Intelligent Feedback, Knowledge Processing and Self Learning in the Control Systems of the Autonomous Robots and Multi-Agent Robotic Groups

The article is devoted to analysis of various approaches aimed to ensure adaptive properties of the automatic control systems designed for maintenance of the demanded reliability and functioning quality in the presence of disturbances and uncertainty factors. A review is provided of the development of the creation principles for the automatic control systems - from organization of an internal feedback, up to creation of intelligent feedback contours with self-training mechanisms. Examples of various robots equipped with intelligent self-learning control systems are presented. A list of tasks of self-learning of the intelligent control systems is presented both for the autonomous robots and for the multi-agent robot systems. A generalized structure of a control system of the autonomous mobile robots is offered based on the intelligent feedback as means of new knowledge formation. Knowledge formation is possible in a self-learning mode on the basis of processing of the accumulated sensory information. The main problems with creation of the intelligent self-learning control systems are discussed. It is shown that one of the most perspective approaches to realization of the self-learning process in the intelligent control systems of the autonomous robots and multi-robot systems is related to the method of classification of tree formation. The article gives an example of a practical solution to the self-learning problem of the autonomous mobile robots. The solution is based on the automatic knowledge formation of the passability characteristics of the surface underlying a robot. The results of a complex modeling are presented, which testify to the expediency and efficiency of incorporation of the self-learning methods in the structure of a mobile robot intelligent onboard control system for improvement of its adaptation properties. The prospects of the self-learning processes are described for the autonomous robots operating in the structure of the multi-agent systems. As a prove experimental estimates of the efficiency are given for application of the self-learning methods aimed at adaptation of the autonomous mobile robots under conditions of environmental uncertainty on the basis of a mutual exchange of the terrain passability knowledge.

автономный робот, мультиагентная робототехническая группировка, интеллектуальная система управления, интеллектуальная обратная связь, самообучение, деревья классификации, autonomous robot, multi-agent robotic system, intelligent control system, intelligent feedback, self-learning, classification trees

1. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Крюченков Е. Н., Кучерский Р. В., Диане С. А. К. Мультиагентные робототехнические системы: примеры и перспективы применения // Мехатроника, автоматизация, управление. 2012. № 2. С. 22-32.

2. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Принципы построения и проблемы разработки мультиагентных робототехнических систем // Мехатроника, автоматизация, управление, 2012. № 3. С. 11-16.

3. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Крюченков Е. Н., Кучерский Р. В., Худак Ю. И. Модели и алгоритмы планирования действий и распределения заданий в мультиагентных робототехнических системах // Мехатроника, автоматизация, управление. 2012. № 5. С. 44-50.

4. Лохин В. М., Манько С. В., Романов М. П., Диане С. А. К. Способы представления знаний и особенности функционирования мультиагентных робототехнических систем // Мехатроника, автоматизация, управление. 2014. № 1. С. 36-39.

5. Лохин В. М., Манько С. В., Романов М. П., Диане С. А. К., Трипольский П. Э., Карпов С. А. Модели и алгоритмы оценки численности состава мультиагентных робототехнических систем // Мехатроника, автоматизация, управление. 2014. № 3. С. 20-23.

6. Манько С. В., Александрова Р. И., Диане С. А. К. Человеко-машинный интерфейс для мультиагентных робототехнических систем // Известия ЮФУ. Технические науки. 2014. № 3. С. 183-193.

7. Автоматизация синтеза и обучение интеллектуальных систем автоматического управления / Под ред. И. М. Макарова, В. М. Лохина. М.: Наука, 2009. 228 с.

8. Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. М.: МЦНМО, 2009. 288 с.

9. Sutton R., Barto A. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998. 432 p.

10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. М.: Горячая линия - Телеком, 2006. 452 c.

11. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем: Пер. с англ. М.: Издательский дом Вильямс, 2003. 864 с.

