Статья

Название статьи ЧИСЛЕННЫЙ СИНТЕЗ СИСТЕМЫ УПРАВЛЕНИЯ ГРУППОЙ РОБОТОВ МЕТОДОМ СИМВОЛЬНОЙ РЕГРЕССИИ
Автор А.И. Дивеев, Е.Ю. Шмалько
Рубрика РАЗДЕЛ I. ГРУППОВОЕ УПРАВЛЕНИЕ РОБОТАМИ
Месяц, год 10, 2015
Индекс УДК 004.896
DOI
Аннотация Рассматривается задача автоматического синтеза систем управления многообъектными робототехническими системами. Для синтеза системы управления необходимо найти управление в виде многомерной нелинейной функции от состояния объекта управления. Нахождение такой функции и ее реализация на бортовых компьютерах объектов управления позволяет создать систему управления, которая сможет перевести объекты из начального состояния на терминальное многообразие с оптимальным значением критериев качества. Задача синтеза управления группой роботов относится к общей задаче синтеза управления и имеет дополнительные динамические ограничения в пространстве состояний, которые определены требованием отсутствия сталкивания роботов между собой в процессе движения к достижению цели управления. В обзоре представлены три основных подхода к построению систем управления обратной связи для групп роботов. Это методы, основанные на использовании навигационных функций, методы, использующие принцип разбиения на участки, и методы символьной регрессии. В отличие от первых двух указанных подходов, методы символьной регрессии позволяют полностью автоматически решать задачу синтеза, реализуя эволюционный поиск оптимальной функции управления и ее параметров на пространстве возможных решений. Такой подход к решению задачи синтеза является универсальным и не ограничивается особенностями решаемых задач. В настоящей работе используем один из методов символьной регрессии – метод сетевого оператора. Суть метода заключается в том, что код математического выражения описывается в виде целочисленной матрицы, в ячейках которой хранятся номера переменных, параметров, унарных и бинарных операций. Поиск математического выражения, удовлетворяющего целям и критериям, осуществляется с помощью генетического алгоритма на основе принципа вариации базисного решения. Принцип малых вариаций базисного решения сужает область поиска и сокращает время вычислений. При построении базисного решения специалист разработчик может использовать известные аналитические методы, такие как метод АКАР. Чем лучше задано базисное решение, тем быстрее вычислительный метод найдет оптимальное решение задачи. Эффективность подхода представлена результатами моделирования задачи парковки для двух мобильных роботов.

