Software & Systems

Бурное развитие кибернетики в последние десятилетия обусловило появление интеллектуальных систем, основная задача которых – принятие оперативных решений. Примером применения таких систем являются мобильные роботы, разработка и проектирование которых входят в число приоритетных направлений развития современной техники.

По характеру участия в управлении человека-оператора системы управления мобильными роботами делятся на автоматические (автономные) и автоматизированные [1].

Автоматические системы управления обеспечивают любой режим работы без участия человека. В автоматизированных системах управления наряду с автоматическим управлением мобильным роботом часть функций на определенных этапах выполняет человек-оператор.

С учетом возможности применения наибольший интерес вызывают автономные мобильные роботы, способные ориентироваться и передвигаться в не определенной заранее среде. Очевидно, что для реализации отмеченных функций необходим мобильный робот, причем не только в процессе принятия решения, но и на этапах обработки информации. Процесс обработки информации в данном случае является ключевым.

На сегодняшний день существует много подходов к организации процесса обработки данных, в основе которых лежат искусственные нейронные сети [2, 3], нечеткая логика, генетические алгоритмы, индуктивные алгоритмы [4] и другие, а также сочетание разных методов.

Все они имеют свои преимущества и недостатки, и основная их особенность – уникальность разработки под конкретные условия использования.

Альтернативой им является иерархический подход, при котором общая задача делится на определенное количество подзадач для упрощения процесса принятия решения.

Все вышесказанное обусловило острую необходимость в новых подходах к организации процесса обработки данных в системах управления мобильными роботами, которые могли бы соединить математический аппарат существующих методов и четкую структуру иерархий.

Задачей авторов данной работы является разработка новых подходов к формированию структуры системы преобразования информации с целью повышения качества выходных данных для повышения эффективности принятия решений.

При построении структуры системы преобразования информации необходимо учитывать, что информация, полученная из окружающей среды, может носить частный характер и быть недостаточной для построения модели необходимого качества.

Важным фактором также является то, что в результате научно-технического прогресса и, как следствие, роста технических возможностей мобильных роботов постоянно повышаются сложность объектов, над которыми ведется наблюдение, и требования к уровню адекватности моделей этих объектов.

Все это приводит к тому, что мощности для синтеза моделей существующими алгоритмами недостаточно.

Проблема недостаточной адекватности информационных моделей получила название «ограничение одноуровневости», для ее решения были предложены принципы построения многоуровневых алгоритмов моделирования [5]:

–      процесс моделирования происходит одновременно несколькими языками на нескольких уровнях детализации входных данных; модель на языке более высокого уровня используется для выбора оптимальной модели, описанной на более детальном языке;

–      в языке моделирования каждого уровня необходимо использовать элементы языка высшего уровня;

–      между элементами соседних уровней необходимо задать связки.

Для повышения разнообразия средств преобразования информации необходимо усилить способность средств формирования структуры подсистемы преобразования информации воссоздавать информацию, которой недостает в первичном описании, за счет повышения эффективности формирования связей между элементами этой структуры.

В работе [6] было предложено использовать принцип рециркуляции при формировании многослойных технологий синтеза отдельных моделей: количество информации, отображенной в модели, увеличивать путем использования результатов моделирования как дополнительного параметра первичного описания и повторения процесса синтеза модели одним и тем же алгоритмом.

На основе данного принципа была предложена технология дублирования уровней структуры подсистемы преобразования информации [7].

В качестве механизма координации структуры системы преобразования информации использовался метод восходящего синтеза элементов [8]. Его суть в том, что выходные сигналы агрегатов (моделей) низшего уровня подаются на вход агрегатов высшего уровня, исходные параметры которого дублируют выходы агрегатов предыдущего уровня.

Для предлагаемой системы подсистема преобразования информации будет иметь вид, представленный на рисунке 1.

Количество элементов i-го уровня вычисляется по формуле

,                                                               (1)

где i – номер уровня структуры; k – номер текущего уровня; Pk – количество входных элементов i-го уровня.

Множество входных элементов i-го уровня

Xi={xij, y(i–1)j}, iÎ[1, n], jÎ[1, m],                    (2)

где i – номер дублирующего уровня; j – номер элемента уровня; n – количество уровней; m – количество элементов уровня; y0m – элементы начального уровня.

Декомпозиция глобальной задачи преобразования информации позволяет получить иерархию локальных задач:

Y=f(X)®Yi=f(Xi), iÎ[1, n],                                      (3)

где Y, Yi – множество исходных элементов; X, Xi – множество входных элементов; i – номер дублирующего уровня; n – количество уровней.

