Robot autónomo. Robot autónomo basado en Arduino con capacidad de control remoto

Para ganar experiencia en el trabajo con la placa Arduino, por así decirlo, como una experiencia de aprendizaje y solo por diversión, se creó este proyecto. El objetivo del proyecto era crear un automóvil que pudiera moverse de forma autónoma alrededor de varios obstáculos sin chocar con ellos.

Paso 1: Lista de componentes y costo del proyecto

1. Coche de juguete con radio control (radiocontrolado).

Esta cosa cuesta alrededor de 20 dólares, si tienes la oportunidad de gastar más, puedes usarlo mejor.

2. arduino uno microcontrolador - $25

3. Escudo de motor para controlar motores eléctricos - $20

4. GPS para navegación. Escudo GPS definitivo de Adafruit - $50

5. Magnetómetro como brújula para la navegación. Magnetómetro Adafruit HMC5883 - $10

6. Sensor de distancia ultrasónico para evitar obstáculos. HC-SR04 - $6

7. Pantalla LCD para mostrar el estado y la información del vehículo. Pantalla LCD Azul 1602 IIC, I2C TWI - $6 (puede usar otro)

8. Sensor infrarrojo y control remoto.

9. Bosquejo de Arduino (programa C++).

10. Tablero de madera delgado como plataforma de montaje.

11. Protoboards. Uno es largo y estrecho, y el otro es pequeño para instalar el magnetómetro por separado lejos de otros elementos.

12. Puentes.

13. Kit de montaje de sensor ultrasónico - $12

14. Soldador y estaño.

Entonces, en total, tomó alrededor de $ 150, y eso suponiendo que compre todos estos componentes, porque es posible que ya tenga algunos de ellos.

Paso 2: Montaje del chasis y la plataforma

Se quitó el control de radio de un juguete no deseado que costó 15 dólares.

Este coche tiene dos motores. Con la ayuda de un motor, el control remoto controla la velocidad del robot, y con la ayuda del otro, se controla la dirección.

Se usó una tabla delgada como superficie de montaje sobre la cual se unieron protoboards, Arduino, LCD, etc Las baterías se colocan debajo del tablero y los cables se pasan a través de los agujeros perforados.

Paso 3: programa

El Arduino se controla a través de un programa C++.

Fuente

RC_Car_Test_2014_07_20_001.ino

Paso 4: Pantalla LCD

Durante el funcionamiento, la pantalla muestra la siguiente información:

Fila 1:

1. TH - Blanco, rumbo al waypoint actual

2. CH - Dirección actual del robot

Fila 2:

3. Err - Dirección de la brújula, muestra en qué dirección se mueve el robot (izquierda o derecha)

4. Dist - Distancia focal (en metros) al waypoint actual

Fila 3:

5. SNR: distancia de sonda, es decir, la distancia a cualquier objeto frente al robot

6. Spd - Velocidad del robot

Fila 4:

7. Mem - Memoria (en bytes). La memoria Arduino tiene 2 KB

8. WPT n OF x: muestra dónde se encuentra el robot en la lista de waypoints

Paso 5: Evite colisiones con objetos

Para que el robot evite obstáculos, aquí se utilizó un sensor ultrasónico "Ping". Se decidió combinarlo con la biblioteca Arduino NewPing, ya que es mejor que la biblioteca Ping simple.

La biblioteca fue tomada de aquí: https://github.com/fmbfla/Arduino/tree/master/NewPing

El sensor estaba montado en el parachoques del robot.

El futuro de la agricultura está en los robots autónomos que harán todo el trabajo en los campos. Y entre ellos ya hay prototipos bastante curiosos.

En los últimos años, han comenzado a aparecer cada vez más desarrollos en robótica que automatizan varios procesos en la agricultura. Al mismo tiempo, los más interesantes son los dispositivos autónomos que ya pueden funcionar y tomar decisiones de forma independiente en la actualidad. El desarrollo de robots autónomos lo llevan a cabo con mayor frecuencia pequeñas empresas o nuevas empresas, así como universidades de todo el mundo.

Aquí hay una selección de los 10 robots más prometedores para la agricultura.

1. Robot de flujo de campo Adigo - Especialista en nitrógeno

Los fertilizantes nitrogenados liberan N2O, que tiene un impacto negativo en el medio ambiente y puede dañar las plantas: amarillamiento de las hojas, destrucción de la membrana o retraso en el crecimiento. En primer lugar, para evitar el impacto negativo del óxido nitroso en las plantas, es necesario determinar la cantidad de N2O en el campo. En promedio, una prueba de este tipo lleva 27 horas, pero Adigo ha desarrollado un robot que puede hacerlo en una hora. Exteriormente, el dispositivo se asemeja a un balancín, baja bloques de aluminio al suelo y analiza el suelo.

La empresa está desarrollando actualmente nueva versión un robot que será más ligero y productivo.

2. Ecorobotix es una mesa de tenis que combate las malas hierbas.

Robot Ladybird o "Ladybug" fue diseñado y construido específicamente para la industria vegetal. Se utiliza para monitorear la finca y elaborar mapas tecnológicos. Está equipado con una gama de sensores y paneles solares que permiten al robot monitorear el crecimiento de las plantas y las plagas durante todo el día. Las pruebas han demostrado que el robot puede funcionar durante tres días sin recargar. La "Ladybug" también tiene un brazo mecánico que le permite quitar las malas hierbas del campo.

4. Rosphere: un hombre de pan de jengibre que encontrará plantas enfermas

Robot-kolobok Rosphere. Fuente:

Investigadores de la Universidad de Madrid han creado un robot esférico para recoger información sobre el estado del suelo y los cultivos. El principio de movimiento del robot se asemeja a un zorb o una bola ambulante: dentro de Rosphere hay un mecanismo de péndulo que puede moverse en dos direcciones independientes al mando de un sistema de control electrónico. El diseño permite que el robot no solo ruede en línea recta, sino también que haga giros. El robot de pan de jengibre está equipado con un rastreador GPS y una gama de sensores, gracias a los cuales recopila información sobre la salud de los cultivos, la composición del suelo, su temperatura y humedad. Luego transmite esta información a la computadora del agricultor mediante Wi-Fi.

Otro robot de David Dourhout. El Aquarius es capaz de transportar 114 litros de agua y se utiliza para regar plantas de invernadero. El robot opera en dos modos: fijo y proporcional. En el primer caso, el propio agricultor establece la dosis requerida para regar las plantas y luego el dispositivo funciona de acuerdo con la configuración especificada. La segunda opción es que el robot utilice sensores para analizar cuánta agua necesita cada planta y decida por sí mismo el tema de la dosificación.

Además de regar las plantas, Acuario también puede abrir puertas y moverse entre habitaciones, lo cual es muy conveniente si las plantas están en diferentes habitaciones.

Fuente 8Vitirover es un robot al que no le gustan las malas hierbas en los viñedos.

Robot viticultor Vitirover.

Palabras clave

ROBOTS MÓVILES AUTÓNOMOS / SISTEMA DE NAVEGACIÓN/ SLAM / LÓGICA DIFUSA / VARIABLES LINGÜÍSTICAS / inferencia borrosa / SISTEMAS DE ROBOT MULTIAGENTE/ ROBOTS MÓVILES AUTÓNOMOS / SISTEMA DE NAVEGACIÓN / LÓGICA FUZZY / VARIABLE LINGÜÍSTICA / INFERENCIA LÓGICA FUZZY / SISTEMAS ROBÓTICOS MULTIAGENTE

anotación artículo científico sobre ingeniería eléctrica, ingeniería electrónica, tecnología de la información, autor del trabajo científico - Mikhailov Boris Borisovich, Nazarova Anaid Vartanovna, Yushchenko Arkady Semenovich

Se consideran nuevos métodos de control y navegación por robots capaces de comportarse de forma autónoma en un entorno de trabajo no determinista. La actividad de un operador humano se reduce a monitorear el funcionamiento del sistema robótico y establecer las tareas actuales. Esto agrega comentarios, que pueden ser verbales. Así, la tarea de control adquiere el carácter de un diálogo entre un humano y un robot, acompañado de mensajes gráficos y de voz. Un papel importante es jugado por sistema de navegación, ya que el robot debe evaluar de forma independiente el entorno y planificar su trayectoria, incluso en presencia de otros objetos en movimiento en el área de trabajo. Decisión automática Estas tareas facilitan mucho la tarea del operador, pero requieren el desarrollo de un sistema de control "inteligente" para un robot autónomo. Entre estas tareas se encuentra el problema del retorno automático del robot en caso de pérdida de comunicación con el operador, cuya solución aumenta la confiabilidad del sistema robótico. Cambiar la naturaleza de la actividad del operador, que ahora no controla directamente los movimientos del robot, conduce a un cambio en la naturaleza del sistema de control, ya que debe tener en cuenta las percepciones del operador y la naturaleza de las decisiones que toma. hace. Una de las formas de resolver este problema es utilizar la lógica difusa tanto en la etapa de percepción de la información como en las etapas de planificación de acciones y toma de decisiones operativas. Aplicación de relaciones espacio-temporales "naturales" y variables lingüísticas acerca aún más el proceso de control al diálogo entre el operador y el robot, lo que permite definir un sistema robótico de este tipo como un sistema de control cooperativo. En la práctica, la mayoría de los problemas resueltos robots móviles autónomos como el monitoreo del terreno, el reconocimiento de radiación y químicos, el control de incendios y desastres naturales requieren la participación de un grupo de robots móviles. En el artículo también se presentan algunos resultados relacionados con el control grupal de robots.

Temas relacionados artículos científicos sobre ingeniería eléctrica, ingeniería electrónica, tecnología de la información, autor de trabajos científicos - Mikhailov Boris Borisovich, Nazarova Anaid Vartanovna, Yushchenko Arkady Semenovich

• Navegación y control del robot móvil

  2017 / Kershin A.Zh., Ergaliev D.S.

• Perspectivas para el desarrollo de sistemas robóticos terrestres autónomos para fines militares especiales

  2016 / Lapshov Vladimir Sergeevich, Noskov Vladimir Petrovich, Rubtsov Ivan Vasilyevich, Rudianov Nikolai Alexandrovich, Gurji Artur Ilyich, Ryabov Anatoly Viktorovich, Khrushchev Vasily Sergeevich

• Sistema de posicionamiento e identificación de una plataforma robótica móvil en espacios confinados y abiertos

  2018 / Evdokimova Tatyana Sergeevna, Sinodkin Alexey Alexandrovich, Fedosova Lyudmila Olegovna, Tyurikov Maxim Igorevich

• Principales resultados y áreas prometedoras de investigación en el campo de la navegación y control de sistemas robóticos móviles

  2013 / Lopota Alexander Vitalievich, Polovko Sergey Anatolievich, Smirnova Ekaterina Yurievna, Plavinsky Mikhail Nikolaevich

• Formación de modelos de realidad virtual y campos de información y navegación para garantizar el funcionamiento autónomo de RTK de propósito especial

  2017 / Lapshov Vladimir Sergeevich, Noskov Vladimir Petrovich, Rubtsov Ivan Vasilyevich, Rudianov Nikolai Alexandrovich, Ryabov Anatoly Viktorovich, Khrushchev Vasily Sergeevich

• Control de movimiento inteligente de objetos móviles autónomos basado en un enfoque conductual

  2015 / Beloglazov D.A., Kosenko E.Yu., Kobersi I.S., Solovyov V.V., Shapovalov I.O.

