Vol. 11, N. 1. P. 48.

2. Li D., Wang Y., Wang J., Wang C., Duan Y. Recent advances in sensor fault diagnosis: А review // Sensors and Actuators А: Physical. 2020. Vol. 309, Article no. 111990.

3. Nguyen K. T., Medjaher K. А new dynamic predictive maintenance framework using deep learning for failure prognostics // Reliability Engineering and System Safety. 2019. Vol. 188. P. 251—262.

4. Darvishi H., Ciuonzo D., Eide E. R., Rossi P. S. Sensorfault detection, isolation and accommodation for digital twins via modular data-driven architecture // IEEE Sensors Journal. 2020 Vol. 21, N. 4. P. 4827—4838.

5. Wang Y., Zhou W., Luo J., Yan H., Pu H., Peng Y. Reliable intelligent path following control for a robotic airship against sensor faults // IEEE/ASME Transactions on Mechatronics. 2019. Vol. 24, N. 6. P. 2572—2582.

6. Smirnov A., Ponomarev A., Shilov N., Levashova T., Teslya N. Conception of Collaborative Decision Support Systems: Approach and Platform Architecture // Informatics and Automation. 2024. Vol. 23, N. 4. P. 1139—1172. DOI: 10.15622/ia.23.4.8.

7. Abbaspour A., Mokhtari S., Sargolzaei A., Yen K. K. А survey on active fault-tolerant control systems // Electronics. 2020. Vol. 9, N. 9. Article no. 1513.

8. Iqbal R., Maniak T., Doctor F., Karyotis C. Fault detection and isolation in industrial processes using deep learning approaches // IEEE Transactions on Industrial Informatics. 2019. Vol. 15, N. 5. P. 3077—3084.

9. Amin A. A., Hasan K. M. А review of fault tolerant control systems: advancements and applications // Measurement. 2019. Vol. 143. P. 58—68.

10. Wang Y., Masoud N., Khojandi А. Real-time sensor anomaly detection and recovery in connected automated vehicle sensors // IEEE Transactions on Intelligent Transportation Systems. 2020. Vol. 22, N. 3. P. 1411—1421.

11. Khalastchi E., Kalech M. On fault detection and diagnosis in robotic systems // ACM Computing Surveys (CSUR). 2018. Vol. 51, N. 1. Article no. 1.

12. Romero-Garcés A., Hidalgo-Paniagua A., GonzálezGarcía M., Bandera А. On managing knowledge for MAPE-K loops in self-adaptive robotics using a graph-based runtime model // Applied Sciences. 2022. Vol. 12, N. 17. Article no. 8583.

13. Borgo S., Cesta A., Orlandini A., Umbrico А. Knowledgebased adaptive agents for manufacturing domains // Engineering with Computers. 2019. Vol. 35. P. 755—779.

14. Hernández C., Bermejo-Alonso J., Sanz R. А selfadaptation framework based on functional knowledge for augmented autonomy in robots // Integrated Computer-Aided Engineering. 2018. Vol. 25, N. 2. P. 157—172.

15. Doran M., Sterritt R., Wilkie G. Autonomic architecture for fault handling in mobile robots // Innovations in Systems and Software Engineering. 2020. Vol. 16, N. 3. P. 263—288.

16. Martí E., García J., Molina J. M. Adaptive sensor fusion architecture through ontology modeling and automatic reasoning // 18th International Conference on Information Fusion (Fusion). 2015. P. 1144—1151.

17. Sadik A. R., Urban В. An ontology-based approach to enable knowledge representation and reasoning in worker—cobot agile manufacturing // Future Internet. 2017. Vol. 9, N. 4. Article no. 90.

18. Ge Y., Zhang S., Cai Y., Lu T., Wang H., Hui X., Wang S. Ontology based autonomous robot task processing framework // Frontiers in Neurorobotics. 2024. Vol. 18. Article no. 1401075.