Предусматривается, что многоуровневая система преобразования информации для формирования решения оперирует данными, полученными из изображений с помощью методов стереозрения [9, 10], а именно карты глубины – изображения, на котором для каждого пикселя вместо цвета хранится его расстояние до камеры.

Карта глубины может быть получена с помощью специальной камеры глубины или (как в данном случае) стереопары изображений.

На рисунке 2 представлен пример карты глубины для изображений, полученных с двух спаренных камер.

Для обеспечения процесса обработки данных при управлении мобильным роботом предлагается разделить карту глубины на фрагменты с шагом d и шириной b+Db, где b – ширина робота, а Db – безопасный зазор для прохода робота.

Далее полученные фрагменты оценивают в диапазоне от 0 до 1, где 0 – наличие недопустимого препятствия, а 1 – ее отсутствие.

Кроме того, к данным добавляют значения отклонения каждого фрагмента от центра изображения. Это необходимо для того, чтобы иметь возможность из нескольких фрагментов без препятствий выбрать ближайший к роботу для обеспечения более быстрой реакции на препятствие.

Таким образом, глобальная функция многоуровневой системы преобразования формы информации может быть представлена в виде зависимости

Z=f(X), Y=f(X), XÎ{D, z},                                       (4)

где D – карта глубины изображения, представленная в виде одномерного массива; z – коэффициент отклонения от центральной оси изображения; Y – оценка фрагмента.

Для построения моделей многоуровневой системы преобразования информации с целью подтверждения примененной технологии дублиро- вания уровней был проведен эксперимент, в результате которого получены и оценены несколько десятков фрагментов карт глубины для препятствий разного типа.

Количественная оценка качества моделирования проводилась за счет использования критерия регулярности.

На рисунке 3 представлены средние значения критерия регулярности при увеличении количества дублирующих уровней.

На рисунке 4 отражены характеристики времени построения моделей элементов дублирующих уровней.

В заключение можно сделать следующие выводы.

В данной статье описана технология формирования многоуровневой структуры подсистемы преобразования информации при управлении мобильным роботом, которая в отличие от уже существующих использует дублирующие уровни при формировании многослойных технологий синтеза отдельных моделей.

Жизнеспособность предлагаемой системы преобразования информации доказана в работах [7, 8, 11, 12]. Примером успешного применения такого подхода могут служить мониторинговые системы социогигиенического и социоэкологического мониторингов [11, 12].

Результаты проведенных экспериментов позволяют утверждать, что синтез дублирующих уровней в структуре системы преобразования информации позволяет снизить значение критерия регулярности моделей на 5–7 %.

Однако предложенный подход имеет один недостаток: при увеличении количества дублирующих уровней увеличивается время построения отдельных моделей. При этом следует заметить, что с каждым новым дублирующим уровнем разница значения критерия регулярности уменьшается. Описанный принцип формирования структуры системы преобразования информации позволяет посмотреть на нее с точки зрения теории иерархических систем, в которых глобальная задача управления раскладывается на множество локальных подзадач, решение которых не вызывает трудностей.

Такой подход является новым. Проведенные эксперименты позволяют утверждать, что его успешное приложение возможно в системах управления автономными мобильными роботами.

Литература

1.     Ямпольский Л.С., Яхимович В.А., Вайсман Е.Г. [и др.]. Промышленная робототехника. К.: Техніка, 1984. 264 с.

2.     Kondo T. GMDH Neural Network Algorithm Using the Heuristic Self-Organization Method and Its Application to the Pattern Identification Problem. Proc. of the 37th SICE Annual Conf., July, 1998, pp. 1143–1148.

3.     Ahmed Philip Chen CJL. An Efficient Obstacle Avoidance Scheme in Mobile Robot Path Planning using Polynomial Neural Networks. Proc. of the IEEE National Aerospace and Electronics Conf., 1993, no. 2, pp. 848–850.

4.     Ivakhnenko A.G., Ivakhnenko G.A. The Review of Prob­lems Solvable by Algorithms of the Group Method of Data Hand­ling. Pattern Recognition and Image Analysis, 1995, pp. 527–535.

5.     Месарович М., Мако Д., Тахара Л. Теория иерархических многоуровневых систем; [под ред. И.Ф. Шахнова]. М.: Мир, 1973. 344 с.

6.     Голуб С.В. Використання аналогії при проектуванні багаторівневих технологій інформаційного моделювання // Вісн. Черкаського державн. технологіч. ун-ту. 2007. № 3–4. С. 69–71.