• Perspectivas para el uso de sistemas robóticos en aras de garantizar la seguridad militar del estado

  2016 / Kalach Gennady Petrovich, Kalach Gennady Gennadievich, Travnikov Sergey Anatolyevich

• Sistema de control de robot de tubería en miniatura

  2015 / Sergei Anatolievich Vorotnikov, Nikita Igorevich Nikitin, Marco Ceccarelli

• Estrategias de control de grupos mixtos en sistemas robóticos multiagente

  2012 / Makarov Igor Mikhailovich, Lokhin Valery Mikhailovich, Manko Sergey Viktorovich, Romanov Mikhail Petrovich, Alexandrova Rimma Ivanovna

• Algoritmos de navegación local y cartografía para el sistema de control embarcado de un robot móvil autónomo

  2012 / Kuchersky Roman Vladimirovich, Manko Serguéi Viktorovich

ROBOTS MÓVILES AUTÓNOMOS - NAVEGACIÓN Y CONTROL

Los nuevos métodos de control y navegación de robots móviles autónomos en un entorno indeterminado están bajo consideración en el documento. El operador humano solo puede observar el comportamiento del sistema robótico y establecer las nuevas tareas. La retroalimentación puede ser en forma de habla. Así, la tarea de control adquiere la forma de un diálogo entre humanos y robots acompañado de información gráfica y de voz. Una parte importante en el control autónomo del robot es el sistema de navegación que demuestra que el robot aprecia el entorno y planifica su propio camino. También en presencia de otros objetos en movimiento en la escena. La automatización de tales operaciones puede facilitar suficientemente las tareas del operador mediante la intelectualización del sistema de control del robot móvil. Una de estas tareas es el retorno del robot en caso de pérdida de comunicación con el operador. El nuevo modo de control del operador conduce a un nuevo modo de sistema de control que ahora debe tener en cuenta las posibilidades de los humanos para percibir información y aceptar las decisiones necesarias. Una de las formas de resolver el problema es la aplicación de la lógica difusa tanto en la etapa de percepción como en la etapa de planificación y decisión. La aplicación de las relaciones “naturales” de espacio y tiempo hacen que el diálogo sea similar al diálogo entre el maestro y el asistente. Entonces, tales sistemas robóticos pueden llamarse cooperativos. Sus aplicaciones prácticas suelen exigir la participación de un grupo de robots autónomos para cumplir con la tarea planteada. También se presentan algunos resultados en esta dirección.

El texto del trabajo científico. sobre el tema "Robots móviles autónomos: navegación y control"

17 Pshikhopov V.Kh., Medvedev M.Yu. Adaptivnoe pozitsionnoe upravlenie podvizhnymi ob "ektami, ne linearizuemymi obratnoy svyaz" yu, Mekhatronika, avtomatizatsiya, upravlenie, 2015, vol. 16, núm. 8, págs. 523-530.

18. Martynova L.A., Mashoshin A.I., Pashkevich I.V., Sokolov A.I. Sistema upravleniya - naibolee slozhnaya chast" avtonomnykh neobitaemykh podvodnykh apparatov, Morskaya radioelektronika, 2015, No. 4 (54), págs. 23-32.

19. Martynova L.A., Mashoshin A.I., Pashkevich I.V., Sokolov A.I. Integrirovannaya sistema upravleniya avtonomnogo neobitaemogo podvodnogo apparata, Materialy 8th Vserossiyskoy mul "tikonferentsii po problemam upravleniya, Divnomorskoe, 28 sentyabrya - 3 oktyabrya 2015g, Vol. 3, pp. 191-193.

20. Martynova L.A., Mashoshin A.I., Pashkevich I.V., Sokolov A.I. Algoritmia, realizuemye integrirovannoy sistemoy upravleniya ANPA, Izvestiya YuFU. Tekhnicheskie nauki, 2015, n. 1 (162), págs. 50-58.

21. Gorodetskiy V.I., Grushinskiy M.S., Khabalov A.V. Mnogoagentnye sistemy (obzor), Novosti iskusstvennogo intellekta, 1998, no. 2, págs. 64-116.

22. Rzhevskiy G.A., Skobelev P.O. ¿Cómo upravlyat "slozhnymi sistemami? Mul" tiagentnye tekhnologii dlya sozdaniya intellektual "nykh sistem upravleniya predpriyatiyami. Samara: Ofort, 2015, 290 p.

23. Innocenti B. Una arquitectura multiagente con coordinación distribuida para un robot autónomo. Doctor. tesis doctoral - Universitat de Girona, 2009, 146 p.

Martynova Lyubov Alexandrovna - JSC "Preocupación" Instituto Central de Investigación "Elektroribor"; Email: [correo electrónico protegido]; 190068, San Petersburgo, Avenida Rimsky-Korsakov, 49, apto. uno; tel.: +79219411395; Centro de Investigación "Sistemas de Iluminación Integrados"; Doctor en Ciencias Técnicas; investigador senior

Mashoshin Andrey Ivanovich - correo electrónico: [correo electrónico protegido]; 197046, San Petersburgo, st. Malaya Posadskaya, 30; tel.: +79217632345; Centro de Investigación "Sistemas de Iluminación Integrados"; Doctor en Ciencias Técnicas; Profesor.

Martynova Liubov Alexandrovna - JSC CSRI Elektroribor; Email: [correo electrónico protegido]; 49-1, pr. Rimskogo-Korsakowa, San Petersburgo, 190068, Rusia; NIC "ISOO"; teléfono: +79219411395; dr. de ing. Carolina del Sur.; científico senior.

Mashoshin Andrey Ivanovith - correo electrónico: [correo electrónico protegido]; 32, calle Malaja Posadskaja, San Petersburgo, 197046, Rusia; teléfono: +79217632345; NIC "ISOO"; dr. de ing. Carolina del Sur.; profesor.

CDU 621.865(075.8)

CAMA Y DESAYUNO. Mijailov, A.V. Nazarova, A. S. Yushchenko

ROBOTS MÓVILES AUTÓNOMOS - NAVEGACIÓN Y CONTROL

Se consideran nuevos métodos de control y navegación por robots capaces de comportarse de forma autónoma en un entorno de trabajo no determinista. La actividad de un operador humano se reduce a monitorear el funcionamiento del sistema robótico y establecer las tareas actuales. Esto agrega retroalimentación, que

puede ser verbal. Así, la tarea de control adquiere el carácter de un diálogo entre un humano y un robot, acompañado de mensajes gráficos y de voz. El sistema de navegación juega un papel importante en esto, ya que el robot debe evaluar de forma independiente el entorno y planificar su camino, incluso en presencia de otros objetos en movimiento en el área de trabajo. La solución automática de estos problemas facilita mucho la tarea del operador, pero requiere el desarrollo de un sistema de control "inteligente" para un robot autónomo. Entre estas tareas se encuentra el problema del retorno automático del robot en caso de pérdida de comunicación con el operador, cuya solución aumenta la confiabilidad del sistema robótico. Cambiar la naturaleza de la actividad del operador, que ahora no controla directamente los movimientos del robot, conduce a un cambio en la naturaleza del sistema de control, ya que debe tener en cuenta las percepciones del operador y la naturaleza de las decisiones que toma. hace. Una de las formas de resolver este problema es utilizar la lógica difusa tanto en la etapa de percepción de la información como en las etapas de planificación de acciones y toma de decisiones operativas. El uso de relaciones espacio-temporales "naturales" y variables lingüísticas acerca aún más el proceso de control al diálogo entre el operador y el robot, lo que permite definir un sistema robótico de este tipo como un sistema de control cooperativo. En la práctica, la mayoría de las tareas resueltas por robots móviles autónomos, como el monitoreo del terreno, el reconocimiento de radiación y químicos, la lucha contra incendios y desastres naturales, requieren la participación de un grupo de robots móviles. En el artículo también se presentan algunos resultados relacionados con el control grupal de robots.

Robots móviles autónomos; sistema de navegación; GOLPE; lógica difusa; variables lingüísticas; conclusión lógica difusa; Sistemas robóticos multiagente.

CAMA Y DESAYUNO. Mijailov, A.V. Nazarova, A. S. Yuschenko ROBOTS MÓVILES AUTÓNOMOS - NAVEGACIÓN Y CONTROL

Los nuevos métodos de control y navegación de robots móviles autónomos en un entorno indeterminado están bajo consideración en el documento. El operador humano solo puede observar el comportamiento del sistema robótico y establecer las nuevas tareas. La retroalimentación puede ser en forma de habla. Así, la tarea de control adquiere la forma de un diálogo entre humanos y robots acompañado de información gráfica y de voz. Una parte importante en el control autónomo del robot es el sistema de navegación que demuestra que el robot aprecia el entorno y planifica su propio camino. También en presencia de otros objetos en movimiento en la escena. La automatización de tales operaciones puede facilitar suficientemente las tareas del operador mediante la intelectualización del sistema de control del robot móvil. Una de estas tareas es el retorno del robot en caso de pérdida de comunicación con el operador. El nuevo modo de control del operador condujo a un nuevo modo de sistema de control que ahora tiene que tener en cuenta las posibilidades de los humanos para percibir la información y aceptar las decisiones necesarias. Una de las formas de resolver el problema es la aplicación de la lógica difusa. tanto en la etapa de percepción como en la etapa de planificación y decisión. La aplicación de las relaciones "naturales" del espacio y del tiempo hacen que el diálogo sea similar al diálogo entre el maestro y el asistente. Por lo tanto, estos sistemas robóticos pueden denominarse cooperativos. Sus aplicaciones prácticas suelen exigir la participación de un grupo de robots autónomos para cumplir con la tarea planteada.

Robots móviles autónomos; sistema de navegación; GOLPE; lógica difusa; variable lingüística; entrada de lógica difusa; Sistemas robóticos multiagente.

Introducción. Los robots móviles modernos pueden moverse de forma independiente en el espacio circundante y realizar las acciones necesarias con la ayuda de manipuladores. El robot está equipado con un sistema de visión y un conjunto de sensores de información capaces de formar una visión integral de la situación actual. La base de conocimientos del robot le permite navegar de forma independiente en el entorno y tomar decisiones sobre las acciones necesarias para resolver la tarea. Así móvil manipulador

el robot es un sistema técnico "inteligente" capaz de un comportamiento autónomo. Sin embargo, en la mayoría de las tareas realizadas bajo condiciones predeterminadas y asociadas a un alto “costo” de error en caso de acciones incorrectas, aún se asume la participación de un operador humano en el control del robot.

