Preview

Мехатроника, автоматизация, управление

Расширенный поиск

Нейросетевая система управления группой роботов в неопределенной двумерной среде

https://doi.org/10.17587/mau.21.470-479

Аннотация

Описана разработанная система управления группой мобильных роботов, использующая нейронные сети. Система управления выполняет оценку состояния среды функционирования, поиск оптимального метода планирования пути, планирование пути, коррекцию траекторий движения по результатам взаимодействия роботов группы. Выбор оптимального метода планирования и планирование пути группы роботов реализуется тремя нейронными сетями глубокого обучения.

Первая нейронная сеть классифицирует состояние среды на два класса. Для первого класса оптимальным методом планирования пути является метод построения кратчайшего пути. Для второго класса оптимальным методом является метод планирования безопасного пути. Выбор метода планирования пути базируется на составном критерии, который включает в себя время движения в целевую точку, длину пути и минимальное расстояние от роботов группы до препятствий в ходе движения. Предложен новый алгоритм обучения нейронной сети, позволяющий итерационно сконструировать обучающую выборку и структуры нейронной сети. Алгоритм включает в себя как элементы обучения с учителем, так и без учителя.

Вторая нейронная сеть реализует алгоритм планирования кратчайшего пути. Третья нейронная сеть реализует алгоритм планирования безопасного пути. Для обучения второй и третьей нейронных сетей используется итерационный алгоритм обучения с учителем. При этом нейросетевые планировщики движения не планируют весь путь целиком. Выходом этих нейронных сетей является текущее направление движения робота группы на k-м шаге. В силу этого не требуется пересчет всей траектории движения на каждом шаге, что позволяет использовать нейросетевые планировщики в динамической среде.

Также в данной статье разработан алгоритм формирования строя группы мобильных роботов в некартографированной среде с препятствиями. При водятся результаты моделирования и экспериментальных исследований.

Об авторах

А. Р. Гайдук
ФГАОУ ВО Южный Федеральный университет
Россия

д-р техн. наук

Таганрог



О. В. Мартьянов
ФГАОУ ВО Южный Федеральный университет
Россия

канд. техн. наук

Таганрог



М. Ю. Медведев
ФГАОУ ВО Южный Федеральный университет
Россия

д-р техн. наук

Таганрог



В. Х. Пшихопов
ФГАОУ ВО Южный Федеральный университет
Россия

д-р техн. наук

Таганрог



Н. Хамдан
ФГАОУ ВО Южный Федеральный университет
Россия

аспирант

Таганрог



А. Фархуд
ФГАОУ ВО Южный Федеральный университет
Россия

аспирант

Таганрог



Список литературы

1. Pshikhopov V., Medvedev M. Position-Path Control of a Vehicle, Path Planning for Vehicles Operating in Uncertain 2D Environments, Elsevier, Butterworth-Heinemann, 2017, pp. 1—23.

2. Yang L., Qi J., Song D., Han J., Xia Y. Survey of Robot 3D Path Planning Algorithms, Journal of Control Science and Engineering, 2016, vol. 2016, 22 p.

3. La Valle S. Planning Algorithms. Cambridge University Press, 2006, 842 p.

4. Mac T. T., Copot C., Tran D. T., De Keyser R. Heuristic approaches in robot path planning: A survey, Robotics and Autonomous Systems, 2016, vol. 86, pp. 13—28.

5. Hoy M., Matveev A. S., Savkin A. V. Algorithms for collision-free navigation of mobile robots in complex cluttered environments. A survey, Robotica, 2015, vol. 33 (3), pp. 463—497.

6. Bayindir L. A review of swarm robotics tasks, Neurocomputing, 2016, available at: https://doi.org/10.1016/j.neucom.2015.05.116.

7. Shi Y. Particle swarm optimization: Developments, applications and resources, Evolutionary Computing, 2001 IEEE International Conference on, 2001, vol. 1, pp. 81—86.

8. Uny Cao Y., Fukunaga A. S., Kahng A. B. Cooperative Mobile Robotics: Antecedents and Directions, Autonomous Robots, 1997, vol. 4, pp. 1—23.

9. Shlyakhov N. E., Vatamaniuk I. V., Ronzhin A. L. Review of the Methods and Algorithms of a Robot Swarm Aggregation, Mekhatronika, Avtomatizatsiya, Upravlenie, 2017, vol. 18(1), pp. 22—29 (in Russian).

10. Yu X.- Y., Fan Z.- Y., Ou L.-L., Zhu F., Guo Y.-K. Optimal Path Planning Satisfying Complex Task Requirement in Uncertain Environment, Robotica, 2019, vol. 37 (11), pp. 1956—1970.

11. Patle B. K., Pandey A., Jagadeesh A., Parhi D. R. Path planning in uncertain environment by using firefly algorithm, Defence Technology, 2018, vol. 14(6), pp. 691—701.

12. Kamil F., Hong T. S., Khaksar W., Moghrabiah M. Ya., Zulkifli N., Ahmad S. A. New robot navigation algorithm for arbitrary unknown dynamic environments based on future prediction and priority behavior, Expert Systems with Applications, 2017, vol. 86, pp. 274—291.

13. Nazarahari M., Khanmirza E., Doostie S. Multi-objective multi-robot path planning in continuous environment using an enhanced genetic algorithm, Expert Systems with Applications, 2019, vol. 115, pp. 106—120.

14. Qu Y., Zhang Y., Zhang Y. A Global Path Planning Algorithm for Fixed-wing UAVs, Journal of Intelligent and Robotic Systems: Theory and Applications, 2018, vol. 91(3—4), pp. 691—707.