7.     Немченко В.В. Багаторівневі системи прийняття рішення в робототехніці // Обробка сигналів і негаусівських процесів: тези допов. наук.-практ. конф.: Черкасi: Черкаський державн. технологічн. ун-тет, 2011. С. 211–212.

8.     Голуб С.В. Координація взаємодій локальних агрегатів в структурі систем багаторівневого перетворення моніторин­гової інформації // Вісник Східноукраїнського національного університету імені Володимира Даля. 2009. № 6 (136). Ч. 1. С. 325–329.

9.     Hartley R. Andrew Zisserman Multiple View Geometry in Computer Vision Second Edition. Cambridge Univ. Press, 2004.

10.  Bradski G., Kaehler A. Learning OpenCV. O'Reilly Media, 2008, 580 p.

11.  Голуб С.В., Сисоєнко Н.В., Немченко В.Ю. Інформа­ційна технологія соціогігієнічного моніторингу // Обчислювальний інтелект (рузультати, проблеми, перспективи). 2011. С. 297.

12.  Голуб С.В., Немченко В.В., Нечипоренко В.Ю. Формування дублюючих рівнів в ієрархічних структурах автоматизованих систем багаторівневого перетворення інформації // Вісник Східноукраїнського національного університету імені Володимира Даля. 2011. № 9. С. 294–297.

Referens

1.     Yampolskiy L.S., Yakhimovich V.A., Vaysman E.G., Dremchuk B.A., Kozachenko L.V. Promyshlennaya robototekhnika [Industrial robot technology]. Kiev, Tekhnіka Publ., 1984, 264 p.

2.     Kondo T. GMDH neural network algorithm using the heuristic self-organization method and its application to the pattern identification problem. Proc. of the 37th SICE annual conf. 1998, pp. 1143–1148.

3.     Ahmed Philip Chen CJL. An efficient obstacle avoidance scheme in mobile robot path planning using polynomial neural networks. Proc. of the IEEE National Aerospace and Electronics conf. 1993, no. 2, pp. 848–850.

4.     Ivakhnenko A.G., Ivakhnenko G.A. The review of problems solvable by algorithms of the group method of data handling. Pattern Recognition and Image Analysis. 1995, pp. 527–535.

5.     Mesarovich M., Mako D., Tahara L. Teoriya ierarkhiches­kikh mnogourovnevykh sistem [The theory of hierarchical multi-level systems]. Russ. ed.: Moscow, Mir Publ., 1973, 344 p.

6.     Golub S.V. Using analogies when designing multy-level information modeling technologies. Vіsnik Cherkaskogo derzhav­nogo tekhnologіchnogo unіversitetu [The bulletin of Cherkasy State Technological Univ.]. 2007, no. 3–4, pp. 69–71 (in Ukr.).

7.     Nemchenko V.V. Multi-level decision-making systems in robot technology. “Obrobka signalіv і negausіvskikh protsesіv”: nauk.-prakt. konf. [“Processing signals and non-Gaussian processes”, research and training conf.]. Cherkasy, Cherkasy State Technological Univ. Publ., 2011, pp. 211–212 (in Ukr.).

8.     Golub S.V. Coordinating local devices cooperation in system structure of multi-level monitoring data conversion. Vіsnik Skhіdnoukrainskogo natsіonalnogo unіversitetu іmenі Volodimira Dalya [Bulletin of Volodymyr Dahl East Ukrainian National University]. 2009, no. 6 (136), part 1, pp. 325–329 (in Ukr.).

9.     Hartley R., Zisserman A. Multiple view geometry in computer vision. 2nd ed., Cambridge University Press, 2004.

10.  Bradski G., Kaehler A. Learning OpenCV. O'Reilly Media, 2008, 580 p.

11.  Golub S.V., Sisoenko N.V., Nemchenko V.Yu. Іnforma­tion technology of socіal and hygіenіc monіtoring. Obchislyuvalniy іntelekt (ruzultati, problemi, perspektivi) [Computational intelligence (results, problems, prospects)]. 2011, p. 297.

12.  Golub S.V., Nemchenko V.V., Nechiporenko V.Yu. Doubling levels forming in hierarchical structures of multi-level data conversion automated systems. Vіsnik Skhіdnoukrainskogo natsі­onalnogo unіversitetu іmenі Volodimira Dalya [Bulletin of Volo­dymyr Dahl East Ukrainian National University]. 2011, no. 9, pp. 294–297 (in Ukr.).