El uso de la robótica en diversas aplicaciones relacionadas con la solución de problemas especiales requiere la máxima simplificación de las formas en que interactúan una persona y un robot. La forma más natural de dicha interacción es el control del diálogo de voz. La tarea de controlar el robot por parte del operador incluye en este caso un diálogo en un lenguaje orientado a problemas cercano al natural, y la observación de las acciones del robot. El planteamiento del problema de control en este caso se modifica, ya que el robot ya no es un objeto de control, sino un compañero-sujeto técnico, capaz de determinar de forma independiente sus subobjetivos y línea de comportamiento en interés de la tarea general establecida por el operador. El papel de retroalimentación en el sistema de control de diálogo lo realizan los mensajes de voz del robot al operador, destinados a aclarar los comandos, informar al operador sobre la situación actual o sobre el logro del objetivo.

Un papel especial en la resolución de problemas de control de robots autónomos pertenece al sistema de sensores de información, que debe analizar de forma independiente la situación actual, planificar sus acciones y, al mismo tiempo, interactuar con el operador humano en un lenguaje cercano al lenguaje natural. Debe buscar y detectar objetos peligrosos de forma independiente, moverse libremente en un espacio en el que se pueden ubicar otros objetos en movimiento. Si se pierde la comunicación con el operador, el robot debe, de forma independiente, utilizando la información recibida y almacenada sobre el mundo exterior, volver a su posición original.

El control de un robot autónomo por parte del operador adquiere un nuevo carácter. Esto ya no es un control de tráfico directo, sino una configuración de tareas. Dado que no siempre se cumplen las condiciones para realizar las tareas, la gestión adquiere el carácter de un diálogo entre una persona y un sistema de control inteligente. Este último participa por igual en la planificación de las operaciones y en la toma de decisiones. Este tipo de sistemas robóticos se denominan sistemas de control cooperativo.

El alcance de los robots autónomos es muy amplio. Esta es la búsqueda y neutralización de objetos peligrosos, las tareas de reconocimiento químico y de radiación, el trabajo en la zona de desastres naturales y provocados por el hombre. Estos sistemas robóticos también se utilizan en el ámbito civil como robótica de servicios. Los robots de servicio ya han aparecido y cumplen con éxito las funciones de atender a los visitantes en museos, aeropuertos y tiendas. El uso de robots de servicio en instituciones médicas es especialmente importante, incluso como medio de rehabilitación de pacientes. Los robots de servicio de telepresencia se utilizan activamente, lo que permite estar de forma remota en la sala y moverse por ella, observando lo que sucede alrededor de la cámara de video del robot.

La aplicación práctica de robots móviles autónomos ha llevado a la necesidad de la participación simultánea en la realización de tareas no por uno, sino por un grupo de robots que interactúan. La teoría del control de grupos de robots inteligentes se encuentra en la etapa inicial de su desarrollo. Sin embargo, también se han obtenido ciertos resultados en esta área.

1. Navegación y movimiento en el espacio con obstáculos móviles. Se considera el trabajo de un robot móvil en una habitación, cuyo plan se desconoce de antemano. Hay obstáculos estáticos en la habitación (paredes,

mesas, sillas) y móviles (personas, otros robots). El robot móvil está equipado con un telémetro láser de escaneo, que recibe un escaneo en relieve de los objetos circundantes en un plano paralelo a la superficie subyacente. Es necesario determinar la posición del robot móvil en tiempo real en el sistema de coordenadas asociado a la habitación (problema de localización), así como construir un mapa de esta habitación que muestre el relieve de las paredes y los objetos estacionarios. Dichos sistemas de control se conocen como sistemas SLAM (Sistema de Localización y Mapeo).

La estructura funcional del sistema de navegación de un robot móvil se muestra en la fig. 1 Una característica de la estructura propuesta es la independencia del tipo de chasis del robot móvil, así como de la presencia y tipo de sensores de odometría, lo que permite utilizar el sistema de navegación desarrollado en todo tipo de robots móviles que operan en interiores.

Para realizar sus tareas, el robot debe moverse a lo largo de una ruta determinada y al mismo tiempo observar medidas de seguridad, incluso cuando hay objetos en movimiento en el área de trabajo. Así, el robot se mueve de forma autónoma utilizando el sistema de navegación, mientras que el operador realiza únicamente la función de configurar la tarea. Tampoco se excluye el modo semiautomático, por ejemplo, el modo de telepresencia, en el que se simplifica enormemente la tarea del operador.

En la primera etapa de la operación del sistema de navegación, la tarea de filtrar el escaneo se resuelve eliminando las mediciones falsas mediante un filtro especial. Para resolver el problema de analizar el modelo del entorno de trabajo, primero se estudió el método de distribuciones normales (NDT - Normal Distribution Transform). En este caso, el mapa de la habitación se divide en celdas, cada una de las cuales no contiene los puntos en sí, sino los parámetros de la distribución normal de todos los puntos que están dentro. Resolviendo el problema de minimizar la función de correlación cruzada entre el escaneo y el mapa, es posible determinar la posición del robot desde el cual se obtuvo el escaneo actual.

Arroz. 1. Diagrama funcional del sistema de navegación de un robot móvil

Un análisis de este método mostró que limita significativamente la velocidad del robot móvil, ya que todos los cálculos se realizan en tiempo real. Por lo que se propuso nueva manera, en el que el escaneo obtenido utilizando el sistema de sensores de información se convierte en una función de cuadrícula. En este caso, cada punto del escaneo se convierte en una cierta función continua, luego se combinan utilizando el principio de superposición seleccionado y se superponen en el mapa de cuadrícula, formando así una función de cuadrícula. El método de las funciones de cuadrícula, así como el método de las distribuciones normales, se basa en comparar el escaneo y el mapa resultante mediante una función de correlación cruzada. Para minimizar esta función, se utilizó un método de Newton modificado. Después de resolver el problema SLAM, la posición del robot en el mapa se puede calcular mediante la transformación del sistema de coordenadas del telémetro láser al sistema de coordenadas del robot móvil. Un análisis comparativo de los dos métodos de localización considerados mostró que la ventaja del nuevo método de función de cuadrícula radica en la región de convergencia extendida, que permite aumentar significativamente la velocidad del robot móvil.

Lo específico de controlar un robot móvil en un entorno dinámico es que el movimiento de los obstáculos no se puede calcular de antemano. Para evitar colisiones con obstáculos en movimiento, es necesario conocer su posición y predecir su trayectoria. Luego puede moverse a lo largo de la trayectoria planificada, desviándose de ella en el momento adecuado para maniobrar y sortear el obstáculo. Se propone un algoritmo para controlar un robot en un entorno dinámico basado en el rastreo de obstáculos en movimiento. En la primera etapa, el problema de la planificación de rutas se resuelve utilizando el mapa de habitaciones construido por el método de funciones de cuadrícula. Para ello se utiliza el conocido algoritmo A*. A continuación, se resuelve el problema de rastrear obstáculos en movimiento, determinando el vector actual del estado del obstáculo en cada momento, sincronizado con la recepción de un nuevo escaneo. Para crear una lista de obstáculos, los puntos de escaneo se clasifican y agrupan primero. La agrupación en este caso se lleva a cabo de acuerdo con la distancia euclidiana entre los puntos de escaneo. El valor umbral se calcula a partir de la distancia al punto y la resolución angular del telémetro láser.

Cada objeto en movimiento se procesa para obtener los parámetros del círculo total que le corresponde. Después de encontrar el círculo total, es posible obtener una estimación del vector de estado completo del objeto en movimiento (Fig. 2).

El algoritmo desarrollado predice la nueva posición de este objeto utilizando las ecuaciones de la cinemática (se supone que el objeto observado es un cuerpo rígido que se mueve a lo largo del plano) y el vector anterior de su estado. Luego, utilizando la predicción obtenida y los parámetros del círculo general, se determina la (&+1)-ésima estimación de la posición del objeto:

Arroz. 2. Para determinar la posición de un objeto en movimiento

k+1 = K ■ xki + (1 - K) ■ xcr =

Reino Unido + 1 \u003d K ■ Uki + (1 - K) ■ Ukr

donde xki, uki - la posición medida del objeto, xcr, ukr - la posición prevista del objeto, K - el coeficiente de filtración.

Luego se determina la duración del movimiento y la dirección a lo largo de la cual se realizó:

xk+1 - xk) Fki = 2arC£

(Reino Unido + 1 - Reino Unido U

V хк+1 - хкu La estimación del ángulo de rumbo también se calcula:

Fk+1 = Kf ■Fki + (1 - Kf) ■Fkr Las velocidades se determinan evaluando la derivada de la longitud de la trayectoria recorrida y el incremento del ángulo de rumbo:

Las tareas de seguir una ruta planificada y sortear obstáculos en movimiento se resuelven conjuntamente, ya que al moverse a lo largo de una trayectoria dada, los objetos en movimiento pueden estar cerca de esta trayectoria. En este caso, se debe realizar una maniobra de derivación. El movimiento posterior, independientemente del estado anterior, debe ser óptimo según el criterio seleccionado.

Para confirmar el método de control propuesto, se preparó un experimento que incluía la construcción de un mapa de la habitación, la determinación de la precisión de la localización y la evaluación de la calidad del control del robot en presencia de obstáculos dinámicos (Fig. 3).

Arroz. 3. Realización de experimentos sobre navegación de robots móviles

La precisión de localización medida fue de 0,68 ± 0,45° en ángulo de rotación y 0,4 ± 0,8 cm en posición, lo que es un buen resultado, superando a los análogos existentes. Los indicadores de calidad del control se basaron en la longitud del camino, el tiempo de la operación y la distancia al obstáculo, respectivamente: Lcamino = 2,4 ± 0,6 m, TraA = 6,8 ± 1,3 s, Dmax = 0,5 ± 0,2 m.

El sistema de navegación desarrollado ha encontrado su aplicación en un robot de servicio real construido por la empresa Neurobotics para patrullar el recinto en busca de personas con un estado psicoemocional alterado. Ámbito de su aplicación: estaciones de ferrocarril, aeropuertos, centros comerciales y otros lugares concurridos.

2. La tarea de retorno automático del robot. Tenga en cuenta que, a pesar del alto grado de autonomía de un robot móvil inteligente, aún debe ser controlado por un operador que establece las tareas actuales de acuerdo con la información recibida. Además, en la mayoría de las tareas, los robots móviles son controlados directamente de forma remota por el operador. En caso de pérdida de comunicación, deterioro de la visibilidad y otros casos en los que no se puede utilizar el control semiautomático, existe un problema de devolución automática del robot al operador. Si las tareas principales se resuelven de forma remota, utilice costosos localizador Laser no siempre es conveniente resolver este problema utilizando el método SLAM. Por lo tanto, en situaciones extremas, una alternativa a estos métodos es la odometría visual, un método para estimar el desplazamiento lineal y angular de un robot mediante el análisis de una secuencia de imágenes tomadas por una cámara instalada en él.