15. Belogalzov D., Finaev V., Shapovalov I., Soloviev V., Medvedev M. Decentralized control of a group of robots using fuzzy logic, Journal of Engineering and Applied Sciences, 2017, vol. 12 (9), pp. 2492—2498.

16. Pshikhopov V., Medvedev M. Decentralized control of the mobile robots group in an obstructed 2-D environment, Mekhatronika, Avtomatizatsiya, Upravlenie. vol. 17(5), pp. 346—353 (in Russian).

17. Pshikhopov V., Medvedev M. Mobile Objects Control in Three-Dimensional Area Using the Hybrid Decentralized Algorithm, 5th International Conference on Control, Decision and Information Technologies, CoDIT, 2018, pp. 452—457.

18. Pshikhopov V., Medvedev M. Group control of autonomous robots motion in uncertain environment via unstable modes, SPIIRAS Proceedings, 2018, vol. 60(5), pp. 39—63 (in Russian).

19. Duan H., Qiao P. Pigeon-inspired optimization: A new swarm intelligence optimizer for air robot path planning, International Journal of Intelligent Computing and Cybernetics, 2014, vol. 7 (1), pp. 24—37.

20. Radmanesha M., Kumar M., Sarim M. Grey wolf optimization based sense and avoid algorithm in a Bayesian framework for multiple UAV path planning in an uncertain environment, Aerospace Science and Technology, 2018, vol. 77, pp. 168—179.

21. Fan X., Luo X., Yi S., Yang S., Zhang H. Optimal path planning for mobile robots based on intensified ant colony optimization algorithm, International Conference on Robotics, Intelligent Systems and Signal, Changsha, China (2003), pp. 131—136.

22. Zhang Y., Gong D., Zhang J. H. Robot path planning in certain environment using multi objective particle swarm optimization, Neurocomputing, 2013, vol. 103, 172—85.

23. Liang H. H., Lee C. Efficient collision-free path planning of multiple mobile robots system using efficient artificial bee colony algorithm, Advanced Engineering Software, 2015, vol. 79, 47—56.

24. Xu B., Yang Z., Ge Yu., Peng Z. Coalition Formation in Multi-agent Systems Based on Improved Particle Swarm Optimization Algorithm, International Journal of Hybrid Information Technology, 2015, vol. 8(3), pp. 1—8.

25. Munasypov R. A., Muslimov T. Z. UAVs Group Control Based on the Relative State Space Method, Mekhatronika, Avtomatizatsiya, Upravlenie, 2018, vol. 19, no. 2, pp. 120—125 (in Russian).

26. Wang X., Yang G.-H. Adaptive reliable coordination control for linear agent networks with intermittent communication constraints, E-LETTER on Systems, Control, and Signal Processing, 2018, vol. 362.

27. Hong-Wei G., Wen-Li D., Feng Q., Lu W. A Dissimilation Particle Swarm Optimization-Based Elman Network and Applications for Identifying and Controlling Ultrasonic Motors, Advances in Soft Computing, 2007, vol. 41, pp. 1345—1360.

28. Le Cun Ya., Yoshua B., Geoffrey H. Deep learning, Nature, 2015, vol. 521.7553, pp. 436—444.

29. Zhu J., Park T., Isola P., Efros A. A. Unpaired Image-toImage Translation using Cycle-Consistent Adversarial Networks, In IEEE International Conference on Computer Vision (ICCV), 2017.

30. Gholami B., Rudovic O., Pavlovic V. Probabilistic Unsupervised Domain Adaptation for Knowledge Transfer Across Visual Categories, The IEEE International Conference on Computer Vision (ICCV), 2017, pp. 3581—3590.

31. Li Z., Zhao T., Chen F., Hu Y., Su C.-Y., Fukuda T. Reinforcement Learning of Manipulation and Grasping Using Dynamical Movement Primitives for a Humanoidlike Mobile Manipulator, IEEE/ASME Transactions on Mechatronics, 2018, vol. 23(1), pp. 121—131.

32. Pshikhopov V., Medvedev M., Vasileva M. Neural network control system of motion of the robot in the environment with obstacles, Lecture Notes in Computer Science, 2019, vol. 11606, pp. 173—181.

33. Knyaz V. A., Vishnyakov B. V., Gorbatsevich V. S., Vizilter Yu. V., Vygolov O. V. Intelligent data processing technologies for unmanned aerial vehicles navigation and control, SPIIRAS Proceedings, 2016, vol. 45(2), pp. 26—44 (in Russian).

34. Karkishchenko A. N., Pshikhopov V. Kh. On finding the complexity of an environment for the operation of a mobile object on a plane, Automation and Remote Control, 2019, vol. 80(5), pp. 897—912.

35. Zoph B., Vasudevan V., Shlens J., Le Q. V. Learning Transferable Architectures for Scalable Image Recognition, Proc. of 2017 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2017, July, 22—25, Honolulu, Hawaii.


Рецензия

Для цитирования:


Гайдук А.Р., Мартьянов О.В., Медведев М.Ю., Пшихопов В.Х., Хамдан Н., Фархуд А. Нейросетевая система управления группой роботов в неопределенной двумерной среде. Мехатроника, автоматизация, управление. 2020;21(8):470-479. https://doi.org/10.17587/mau.21.470-479

For citation:


Gaiduk A.R., Martjanov O.V., Medvedev M.Yu., Pshikhopov V.Kh., Hamdan N., Farhood A. Neural Network Based Control System for Robots Group Operating in 2-d Uncertain Environment. Mekhatronika, Avtomatizatsiya, Upravlenie. 2020;21(8):470-479. https://doi.org/10.17587/mau.21.470-479

Просмотров: 893


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-6427 (Print)
ISSN 2619-1253 (Online)