Скачать в PDF

Ключевые слова Синтез системы управления; группа роботов; динамические ограничения; символьная регрессия; генетический алгоритм.
Библиографический список 1. Parker L. Alliance: An architecture for fault-tolerant multi-robot cooperation // Transactions on Robotics and Automation. – 1998. – No. 14 (2). – P. 220-240.
2. Arkin R., Balch T. Cooperative multiagent robotic systems // In D. Kortenkamp, R.P. Bonasso, and R. Murphy editors, Artificial Intelligence and Mobile Robots: Case Studies of Successful Robot Systems. – MIT/AAAI Press, Cambridge, MA, 1998. – P. 277-296.
3. Arkin R., Balch T., Nitz E. Communication of behavioral state in multi-agent retrieval tasks // In IEEE International Conference on Robotics and Automation, Los Alamitos, CA, May 1993. – P. 588-594.
4. Matari_c M. Designing and understanding adaptive group behavior // Adaptive Behavior. – 1995. – No. 4. – P. 51-80.
5. Matari_c M. Issues and approaches in the design of collective autonomous agents // Robotics and Autonomous Systems. – 1995. – No. 16 (2-4). – P. 321-331.
6. Goldberg D., Matari_c M. Interference as a tool for designing and evaluating multi-robot controllers // In National Conference on Artificial Intelligence, Providence, Rhode Island, Jul. 1997. – P. 637-642.
7. Lerman K., Martinoli A., Galstyan A. A review of probabilistic macroscopic models for swarm robotic systems // In Proceedings of the International Conference on the Simulation of Adaptive Behavior, Los Angeles, CA, Aug 2004. – P. 143-152.
8. Rimon E., Koditschek D. Exact robot navigation using artificial potential functions // IEEE Trans. Robotics and Automation. – October 1992. – Vol. 8, No. 5.
9. Conner D., Rizzi A., Choset H. Composition of local potential functions for global robot control and navigation // In Proc. IEEE Int. Conf. Intelligent Robots and Systems, Las Vegas, Nevada, October 2003.
10. Gennaro M. C. D., Jadbabaie A. Formation control for a cooperative multi-agent system using decentralized navigation functions // In Proceedings of the American Control Conference, Minneapolis, Minnesota, June 2006.
11. Conner D., Choset H., Rizzi A. Provably correct navigation and control for non-holonomic convex-bodied systems operating in cluttered environments // In Robotics: Science and Systems. Philadelphia, Pennsylvania: MIT Press, August 2006.
12. Habets L., J. van Schuppen A control problem for affine dynamical systems on a full-dimensional polytope // Automatica. – January 2004. – Vol. 40, No. 1.
13. Roszak B., Broucke M. E. Necessary and sufficient conditions for reachability on a simplex // Automatica. – November 2006. – Vol. 42, No. 11.
14. Lindemann S., Lavalle S. Computing smooth feedback plans over cylindrical algebraic decompositions // In Robotics: Science and Systems. Philadelphia, Pennsylvania: MIT Press, August 2006.
15. Loizou S.G., Kyriakopoulos K.J. Closed loop navigation for multiple holonomic vehicles // In Intl. Conf. on Robotics and Automation, Lausanne, Switzerland, October 2002.
16. Tanner H., Loizou S., Kyriakopoulos K. Nonholonomic navigation and control of cooperating mobile manipulators // IEEE Trans. Robotics and Automation. – February 2003. – Vol. 19, No. 1.
17. Loizou S.G., Kyriakopoulos K.J. Closed loop navigation for multiple holonomic vehicles // In Intl. Conf. on Robotics and Automation, Lausanne, Switzerland, October 2002.
18. Loizou S.G., Kyriakopoulos K.J. A feedback-based multiagent navigation framework // International Journal of Systems Science. – 2006. – Vol. 37, No. 6.
19. Lindemann S.R., LaValle S.M. Smoothly blending vector fields for global robot navigation // In IEEE Conference on Decision and Control, Seville, Spain, 2005.
20. Lindemann S.R., Hussein I.I., LaValle S.M. Real time feedback control for nonholonomic mobile robots with obstacles // In IEEE Conference on Decision and Control, 2006.
21. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, Massachusetts, London, MA: MIT Press, 1992. – 819 p.
22. O’Neill M., Ryan C. Grammatical Evolution. Evolutionary Automatic Programming in an Arbitrary Language. Kluwer Academic Publishers. 2002.
23. Zelinka I. Analytic programming by Means of Soma Algorithm // In Proceedings of 8th International Conference on Soft Computing Mendel02, Brno, Czech Republic, 2002. – P. 93-101.
24. Diveev A.I. A Numerical Method for Network Operator for Synthesis of a Control System with Uncertain Initial Values // Journal of Computer and Systems Sciences International. – 2012. – Vol. 51, No. 2. – P. 228-243.
25. Дивеев А.И. Метод сетевого оператора. – М.: ВЦ РАН, 2010. – 178 с.
26. Лебедев Б.К., Лебедев В.Б., Лебедев О.Б. Решение задачи символьной регрессии методами генетического поиска // Известия ЮФУ. Технические науки. – 2015. – № 2 (163). – С. 212-224.
27. Дивеев А. И., Шмалько Е. Метод символьной регрессии на основе сетевого оператора в задаче синтеза управления // Современные проблемы науки и образования. – 2013. – № 3. – С. 76.
28. Колесников А.А. Синергетические методы управления сложными системами: Теория системного синтеза. – М.: КомКнига, 2006. – 240 с.
29. Колесников А.А. Метод синергетического синтеза системы управления колебаниями «перевернутого маятника на подвижной тележке // Известия ЮФУ. Технические науки. – 2011. – № 6 (119). – С.110-117.
30. Oyama K., Nonaka K. Model Predictive Parking Control for Nonholonomic Vehicles using Time-State Control Form // In Proceedings of 2013 ECC European Control Conference, Zurich, Switzerland, 2013. – P. 458-465.

Comments are closed.