En mesa. La Tabla 1 compara los principales métodos utilizados hoy en día para resolver los problemas de navegación de los robots móviles. Aquí se muestran las ventajas "+" y las desventajas "-" de los métodos de navegación considerados al resolver el problema de devolver el robot. Esta comparación muestra la factibilidad de utilizar el método de odometría visual.

tabla 1

Comparación de métodos de navegación para robots móviles autónomos

S % O Balizas SLAM Odómetro Visual odometría

No acumular error + + + - -

Alta precisión en trayectos cortos - - +/- ++

Trabaja en un entorno no determinista + - + + +

No reduce la precisión en interiores - - + + +

El tamaño del territorio no está limitado. + - - + +

Invariante al deslizamiento de las ruedas + + + - +

No requiere objetos fijos + - - ++

Invariante a los cambios en el medio ambiente + + - + +

En la fig. 4 muestra la secuencia de etapas de funcionamiento del odómetro visual. Para su funcionamiento se ingresan periódicamente pares de imágenes obtenidas mediante dos cámaras de televisión ubicadas a bordo del robot, y para cada una se realizan los procedimientos enumerados en la Fig. 4. Después de la alineación de las imágenes en la imagen de la izquierda, se resaltan puntos especiales que se pueden distinguir consistentemente de otros, por ejemplo, las esquinas de los objetos, puntos, cambios bruscos de brillo, etc. En la imagen de la derecha están los puntos que les corresponden. El cálculo de las coordenadas espaciales de puntos singulares se realiza al resolver el problema de triangulación utilizando la diferencia de posición de imágenes de un mismo punto de dos cámaras. Para calcular el desplazamiento del robot, se rastrea el cambio en la posición de los puntos clave a lo largo del tiempo. Se utilizó el algoritmo de Lucas y Kened y el filtrado de Hirschmuller.

Arroz. 4. La secuencia de etapas del odómetro visual.

Calcular el movimiento de un robot es un problema estadístico. La precisión de su solución se logra debido a la cantidad de puntos. En la fig. 5 muestra el movimiento del sistema de coordenadas del robot durante el cambio de marco. El sistema de coordenadas 0°X0Y0 20 es fijo. 0SHSUS2S: la posición del sistema de coordenadas del robot en el momento actual. 0 р ХРУР2Р - en algún momento anterior. - Puntos fijos singulares del espacio. Sean las coordenadas del enésimo punto singular del espacio en el sistema de coordenadas del robot en el momento actual Cr = (X C UUS 2C)T, las coordenadas del mismo punto en el espacio en algún momento anterior P1 = (Xp Ur 2p)T, N se encuentran los puntos. El cambio en la posición del sistema de coordenadas del robot se describirá como:

C( =R1 + T, 1 = mg,

(G11 G12 G13\

r21 r2 2 r2 z I - matriz

empresa. El problema es obtener una estimación de T e I al resolver el sistema de ecuaciones algebraicas lineales obtenido (sobredeterminado) por el método de mínimos cuadrados. Cuantas más coordenadas se fijan, menos sensible es la solución al error en la determinación de las coordenadas de los puntos singulares.

Arroz. 5. Mover el sistema de coordenadas del robot

Las coordenadas actuales del robot se estiman calculando las compensaciones T y R. Cuando los puntos especiales desaparecen del campo de visión de las cámaras de TV, se excluyen y se reemplazan por otros nuevos, lo que permite medir las coordenadas en un Ambiente cambiante. Determinar las coordenadas del robot le permite construir una trayectoria de retorno automático al operador utilizando splines de tercer grado.

En la Fig. 6. En el modo "manual" normal, el operador controla el robot con el joystick J, configurando las velocidades lineal y angular v** y w**. Estas señales se reciben a través del transceptor de RF e ingresan al sistema de control de accionamiento D donde se convierten en las velocidades angulares de las ruedas q1 y q "2. El odómetro visual VO calcula las velocidades lineales y angulares del robot y, el cómputo de lo que permite estimar sus coordenadas actuales x, y y rumbo a. El bloque de navegación NVG guarda la trayectoria pasada por el robot, eliminando bucles y ruido. Si se pierde la conexión, el bloque RF cambiará el sistema al modo "automático", en el robot regresa a lo largo de la trayectoria guardada automáticamente. Para hacer esto, el bloque NVG proporciona las coordenadas x* e y* del punto inicial pf de la trayectoria. El robot se mueve a este punto usando el odómetro visual como retroalimentación de posición.

Se realizó un estudio experimental del sistema de retorno automático propuesto instalado en un robot móvil en condiciones reales. En la primera etapa, el operador, utilizando un joystick, llevó el robot al punto final a lo largo de una trayectoria arbitraria, que se registró de acuerdo con el algoritmo propuesto.

Arroz. 6. Esquema del sistema de control de robot móvil

Cuando el robot llegó al punto final, se simuló una pérdida de comunicación y el operador cambió el sistema de control al modo automático. En la segunda etapa, el robot regresó automáticamente al operador (al punto de partida) de acuerdo con la descripción de la trayectoria guardada.

En cada ejecución, después de que el robot regresara, se midieron las coordenadas del punto de ruptura y se estimó el error cuadrático medio de la salida del robot al punto de partida en relación con la longitud de la trayectoria. En total, se realizaron alrededor de 100 carreras a lo largo de varias trayectorias para su verificación. Los estudios experimentales se llevaron a cabo en interiores, exteriores y en el parque. Demostraron que se pueden obtener los mejores resultados combinando los datos del odómetro visual con otras herramientas de odometría: odometría de ruedas y datos del medidor de velocidad angular inercial. El error cuadrático medio de volver al punto de partida no fue más del 3%. Tenga en cuenta que los experimentos también se llevaron a cabo en condiciones desfavorables para la odometría visual.

viyah: en el crepúsculo y la oscuridad, en las superficies subyacentes planas. Sin embargo, incluso en estas condiciones, el uso de la odometría visual ha mejorado significativamente la precisión del sistema de navegación.

3. Modelo borroso de la situación actual. El control de los robots móviles autónomos por parte del operador adquiere el carácter de establecimiento de tareas y un diálogo que acompaña a su ejecución. En este caso se deben utilizar relaciones espacio-temporales “naturales” desde el punto de vista humano, lo que simplifica enormemente la tarea de controlar el robot. Para organizar el control interactivo de un robot móvil, es recomendable utilizar métodos de lógica difusa. Estos métodos han demostrado ser muy efectivos para describir el mundo exterior y la situación actual utilizando variables lingüísticas. El desarrollo de este enfoque, aplicado a la tarea de controlar robots, es encontrar una evaluación “natural” de la situación en el mismo sentido, y tomar una decisión que determine el comportamiento del robot bajo condiciones previamente inciertas.

La descripción del mundo exterior del robot incluye tanto una descripción de los objetos de interés para realizar una operación determinada como las relaciones espaciales entre los objetos del mundo, incluido el propio robot. Para describir las relaciones espaciales entre los objetos de la escena de trabajo se utilizan relaciones difusas existenciales e intencionales. Las primeras son las relaciones de posición y orientación de los objetos. Por ejemplo, "el objeto a1 está lejos y frente a la derecha del objeto a2". Las relaciones intencionales incluyen relaciones tales como tocar; estar dentro; estar fuera; estar en el centro, etc. A partir de relaciones binarias espaciales elementales, utilizando las reglas formales de conjunción y disyunción, es posible obtener otras relaciones encontradas en la práctica.

La situación actual, incluidos los objetos M, incluido el robot controlado, se describe mediante un sistema de marcos binarios (<объект m>, <отношение>, <объект п>), m, i=1,2,...,M. Si las relaciones binarias difusas entre todos los objetos que pueden ser observados por el robot en el proceso de movimiento están predeterminadas, obtendremos una red semántica difusa o un mapa difuso. Usando un mapa de este tipo, es posible, en particular, navegar el robot a lo largo de los puntos de referencia observados, es decir, para objetos cuya posición se conocía de antemano. La imagen de la situación actual puede incluir otras características borrosas, además de las espaciales. Por ejemplo, un robot móvil diseñado para proteger una habitación del fuego puede tener sensores de temperatura, humedad, composición del aire (presencia de sustancias nocivas o humo) y sensores acústicos. La totalidad de estos datos determina la dirección del movimiento hacia la fuente del fuego.

Una característica importante de la tarea de controlar un robot móvil equipado con un sistema de visión utilizando un modelo borroso de la escena de trabajo es que, en el proceso de movimiento, cambia la escala de la imagen percibida por la cámara montada en el robot. Varía según la distancia al obstáculo y el ángulo de rumbo. Este efecto lleva a la necesidad de introducir una función de pertenencia bidimensional para determinar la posición actual del robot en el plano. Por ejemplo, la función de pertenencia de orientación (según el ángulo de rumbo) también depende de la distancia D. Esta característica del sistema de visión de un robot móvil autónomo corresponde a la ley de la perspectiva espacial inherente a la visión humana natural.

Dado que el mundo exterior cambia constantemente tanto por el movimiento de los objetos observados como por el movimiento del propio robot, la descripción de la situación también cambia en el tiempo. Esta circunstancia requiere tener en cuenta en el caso general no solo las relaciones espaciales, sino también las temporales en el mundo externo, tales como

"estar al mismo tiempo", "estar antes", "seguir". Tales relaciones deben usarse, en particular, cuando se controlan robots móviles que se mueven en un espacio que contiene otros objetos en movimiento. Le permiten proporcionar un seguimiento automático de objetos en movimiento o evitar colisiones con ellos.

En el caso general, la situación está determinada por un marco, cuyas ranuras son los nombres de los objetos en el mundo externo, las relaciones naturales entre los objetos, tanto espaciales como temporales, así como otras características que caracterizan la situación. La comparación de la situación observada con una de las situaciones de referencia contenidas en la base de conocimiento se realiza utilizando ciertos criterios de proximidad difusa de situaciones, de manera que la valoración de la situación obtenida por el robot de esta forma no es más que un cálculo formalizado y promediado. evaluación de una situación similar por parte de una persona.

El conjunto de designaciones (nombres) de objetos dados en el espacio de la escena de trabajo y las relaciones borrosas entre ellos conforman el diccionario del lenguaje formal para describir la situación. Usando el introducido por D.A. La terminología de Pospelov se puede llamar el lenguaje utilizado para describir situaciones de relaciones lógicas formales, lenguaje situacional. El lenguaje situacional se puede utilizar para organizar un diálogo entre un robot y una persona al analizar una situación. La organización del diálogo de la interfaz permite que el robot formule solicitudes al operador en ausencia de la información necesaria para construir un modelo del mundo exterior.