12. Рассел С., Норвиг П. Искусственный интеллект: современный подход / Пер. с англ. и ред. К. А. Птицына. 2-е изд. М.: Издательский дом Вильямс, 2007. 1408 с.

13. DARPA LAGR Program. URL: http://en.wikipedia.org/wiki/DARPA_LAGR_Program

14. Probabilistic Programming for Advancing Machine Learning (PPAML). URL: http://www.fbo.gov/utils/view?id = 1728bcabdd35609b662d0284e2665f76

15. Probabilistic Programming for Advancing Machine Learning (PPAML). URL: http://www.fbo.gov/utils/view?id = a7bdf07d124ac2b1dda079de6de2eb78

16. SOINN robot. URL: http://haselab.info/research-e.html

17. Bongard J., Zykov V., Lipson H. Resilient Machines Through Continuous Self-Modeling // Science. 2006. Vol. 314, N 5802. P. 1118-1121

18. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Кадочников М. В. Многозвенные мехатронно-модульные роботы с адаптивной кинематической структурой // Мехатроника, автоматизация, управление. 2006. № 11. С. 2-11.

19. Макаров И. М., Лохин В. М., Манько С. В., Кадочников М. В., Ситников М. С. Использование генетических алгоритмов для автоматического формирования базы знаний интеллектуальной системы управления автономным мобильным роботом // Мехатроника, автоматизация, управление. 2008. № 6. С. 18-22.

20. Макаров И. М., Лохин В. М., Манько С. В., Кадочников М. В., Востриков Г. С. Использование генетических алгоритмов в задачах автоматического обучения и самоорганизации интеллектуальных робототехнических систем // Мехатроника, автоматизация, управление. Приложение. 2008. № 9. С. 2-10.

21. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Кадочников М. В. Технологии обработки знаний в задачах управления автономными мехатронно-модульными реконфигурируемыми роботами // Информационные технологии. Приложение. 2010. № 8. 32 c.

22. Lior Rokach, Oded Maimon. Data mining with decision trees: theory and applications. World Scientific Pub Co Inc., 2008, 244 p.

23. Xindong Wu., Vipin Kumar, J. Ross Quinlan, Joydeep Ghosh, Qiang Yang, Hiroshi Motoda, Geoffrey J. McLachlan, Angus Ng, Bing Liu, Philip S. Yu., Zhi-Hua Zhou, Michael Steinbach, David J. Hand, Dan Steinberg. Top 10 algorithms in data mining // Knowl. Inf. Syst. 2008. 14 (1). P. 1-37.

24. Quinlan J. R. Induction of Decision Trees // Machine Learning. Kluwer Academic Publishers, 1986. P. 81-106.

25. Shannon C. E. A Mathematical Theory of Communication // Bell System Technical Journal. 1948. July & October, 27. P. 379-423, 623-656.

26. Mitchell T. M. Machine Learning. The Mc-Graw-Hill Companies, Inc. 1997, 414 p.

27. Rayi Chang, Chia-Yen Lo, Wen-De Su, Jen-Chieh Wang. Query-Based Learning Decision Tree and its Applications in Data Mining // Proceedings of the 2006 Joint Conference on Information Sciences, JCIS 2006, Kaohsiung, Taiwan, ROC, October 8-11, 2006. doi:10.2991/jcis.2006.49

28. Kokol P., Mernik M., Zavrsnik J., Kancler K., Malcic I. Decision trees based on automatic learning and their use in cardiology // Journal of Medical Systems. Vol. 18, Iss. 4. P. 201-206.

29. Dash M., Liu H. Feature Selection for Classification // Intelligent Data Analysis - An International Journal. Elsevier. 1997. Vol. 1, N. 3. P. 131-156.

30. Stentz A. Optimal and Efficient Path Planning for Partially-Known Environments // Proc. of the International Conference on Robotics and Automation. 1994, May. P. 3310-3317.

31. Stentz A. The Focussed D* Agorithm for Real-Time Replanning // Proceedings of the International Joint Conference on Artificial Intelligence. August 1995. P. 1652-1659.