УПРАВЛЕНИЕ МОБИЛЬНЫМ РОБОТОМ С ПРИМЕНЕНИЕМ НЕЙРОННОЙ СЕТИ ДЛЯ ПЛАНИРОВАНИЯ ДВИЖЕНИЯ В НЕКАРТОГРАФИРОВАННОЙ СРЕДЕ С ПРЕПЯТСТВИЯМИ

Аннотация

В данной работе применяется нейронная сеть глубокого обучения специальной структуры, которая позволяет мобильному роботу перемещаться без столкновения с препятствиями в неизвестной среде. Основными проблемами, на решение которых направ- лены усилия исследователей в области нейросетевых планировщиков движения, являются повышение производительности нейронных сетей, оптимизация их структуры и автома- тизация процессов обучения. Основным результатом данной статьи является новый ите- рационный алгоритм разработки обучающего набора. На первой итерации разрабатыва- ется стартовый обучающий набор и производится начальное обучение нейронной сети. В следующих итерациях обученная на предыдущем этапе нейронная сеть используется в качестве фильтра для следующих обучающих наборов. Фильтр выбирает траектории с коллизиями, обусловленными ошибками нейронной сети. В процессе обучения количество сверточных и полностью связанных слоев итеративно увеличивается. Таким образом, предложенный алгоритм позволяет разработать как обучающий набор, так и архитекту- ру нейронной сети. Выполняется сравнение результатов обучения для отфильтрованных и нефильтрованных наборов. Подтверждена высокая эффективность фильтрации, в ре- зультате которой изменяется распределение примеров в обучающей выборке. Алгоритм может быть использован для разработки блока планирования системы управления мобильными наземными роботами. В статье приводится пример обучения нейронной сети в среде моделирования Matlab. В примере проведено пять итераций обучения, в ходе которых достигнута точность более 90 %. Данная точность получена с использованием набранной статистики по движению мобильного робота в случайно генерируемой среде. Плотность заполнения среды препятствиями составляла до 40 %, что соответствует городским условиям. Проведено сравнение нейросетевых планировщиков, обученных с помощью пред- ложенной итерационной процедуры и при обычном обучении. Сравнение показало, что применение итерационной процедуры повышает точность планирования до 12 – 15 %. При этом исходный объем обучающей выборки уменьшается в несколько раз за счет применяе- мой фильтрации.