4. Control de diálogo del robot móvil. Una vez descrita la situación actual en el lenguaje de las variables lingüísticas y las relaciones difusas, es posible especificar el comportamiento de un robot autónomo en un entorno externo, incompletamente definido, utilizando reglas de tipo producción difusa. Es posible identificar a priori estereotipos de comportamiento determinados por la situación actual. A veces se los considera como un análogo del comportamiento reflejo condicionado "estímulo-respuesta". Estos estereotipos de comportamiento tienen la forma de reglas de producción: "si la situación es Si, entonces las tácticas son T". Por táctica entendemos un conjunto de reglas de conducta expresadas con la ayuda de variables lingüísticas y determinadas por el objetivo. Estas reglas asignan un movimiento de robot típico predeterminado a una situación típica. Por ejemplo: “si el objetivo está lejos, muévete rápido”, “si el objetivo está cerca, muévete lentamente”. Se supone que las situaciones típicas se pueden poner en la base de conocimientos difusos del robot de antemano, utilizando la experiencia de un operador humano. Con esta base, es posible compilar un conjunto de reglas de comportamiento (tácticas) correspondientes a la búsqueda de un nuevo objeto, llegar a un punto determinado en un mapa electrónico, atravesar una puerta, sortear un obstáculo que apareció repentinamente en el camino a una meta, seguimiento de objetos en movimiento, etc. La presencia de tácticas recibidas por el robot de antemano, o en proceso de aprendizaje, simplifica enormemente la tarea del operador, relevándolo del control del robot a la hora de resolver problemas. tareas de rutina. Al mismo tiempo, las propias tácticas pueden incorporarse a la base de conocimientos del robot entrenando una red neurodifusa, que es la base de un controlador difuso.

El objetivo de controlar un robot móvil cuyo sistema de control contiene un controlador difuso se formaliza como un sistema de reglas de decisión difusas. Para tomar una decisión por parte del controlador difuso de un robot móvil, se puede utilizar uno de los esquemas de inferencia difusa más conocidos. En la mayoría de los casos, se utiliza el esquema Mamdani, que contiene tanto el procedimiento de fuzzificación (llevar a la borrosidad) de las lecturas del sensor que determinan la posición relativa del robot y el objetivo, como el procedimiento de defuzzificación, es decir, reducción a la claridad de los comandos de control recibidos en forma borrosa, lo cual es necesario para la generación de señales de control.

En el caso general, la táctica del comportamiento del robot está determinada por el marco de la tarea, que se puede representar de la siguiente manera:<текущая ситуация S1> <объект управления а0> <имя операции>Objetos relacionados j >< условия выполнимости операции >. El objeto de control predeterminado es el propio robot móvil, cuyas capacidades están disponibles en la base de datos. Estas capacidades (dimensiones, peso, potencia de propulsión, velocidad, maniobrabilidad, etc.) determinan las condiciones de viabilidad de la operación, teniendo en cuenta la situación actual y las propiedades del entorno de trabajo (relieve, adherencia de las ruedas al suelo, rodamiento propiedades del suelo, naturaleza de los obstáculos). Las condiciones para la viabilidad de una operación también pueden incluir una verificación de las condiciones posteriores que deben cumplirse después de la finalización de la operación. Quizás las condiciones para la viabilidad de la operación requieran la realización de movimientos de búsqueda especiales, a los que nos referimos como "operaciones cognitivas" y que también deberían estar contenidos en la base de conocimientos del robot.

Un comando de operador generalmente incluye solo dos elementos:<имя операции > <сопутствующие объекты>. Por ejemplo,<преодолеть > <порог П>. En este caso, la formalización de la situación actual y la verificación de las condiciones de viabilidad de la operación debe ser realizada por el propio sistema.

El operador puede decirle al robot solo el objetivo final del movimiento en un espacio con una estructura parcialmente conocida. En este caso, surge el problema de la planificación autónoma del movimiento, que requiere una consideración especial. La solución de tal problema asegura el trazado de una trayectoria en el espacio con obstáculos conocidos, que tenga los mejores indicadores de calidad en un sentido u otro, y su replanificación cuando aparezcan obstáculos no previstos. La planificación va acompañada de un diálogo con el operador cuando hay ambigüedad o si es necesario aclarar el objetivo. Si el objetivo se establece incorrectamente, o el planificador no ha identificado una secuencia realizable de movimientos que conduzcan al objetivo, surge una solicitud al operador que requiere la aclaración del objetivo o las condiciones para su consecución.

La organización de un sistema de control de diálogo implica la creación de una interfaz de voz, que incluye un módulo de reconocimiento y un analizador lingüístico. El primer módulo es un dispositivo para convertir señales de voz e interpretarlas como palabras o frases separadas. El analizador lingüístico realiza un análisis sintáctico y semántico de la declaración, como resultado de lo cual se deben llenar los espacios del marco para describir acciones.

El uso de un sistema de control interactivo simplifica enormemente la tarea de controlar el robot, ya que en este caso el operador no requiere ninguna habilidad especial. Por lo tanto, se puede suponer que el método de control interactivo pronto se generalizará en la gestión de servicios y robots especiales para diversos fines.

5. Gestión de un grupo de robots autónomos. La aplicación práctica de robots móviles inteligentes en áreas asociadas a un riesgo para el ser humano ha llevado a la conclusión de que es conveniente controlar un grupo de robots que resuelven conjuntamente un problema común. Ejemplos típicos de tales tareas son las operaciones de reconocimiento, rescate y liquidación en caso de accidentes en diversos objetos químicos y peligrosos por radiación. Esto plantea el problema de organizar el trabajo coordinado de robots autónomos que interactúan y forman un sistema robótico multiagente (MRTS).

Un análisis preliminar mostró que para resolver problemas complejos en condiciones de incertidumbre, la organización de un sistema distribuido es la más adecuada. tipo híbrido, que es una combinación de centralizado y

sistemas descentralizados. Aquí, el equipo se gestiona a través del intercambio de información entre agentes, y el procesamiento de datos lo realiza el centro de control.

El sistema incluye un centro de control, un equipo de agentes robóticos con diferentes "especializaciones" y equipos auxiliares. Las funciones de un operador humano incluyen monitorear el estado del sistema y tomar decisiones en situaciones difíciles. El centro de control genera equipos para gestionar el equipo como un todo y procesa la información recibida por los robots en el proceso de completar la tarea. Los robots, dependiendo de su funcionalidad, pueden realizar operaciones de reconocimiento, búsqueda o tecnológicas. De acuerdo con la tarea del centro de control, los robots se combinan en grupos mediante mensajería y distribuyen tareas entre ellos, teniendo en cuenta el criterio de optimización especificado.

En la fig. La Figura 7 muestra un diagrama de bloques del sistema de control jerárquico MRTS desarrollado, construido sobre una base modular. El centro de control, que conforma el primer nivel del sistema de control, contiene una unidad generadora de comandos encargada de generar una secuencia de comandos y transmitirlos a los robots, y una unidad de procesamiento de datos que recibe la información de los agentes robot y los equipos auxiliares de información y medición.

El segundo nivel es responsable de la planificación global de las acciones de MRTS: la descomposición de tareas resueltas por MRTS en tareas más simples y su distribución entre robots. El resultado del trabajo de los algoritmos correspondientes es la determinación de las coordenadas del punto objetivo para cada robot.

El tercer nivel proporciona la formación de trayectorias de robots utilizando algoritmos de planificación locales basados ​​en un método análogo al potencial. Para formar trayectorias de movimiento, es necesario determinar las coordenadas actuales de los robots en el espacio de trabajo, esta tarea se resuelve mediante un sistema de navegación combinado.

Arroz. 7. Estructura del sistema de control MRTS

El cuarto nivel (ejecutivo) interactúa directamente con todos los elementos del MRTS y el entorno externo, es responsable de generar señales de control para unidades de robot, sensores de navegación, equipos especiales y auxiliares, y apoya la operación del sistema de sensores.

Resolver los problemas de la planificación global es necesario para la implementación de la gestión tanto centralizada como multiagente. En el caso del control centralizado, una tarea en un equipo de robots distribuye un centro de control de acuerdo con un criterio de optimización dado (por regla general, este es el momento para resolver una tarea global).

La forma más sencilla de resolver el problema del control centralizado, el método de enumeración, no es conveniente en la mayoría de los casos, ya que requiere un tiempo de solución significativo. Los métodos evolutivos (algoritmos genéticos) también requieren un tiempo significativo debido a la complejidad computacional. En este sentido, para el control en tiempo real de un grupo de robots, se desarrolló, implementó e investigó un algoritmo de “precio” más simple. En este caso, el centro de control de cada robot forma una matriz de precios (Cy), donde I = 1,2,...,u son los números de robots, y = 1,2,...,m son los números de tareas Esta matriz contiene el costo estimado del robot (como el tiempo o el costo de la energía) para completar cada tarea. El centro de control debe distribuir tareas en un grupo de robots de tal forma que los valores correspondientes de “precios” tiendan al mínimo posible (Fig. 8).

Arroz. 8. Figura centralizada. 9. Distribución multiagente

distribución de tareas en un grupo de tareas en un grupo

En números grandes Los robots que forman parte del grupo, el control centralizado tiene una serie de desventajas, entre ellas la baja confiabilidad del sistema, una gran carga en los canales de radio y un alto consumo de recursos informáticos del centro de control. Además, un enfoque centralizado es ineficaz cuando cambio rapido parámetros del área de trabajo. Estas deficiencias están desprovistas del segundo enfoque para la distribución de tareas en un grupo de robots: el control de múltiples agentes, cuando los robots distribuyen tareas de forma independiente entre ellos en el proceso de negociaciones, también guiados por un criterio de optimización dado (Fig. 9).

Tal distribución de tareas es mejor provista por el modelo de negociación de "subasta" basado en el intercambio de información entre agentes individuales. En una subasta, algunos recursos, como los recursos energéticos, que los agentes necesitan para lograr un objetivo se "ponen a la venta". Dado que los recursos son limitados, los agentes compiten entre sí en el proceso de "licitación". Al distribuir tareas en un equipo de robots, las propias tareas actúan como recursos. La conveniencia de la "compra", es decir, la asignación de una tarea específica al robot se evalúa mediante un criterio de optimización dado.

En cada etapa de la subasta, los agentes robóticos forman sus propios arreglos de precios y uno de los robots del equipo se convierte en el líder. El líder elige entre los agentes que responden a aquellos que ofrecen el precio más bajo y les envía

comando para completar la tarea. En la etapa siguiente, otro agente, libre de la tarea, se convierte en líder. La subasta se lleva a cabo hasta que se distribuyen todas las tareas. La gestión multiagente brinda la posibilidad de autoorganización del sistema y aumenta la confiabilidad de su funcionamiento. La comparación de los métodos multiagente mostró que el algoritmo de distribución de tareas desarrollado sobre la base del modelo de negociación de "subasta" tiene un rendimiento significativamente menor complejidad computacional(por un factor de 0,12 *n veces, para n >> 8) que el conocido método multiagente de mejora del plan colectivo.

Para implementar una distribución de tareas multiagente, cada agente robot debe poder intercambiar información con todos los demás robots que forman parte del equipo. En condiciones reales, no siempre es posible cumplir con estos requisitos, ya que dentro del área de trabajo pueden existir diversos obstáculos y pueden existir interferencias que violen intercambio de información. La solución a este problema es dividir el colectivo de robots en grupos separados, cada uno de los cuales tiene un agente líder que puede intercambiar datos con todos los demás agentes del grupo. Al mismo tiempo, el número de líderes debe tender al mínimo. En el marco del algoritmo multiagente desarrollado para formar grupos autónomos de robots, cada agente, mediante un mensaje de solicitud, determina sus vecinos: robots con los que puede intercambiar información, cuenta su número y envía este valor a sus vecinos. Luego, cada robot elige de la lista de sus vecinos al líder-agente con el mayor número de vecinos. Como resultado, el equipo de robots se divide en grupos con líderes. Después de eso, dentro de cada grupo formado, se puede utilizar el algoritmo de distribución de tareas multiagente considerado anteriormente.

Así, el resultado de la planificación global es la división de un equipo de robots en grupos, dentro de los cuales a cada robot se le asigna una tarea correspondiente. Todas las tareas resueltas por robots en grupos se reducen a una distribución uniforme de robots en el área de trabajo, o a mover robots a puntos objetivo dados y realizar cualquier operación en estos puntos, por lo que el sistema de control debe garantizar la formación de trayectorias de movimiento de robots, es decir, decidir las tareas de planificación local. Los algoritmos correspondientes se implementan en el tercer nivel del sistema de control y son básicos para el bloque de formación de trayectorias.La base de los algoritmos para la formación de trayectorias es un análogo cinemático del conocido método de "potenciales".

La implementación de este método asegura la distribución uniforme de los robots en el área de trabajo durante su inspección para identificar situaciones de emergencia, así como el movimiento de los robots a los puntos de destino requeridos para realizar operaciones tecnológicas. En ambos casos, los robots en proceso de movimiento deben evitar colisiones con obstáculos estáticos y con otros robots.

El levantamiento del territorio tiene como objetivo construir un mapa del área de trabajo. Puede ser un mapa físico del área o un cartograma especial obtenido de los resultados del procesamiento de la información recopilada por un equipo de robots, por ejemplo, información sobre contaminación radiactiva. Para recopilar datos, los robots se distribuyen uniformemente dentro del área de trabajo y miden los valores de los parámetros requeridos. Los resultados de la medición se ingresan en la base de datos del centro de control y se trazan en un mapa especial del área. El cartograma resultante es una determinada superficie r = /(x, y), donde el par x, y son las coordenadas del punto, r es el nivel de contaminación química o por radiación. Esta superficie debe proporcionarse al operador en una forma que sea fácil de entender. La mayoría

una manera simple y visual es construir un cartograma bidimensional de color (degradado). El cartograma, además de información para el operador, se puede utilizar para formar rutas de evacuación seguras para las personas. Un algoritmo para construir rutas seguras con un grado de seguridad garantizado P*, es decir con el valor del parámetro dado fk, que no se excederá en ningún punto de la ruta encontrada, se basa en el algoritmo Bellman-Ford para encontrar la ruta más corta en un gráfico ponderado. La figura 10 muestra el resultado del algoritmo para construir la ruta segura más corta sobre un cartograma de gradiente con un grado de seguridad garantizado P = 1,5.

Arroz. 10. La ruta segura más corta del cartograma

Para probar los métodos propuestos, se ha desarrollado un paquete de software que implementa algoritmos para el control centralizado y multiagente de un equipo de robots, algoritmos para generar trayectorias de movimiento de robots, así como métodos para procesar la información recopilada por los robots. El resultado del procesamiento de los datos iniciales es un modelo de software de un mapa físico del área con obstáculos dados, que se muestra en la ventana de animación (Fig. 11).

ventana de munición

* * ♦ . "--"__„ J 1

, ® h ~ 1 "- G! «-| |

Arroz. 11. Señalización de rutas seguras y "neutralización" de focos de infección

Los centros e intensidad de contaminación química se muestran en la ventana correspondiente en forma de cartograma. Además, el operador tiene la oportunidad de seleccionar secuencialmente los comandos de control y, por lo tanto, iniciar el proceso de modelado de los modos de operación correspondientes del MRTS. En el comando "Examen", los robots se distribuyen uniformemente en el área de trabajo y miden el

concentración de sustancias venenosas. Los puntos en los que la concentración supera el nivel permisible se marcan en el mapa y, en función de los resultados de la medición, se corrige el cartograma de contaminación. Mediante el comando “Buscar rutas seguras” se construyen automáticamente rutas de evacuación de personal, y mediante el comando “Marcado y neutralización” se dividen los robots en grupos de acuerdo a su especialización. Algunos de los robots se desplazan a los focos de infección para neutralizarlos, mientras que otros robots se colocan a lo largo de las rutas de evacuación a modo de marcadores (en la Fig. 11 están provistos de banderas).

El sistema robótico multiagente desarrollado se puede utilizar tanto en el caso de accidentes provocados por el hombre en instalaciones químicamente peligrosas, en condiciones de radiación o contaminación biológica (utilizando equipos especiales) como después de varios desastres naturales.

Conclusión. El desarrollo de la robótica está entrando en una nueva etapa, cuando pasamos de las tareas de control remoto de dispositivos robóticos móviles y manipulables al control de tipo cooperativo, en el que el robot se convierte en un participante de pleno derecho en el proceso de control, un socio del operador. Esto simplifica enormemente la tarea del operador, que prácticamente no requiere formación previa. Sin embargo, el propio sistema robótico es cada vez más complejo, que ahora tiene un alto grado de autonomía y tiene capacidades que se clasifican como inteligencia artificial. Gracias a esto, es posible resolver con la ayuda de dispositivos robóticos una gama de tareas mucho más amplia que antes. Los problemas ahora descansan, por un lado, en la posibilidad de la tecnología informática, que debe evaluar la situación actual y controlar robots móviles en tiempo real, teniendo en cuenta velocidades de movimiento suficientemente altas. Y por otro lado, en las capacidades psicofisiológicas de un operador humano, acompañadas de la actividad autónoma de los robots móviles en el mundo exterior. Si el primer problema se resuelve gradualmente en el curso del progreso tecnológico, el segundo, debido a las capacidades limitadas de una persona, requiere el desarrollo constante de la interfaz "humano-robot", teniendo en cuenta sus limitaciones psicológicas.

REFERENCIAS

1. Kristensen S, Horstmann S., Klandt J., Lohner F. y Stopp A. Interacción amigable para el ser humano para el aprendizaje y la cooperación // Actas de la Conferencia Internacional IEEE de 2001 sobre Robótica y Automatización, Seúl, Corea, 2001. IEEE . - Pág. 2590-2595.

2. Gerasimov V.N., Mikhailov B.B. Solución del problema del control de movimiento de un robot móvil en presencia de obstáculos dinámicos Vestnik MGTU im. NORDESTE. Bauman. Instrumentación. Número especial "Sistemas robóticos". - 2012. - Nº 6. - S. 83-92.

3. Ulas C., Temeltas H. Transformación de distribución normal multicapa para coincidencias rápidas y de largo alcance // Journal of Intelligrnt & Robotic Systems. - 2013. - Vol. 71(1). - Pág. 85-108.

4. Gerasimov V. N. Algoritmo SLAM basado en la función de correlación // Robótica extrema: Colección de informes de la conferencia científica y técnica de toda Rusia.

San Petersburgo: Editorial "Servicio politécnico", 2015. - S. 126-133.

5. Gerasimov V. N. Sobre el tema del control de movimiento de un robot móvil en un entorno dinámico // Robótica y cibernética técnica. - 2014. - Nº 1 (2).

6. Nister D., Naroditsky O., Bergen J. Odometría visual para aplicaciones de vehículos terrestres // Journal of Field Robotics. - 2006. - vol. 23(1). - Pág. 3-20.

7. Devyaterikov E.A., Mikhailov B.B. Uso de datos de odómetro visual para el retorno autónomo de un robot móvil en un entorno sin puntos de referencia fijos // Robótica extrema: recopilación de informes de la Conferencia científica y técnica de toda Rusia. - San Petersburgo: Editorial "Servicio politécnico", 2015. - S. 356-361.

8. Devyaterikov E.A. Algoritmo para describir la trayectoria de un robot móvil basado en datos visuales del odómetro para retorno automático al operador Nauka i obrazovanie. MSTU im. NORDESTE. Bauman. - 2014. - Nº 12. - S. 705-715.

9. Devyaterikov E.A., Mikhailov B.B. Odómetro visual // Boletín de MSTU im. NORDESTE. Bauman. Ser. Instrumentación. Número especial "Sistemas robóticos". - 2012. - Nº 6.

10. Kandrashina E.Yu., Litvintseva L.V., Pospelov D.A. Representación del conocimiento sobre el tiempo y el espacio en sistemas inteligentes. - M.: Nauka, 1989. - 328 p.

11. Yushchenko A.S. Enrutamiento del movimiento de un robot móvil bajo incertidumbre // Mechatronika, avtomatizatsiya i upravlenie. - 2004. - Nº 1.

12. Yushchenko A.S., Tachkov A.A. Sistema de control integrado para un robot de reconocimiento de incendios // Boletín de la Universidad Técnica Estatal de Moscú. NORDESTE. Bauman. Instrumentación. Número especial "Sistemas robóticos". - 2012. - Nº 6. - S. 106-11.

13. Vorotnikov S.A., Ermishin K.V. Sistema de control inteligente para un robot móvil de servicio // Boletín de la Universidad Técnica Estatal de Moscú. NORDESTE. Bauman. Instrumentación. Número especial "Sistemas robóticos". - 2012. - Nº 6. - S. 285-289

14. Melikhov A.N., Bernstein L.S., Korovin S.Ya. Sistemas de asesoramiento situacional con lógica difusa. - M.: Nauka: Fizmatlit, 1990. - 271 p.

15. Yushchenko A.S. Control de diálogo de robots basado en lógica difusa // Robótica extrema: Colección de informes de la conferencia científica y técnica de toda Rusia. - San Petersburgo: Editorial "Servicio politécnico", 2015. - S. 143-146.

16. Yushchenko A.S. Planificación intelectual en la actividad de los robots // Mecatrónica, automatización, control. - 2005. - Nº 3. - S. 5-18.

17. Zhonin A.A. Algoritmo para entrenar al administrador de diálogo de un sistema de control de robot de diálogo de voz // Modelos integrados y computación suave en inteligencia artificial: Colección de artículos científicos de la conferencia internacional. - M.: Fizmatlit, 2011. - S. 395-406.

18. Nazarova A.V., Ryzhova T.P. Métodos y algoritmos para el control multiagente de un sistema robótico Vestnik MGTU im. NORDESTE. Bauman. Instrumentación. - 2012.

- N° 6. - S. 93-105.

19. Jennings N., Paratin P., Jonson M. Uso de agentes inteligentes para administrar procesos de negocios // La aplicación práctica de agentes inteligentes y tecnología multiagente: Actas del primer pasante. conferencia. Londres, Reino Unido). - 1996. - Págs. 345-376.

20. Kapustyan S.G. Algoritmo para la mejora colectiva del plan en la resolución de problemas de reparto de goles en un grupo de robots // Inteligencia de piezas. - 2005. - Nº 3. - S. 463-474.

21. Darintsev V.O. Sistema de control para un equipo de microrobots // Inteligencia de pieza.

2006. - Nº 4. - S. 391-399.

1. Kristensen S, Horstmann S., Klandt J., Lohner F. y Stopp A. Interacción amigable para los humanos para el aprendizaje y la cooperación, Actas de la Conferencia Internacional IEEE 2001 sobre Robótica y Automatización, Seúl, Corea, 2001. IEEE, páginas. 2590-2595.

2. Gerasimov V. N., Mikhaylov B. B. Reshenie zadachi upravleniya dvizheniem mobil "nogo robota pri nalichii dinamicheskikh prepyatstviy, Vestnik MGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy", 2012, No. 6, págs. 83-92.

3. Ulas C., Temeltas H. Transformación de distribución normal multicapa para coincidencias rápidas y de largo alcance, Journal of Intelligent & Robotic Systems, 2013, vol. 71(1), págs. 85-108.

4. Gerasimov V. N. Algoritmo SLAM na osnove korrelyatsionnoy funktsii , Ekstremal "naya robototekhnika: Sbornik dokladov vserossiyskoy nauchno-technicheskoy konferentsii . San Petersburgo: Izd-vo "Politekhnika-servis", 2015, pp. 126-133.

5. Gerasimov V. N. K voprosu upravleniya dvizheniem mobil "nogo robota v dinamicheskoy srede, Robototekhnika i tekhnicheskaya kibernetika, 2014, No. 1 (2), págs. 44-51.

6. Nist "er D., Naroditsky O., Bergen J. Odometría visual para aplicaciones de vehículos terrestres, Journal of Field Robotics, 2006, Vol. 23 (1), pp. 3-20.

7. Devyaterikov E.A., Mikhaylov B.B. Ispol "zovanie dannykh vizual" nogo odometra dlya avtonomnogo vozvrashcheniya mobil "nogo robota v srede bez fiksirovannykh tochek otscheta, Ekstremal" naya robototekhnika: Sbornik dokladov vserossiyskoy nauchno-tekhnicheskoy konferentsii. S t. Petersburgo: Izd-vo "Politekhnika-servis", 2015, pp. 356-361.

8. Devyaterikov E.A. Algoritmo opisaniya traektorii mobil "nogo robota po dannym vizual" nogo odometra dlya avtomaticheskogo vozvrashcheniya k operatoru, Nauka i obrazovanie. MGTU im. NORDESTE. Baumana, 2014, n. 12, págs. 705-715.

9. Devyaterikov E.A., Mikhaylov B.B. Vizual "nyy odometr, VestnikMGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy", 2012, No. 6, págs. 68-82.

10. Kandrashina E.Yu., Litvintseva L.V., Pospelov D.A. Predstavlenie znaniy o vremeni i prostranstve v intellektual "nykh sistemakh. Moscú: Nauka, 1989, 328 p.

11. Yushchenko A.S. Marshrutizatsiya dvizheniya mobil "nogo robota v usloviyakh neopredelennosti, Mekhatronika, avtomatizatsiya i upravlenie, 2004, No. 1.

12. Yushchenko A.S., Tachkov A.A. Integrirovannaya sistema upravleniya pozharnym razvedyvatel "nym robotom, Vestnik MGTU im. N.E. Baumana. Priborostroenie. Spetsvypusk "Robototekhnicheskie sistemy", 2012, No. 6, pp. 106-11.

13. Vorotnikov S.A., Ermishin K.V. Intellektual "naya sistema upravleniya servisnym mobil" nym robotom, Vestnik MGTU im. NORDESTE. Bauman. Instrumentación. Spetsvypusk "Robototekhnicheskie sistemy", 2012, no. 6, págs. 285-289.

14. Melikhov A.N., Bernshteyn L.S., Korovin S.Ya. Situatsionnye sovetuyushchie sistemy s nechetkoy logikoy. Moscú: Nauka: Fizmatlit, 1990, 271 p.

15. Yushchenko A.S. Dialogovoe upravlenie robotami na osnove nechetkoy logiciki, Ekstremal "naya robototekhnika: Sbornik dokladov vserossiyskoy nauchno-technicheskoy konferentsii. San Petersburgo: Izd-vo "Politekhnika-servis", 2015, págs. 143-146.

16. Yushchenko A.S. Intellektual "noe planirovanie v deyatel" nosti robotov, Mekhatronika, avtomatizatsiya, upravlenie, 2005, No. 3, págs. 5-18.

17. Zhonin A.A. Algoritmo obucheniya menedzhera dialoga rechevoy dialogovoy sistemy upravleniya robotom , Integrirovannye modeli i myagkie vychisleniya v iskusstvennom intellekte: Sbornik nauchnykh trudov mezhdunarodnoy konferentsii . Moscú: Fizmatlit, 2011, págs. 395-406.

18. Nazarova A.V., Ryzhova T.P. Metody i algoritmy mul "tiagentnogo upravleniya robototekhnicheskoy sistemoy, Vestnik MGTU im. N.E. Baumana. Priborostroenie, 2012, No. 6, pp. 93-105.

19. Jennings N., Paratin P., Jonson M. Uso de agentes inteligentes para administrar procesos comerciales, la aplicación práctica de agentes inteligentes y tecnología multiagente: Actas del primer pasante. conferencia. Londres (Reino Unido), 1996, págs. 345-376.

20. Kapustyan S.G. Algorithm kollektivnogo uluchsheniya plana pri reshenii zadach raspredeleniya tseley v gruppe robotov , Shtuchnyy intellect , 2005, No. 3, págs. 463-474.

21. Darintsev V.O. Sistema upravleniya kollektivom mikrorobotov, Shtuchnyy intellect, 2006, no. 4, págs. 391-399.

Yushchenko Arkady Semenovich - Universidad Técnica Estatal de Moscú. NORDESTE. Bauman (MSTU llamado así por NE, Bauman); Email: [correo electrónico protegido]; 105037, Moscú, plaza Izmailovskaya, 7; Centro científico y educativo "Robótica" MSTU. NORDESTE. Bauman; Doctor en Ciencias Técnicas; Profesor.

Mikhailov Boris Borisovich - Centro de Investigación y Educación "Robótica" MSTU. NORDESTE. Bauman; Doctor; profesor asistente.

Nazarova Anaid Vartanovna - Centro de Investigación y Educación "Robótica" MSTU. NORDESTE. Bauman, Ph.D.; profesor asistente.

Yuschenko Arkady Semenovich - Universidad Técnica Estatal Bauman de Moscú (BMSTU); Email: [correo electrónico protegido]; 7, plaza Izmailovskaya, Moscú, 105037, Rusia; Centro Científico-Educativo "Robototechnika" BMSTU; dr de ing. Carolina del Sur.; profesor,

Mikhailov Boris Borisovich - Centro Científico-Educativo "Robototechnika" BMSTU, cand. de ing. Carolina del Sur.; profesor adjunto.

Nazarova Anaid Vartanovna - Centro Científico-Educativo "Robototechnika" BMSTU; candó. de ing. Carolina del Sur.; profesor adjunto.

CDU 681.511.4+004.896:519.876.5

VF Guzik, VA Pereverzev, A. O. Pyavchenko, R. V. Saprikin

PRINCIPIOS DE CONSTRUCCIÓN DE UN PLANIFICADOR DE RED NEURONAL MULTIDIMENSIONAL EXTRAPOLANTE DE SISTEMA INTELIGENTE DE CONTROL DE POSICIÓN-TRAYECTORIA DE OBJETOS EN MOVIMIENTO*

Se consideran los principios de la construcción de un programador de red neuronal multidimensional extrapolante (EMNP) de un sistema inteligente para el control de posición y trayectoria de objetos en movimiento. Así que aquí están los resultados de un estudio del método modernizado de planificación de redes neuronales del movimiento de un objeto robótico en movimiento en relación con el espacio multidimensional utilizando el principio biónico de percepción del entorno en condiciones de incertidumbre y la presencia de obstáculos que tienen movimiento. dinámica. Se propone utilizar el principio jerárquico de construir sistemas de procesamiento de información como principio fundamental para estructurar y construir EMNP, sobre cuya base se sintetiza lo propuesto en el artículo. estructura jerarquica red neuronal multidimensional de extrapolación compleja. Tal red neuronal multidimensional se distingue por la presencia de capas separadas destinadas a varias etapas de procesamiento del plan de entorno del modelo obtenido del sistema de visión de un objeto robótico en movimiento en las condiciones mencionadas anteriormente. La estructura jerárquica de una red neuronal multidimensional compleja se basa en los principios de la síntesis paramétrica orientada a objetos, la síntesis de planes espaciales de signos ponderados de la posición de los objetos.

Un robot autónomo real debe comprender el habla y los gestos, pensar lógicamente, aprender, establecer reglas y actuar de forma independiente sin la participación de un operador. Los automóviles, trenes, aviones, drones, barcos y tanques autónomos se harán realidad solo con el nivel adecuado de inteligencia artificial. Los nuevos desarrollos rusos en esta área prometen una seria ventaja sobre los competidores más cercanos.
En los últimos años, los términos "inteligencia" e "inteligencia artificial" han perdido su significado original. La publicidad moderna llama "inteligente" a cualquier plancha con dos bombillas. Pero el robot aspirador indefenso en una maraña de cables y la mente fantástica de Skynet ni siquiera son eslabones de una misma cadena evolutiva.

Los robots modernos, como hace muchas décadas, tienen una lista limitada de algoritmos de acción y son inútiles en condiciones difíciles sin comunicación con el operador: con una fuerte radiación, bajo tierra, en las profundidades del mar o en el espacio. El triste ejemplo del reciente desastre de Fukushima mostró que ninguna cantidad de control remoto puede reemplazar a un verdadero robot autónomo.

La mayoría de los robots se programan instintivamente o se controlan de forma remota. Robot autónomo sin autónomo inteligencia artificial imposible.

El principal problema de la robótica moderna, como hace muchas décadas, está relacionado con el desarrollo de una inteligencia artificial decente. En algunos casos, podemos hablar de éxitos e incluso de avances evidentes. Por ejemplo, los experimentos de Google para crear coches autónomos sin conductor o el programa AlphaGo de la misma Google, que derrotó al campeón mundial en el juego del Go. O la inteligencia de la supercomputadora IBM Watson, capaz de comprender preguntas y encontrar respuestas en la base de conocimiento.

Hasta el momento, la mayoría de los desarrollos en el campo de la inteligencia artificial no son aptos para robots autónomos. Muchos de ellos están limitados al alcance elegido, algunos requieren potencia informática no autónoma. En algunos casos, como con el robot Tay de Microsoft, la inteligencia artificial se vuelve completamente loca después de una breve interacción con las personas.

Hoy en día, un robot autónomo debe comprender el habla y los gestos naturales, pensar lógicamente, aprender y tomar decisiones independientes. Un robot autónomo ideal, equipado con los sensores, las herramientas y la base de conocimientos necesarios, debería escuchar la tarea y, sin más preguntas, irse a casa para completarla.

"Razumator" ruso: cerebros universales para un robot autónomo

Los desarrolladores rusos siempre han sido famosos por su amplia visión del problema. La inteligencia artificial "Razumator", creada por la empresa nacional "Mivar", se desarrolló originalmente como base para ninguna Tipos de robots autónomos.

El núcleo lógico del software Razumator, hablando en lenguaje robótico, es un planificador lógico que proporciona a los robots la capacidad de construir algoritmos de forma independiente y resolver problemas sin la participación de personas. La diferencia entre la "inteligencia" de un robot limpiador y la inteligencia artificial de un robot autónomo se explica perfectamente en la siguiente diapositiva, que muestra la diferencia entre los niveles reflexivo y lógico.

Gráfico 3d de investigación de inteligencia artificial.

El trabajo de inteligencia artificial "Razumator" se describe mediante el "principio mivar", que significa el procesamiento de bases de datos multidimensionales con un modelo de contexto global, donde los datos, su inferencia lógica y procesamiento se integran en un todo único, y todos los procesos ocurren. en tiempo real. El acrónimo "MIVAR" (Multidimensional Informational Variable Adaptive Reality, en inglés Multidimensional Informational Variable Adaptive Reality), en consonancia con el nombre de la empresa, con el desarrollo exitoso de la tecnología, tiene todas las posibilidades de ingresar idiomas extranjeros en el mismo derechos que "sputnik" una vez ingresó.

La tecnología de análisis de datos multidimensional permite la toma de decisiones autónoma en tiempo real

La característica principal de la tecnología mivar es su velocidad extremadamente alta: hasta 5 millones de reglas por segundo. Por lo tanto, para el análisis de grandes matrices de datos y la toma de decisiones operativas autónomas, es suficiente una baja potencia informática. Un momento: ¡una computadora portátil típica puede procesar un gráfico de 20 dimensiones con 150 000 vértices por 600 000 aristas en tiempo real! Los indicadores son tan altos que, según Oleg Varlamov, nadie en el mundo está listo para competir con ellos todavía.

Razumator, también presentado en forma de software en caja, se puede instalar incluso en una computadora portátil normal.

"Reasoner" es el núcleo del proyecto complejo "Robomind", que se puede adaptar a cualquier tipo de robots autónomos. Digamos que un representante de una compañía de exploración viene mañana y ordena un tiburón autónomo de aguas profundas para condiciones árticas. apariencia el robot cambiará radicalmente, pero el cerebro del Reasoner seguirá siendo el mismo, excepto con una adaptación adicional a la base de conocimiento adecuada.

Plataforma robótica Murom-ISP: un espacio en blanco universal para la producción de robots autónomos

Un sistema de robot autónomo completo para cualquier propósito incluye cinco elementos básicos. La lista incluye mecanismos, sensores sensores, un módulo de cómputo, elementos de energía autónomos y la propia inteligencia artificial.

Oleg Varlámov

Presidente de Mivar

La plataforma robótica Murom-ISP, creada por Mivar e Intellectual Technologies, es un constructor universal: los primeros cuatro elementos básicos de la lista anterior se completan según las necesidades, la imaginación y los medios. El quinto elemento, como en la película del mismo nombre, no puede ser reemplazado: es el núcleo intelectual del Reasoner.

Murom-ISP se creó como campo de pruebas para el Razumator. Un robot antropomórfico plegable con cabeza sensorial y un chasis de un solo eje autoequilibrado de 165 cm de alto cuando está desplegado y 80 cm de alto cuando está plegado, le permitirá trabajar los componentes de un robot autónomo y su interacción como parte de complejos más complejos. .

Características técnicas del primer prototipo Murom-ISP: el Ministerio de Situaciones de Emergencia estará satisfecho

Por cierto, sobre las aspiradoras robóticas reflectantes. En complejos autónomos como "Murom", tales "robots inferiores" están destinados a desempeñar el papel de mecanismos auxiliares controlados a distancia que sirven para sonar, limpiar e incluso reparar la marcha. Tal asistente puede, en ocasiones, ser enviado para reconocimiento, pero incluso la pérdida de uno o más robots auxiliares no afectará el desempeño del complejo de ninguna manera.

Cargado con maquinaria y sensores, controlando toda una progenie de robots auxiliares, Moore puede ser parte de un complejo más poderoso. Imagine un poderoso sistema autónomo en la plataforma Kamaz, transportando una docena de Muroms de propósito especial con cien o dos robots asistentes auxiliares a la distancia. ¡Aquí es donde se revela el alcance ilimitado de las fantasías de los clientes civiles y de defensa!

Exteriormente, "Murom" no brilla con un atractivo particular, pero el diseño del sistema está completamente equilibrado en términos de autonomía, rendimiento y potencia informática. Ahora "Murom" funciona en cinco Procesadores Intel núcleo i5. Según Vladimir Denisenko, Director de Tecnologías Inteligentes, se realizaron experimentos con varias plataformas, incluidos aceleradores en tarjetas gráficas.

Hasta el momento, cinco Intel Core i5 resultaron ser óptimos en términos de rendimiento, autonomía y precio, pero no hay vinculación a ninguna plataforma específica de hardware y software. Cuando exista la necesidad de una plataforma en los procesadores Elbrus domésticos, dicha versión aparecerá de inmediato.

Murom-ISP: el operador basado en KAMAZ despliega una docena de robots autónomos con cientos de robots asistentes

Los desarrolladores presentarán una versión completamente funcional de Murom con control de voz, síntesis de voz, manipuladores y otras funciones en septiembre de 2016. Hoy, "Razumator" puede ser utilizado por todos, tanto como un producto independiente como un componente lógico integrado de otros sistemas de control, hasta el nivel API.

Estamos seguros de que los drones no estarán en un futuro muy próximo. La razón por la que tantas empresas prometen sin aliento que está a la vuelta de la esquina es porque los robots te entregan las cosas cuando quieres, lo cual es una idea fantástica. Los drones parecen una buena idea al principio porque volar te permite llegar a un lugar rápidamente mientras evitas los obstáculos, y la gente ha estado atrapada con esta idea durante años porque sería genial si realmente pudieras hacer que funcione.

Hasta ahora no ha funcionado, pero eso no significa que los robots que entregan cosas no deban suceder. Y realmente, ¿no les importa a los consumidores si se les proporciona un dron aéreo autónomo especialmente diseñado si obtienen sus cosas rápidamente y no tienen que cambiarse el pijama? Una startup llamada Starship Technologies, con oficinas en Londres y Tallin, Estonia, ha anunciado la creación de un robot de entrega autónomo que promete hacer todo lo que puede hacer un dron (y más), excepto desde el suelo y con una capacidad realista para De Verdad.

¿Cómo funciona la entrega robótica de Starship?

Iniciado por dos socios de Skype, Ahti Heinla (que es CEO y CTO) y Janus Fries, Starship Technologies presentará flotas de robots de entrega terrestres compactos, seguros, silenciosos y, lo que es más importante, con la esperanza de abrir nuevas oportunidades para empresas de entrega como paquetes o comestibles. tiendas, y crear una conveniencia sin precedentes y ahorros de costos para las personas. El robot, que no tiene nombre por lo que sé, puede transportar el equivalente a dos bolsas de supermercado (alrededor de 10 kilogramos) hasta 5 kilómetros desde un centro local o tienda. Se mueve a buen ritmo y completamente cargado pesa menos de 20 kg, lo que significa que es difícil que el automóvil lastime accidentalmente a alguien. Los bordillos y los baches en el camino no son un problema, y ​​aparentemente pueden subir y bajar algunos tramos de escaleras. Integrado software para la prevención de intrusiones y la evitación de obstáculos permite que sea conducido principalmente por sí mismo, pero también controlado por operadores que pueden intervenir para garantizar la seguridad en cualquier momento.

Starship estima que sus entregas robóticas costarán de 10 a 15 veces menos que las alternativas actuales de entrega de última milla. Los clientes podrán elegir entre varios intervalos de envío cortos y precisos, lo que significa que los productos llegan en el momento adecuado, dijo la compañía. Durante la entrega, los compradores pueden rastrear la ubicación del robot en tiempo real a través de aplicación movil, y al llegar, solo el propietario de la aplicación puede desbloquear el envío.

No estamos diciendo que hacer que estos robots funcionen sea fácil, es imprescindible: mientras que los drones son comparativamente peligrosos, menos fiables, más ruidosos, más caros, tienen cargas útiles limitadas y actualmente están en un limbo legal, los robots Starship tendrán que resolver todos tipos de problemas. , que los drones no tripulados evitan por completo. Estos desafíos incluyen orientarse en carreteras y aceras, navegar junto a vehículos y entre peatones e interactuar con las personas de manera más directa. Además, el GPS no es lo suficientemente preciso como para mantener a estos robots en las aceras, por lo que necesitarán usar la visión para poder saber dónde es seguro, confiando en la localización del mapa base, como lo hacen los autos autónomos de Google. Necesitarán entender los pasos de peatones y los semáforos. Tendrán que escuchar y responder correctamente a las sirenas de los vehículos de emergencia. Y, quizás lo más difícil, tendrán que detectar y comunicarse con personas impredecibles.

Sin embargo, somos optimistas al respecto porque ya hemos visto muchas de las tecnologías necesarias. Los robots generalmente tienen mucha práctica en la navegación segura por la ciudad. Son excelentes para evitar obstáculos si se les da el tiempo suficiente y los datos del sensor adecuados. Hay conferencias enteras sobre cómo lograr que los robots interactúen efectivamente con los humanos. Lo que es más importante, si alguno de estos materiales falla, el robot puede detenerse de manera segura y esperar indefinidamente a que un humano intervenga y lo ayude, con cámaras, parlantes y micrófonos que brindan telepresencia completa y control remoto. Por supuesto, vale la pena señalar que Aethon, Savioke y otras compañías de robótica han estado haciendo algo muy similar a esto durante años. La entrega de artículos que deambulan por hospitales, almacenes y hoteles conlleva varios desafíos de entregar artículos mientras deambulan por las calles, pero se usa principalmente tecnología similar, y el hecho de que estas empresas operen de manera confiable nos hace optimistas de que Starship también será capaz.

Starship está probando prototipos activamente en este momento, y para el próximo año la compañía lanzará dos programas piloto, uno en Greenwich en el este de Londres y otro en los Estados Unidos.