Найти

Результаты поиска

• АППАРАТНО-ПРОГРАММНЫЙ ФРЕЙМВОРК ДЛЯ РАЗРАБОТКИ МОДУЛЬНЫХ МОБИЛЬНЫХ РОБОТОВ С ИЕРАРХИЧЕСКОЙ АРХИТЕКТУРОЙ

  В. П. Андреев, В. Л. Ким, С. Р. Эприков

  2020-07-10

  Аннотация ▼

  В настоящей работе рассматриваются основные проблемы, связанные с необходи-мостью интеграции разнородных робототехнических компонентов в единую систему при одновременном росте сложности навигационных алгоритмов мобильных роботов. Цель данной работы – представить иерархическую модульную архитектуру для реконфигури-руемых мобильных роботов в качестве решения поставленных проблем. В этой архитек-туре мобильный робот рассматривается как комбинация модулей, которые в свою очередь состоят из более простых блоков – субмодулей. Каждый субмодуль включает в себя маломощный микроконтроллер и отвечает только за базовые функции. Набор субмодулей обра-зует модуль – транспортную платформу, ногу робота, манипулятор и т.д. Кроме того, одной из основных задач проекта является предоставление фреймворка, основанного на этой архитектуре, для быстрого прототипирования роботов из унифицированных модулей. В статье описываются изготовленные прототипы модулей, кратко рассматривается протокол межмодульного взаимодействия субмодулей, объединённых CAN-шиной. Пред-ставлены результаты экспериментов по тестированию протокола и приводится их анализ. Показана работоспособность предложенного решения, ограничения и краткий план дальнейших действий по реализации проекта.

• СИСТЕМА ОБЕСПЕЧЕНИЯ АВТОНОМНОГО ВОЗВРАЩЕНИЯ КОЛЁСНОГО РОБОТА ПРИ ПОТЕРЕ СВЯЗИ С УДАЛЕННЫМ ОПЕРАТОРОМ

  Д. В. Березников, А. А. Закиев, Е. А. Магид

  2020-07-10

  Аннотация ▼

  Данная работа посвящена увеличению уровня автономности мобильных роботов в случаях потери связи с оператором, осуществляющим удаленное управление роботом. Акту-альность данной задачи растет, поскольку мобильные роботы находят все больше примене-ний в различных задачах. При работе в опасной для человека среде, например, во время поис-ково-спасательной операции, требуется надежный способ сохранить робота в случаях по-тери связи. Разрыв связи с роботом, который используется в недоступной для человека сре-де, означает потерю робота как функциональной единицы. Причиной возникновения подоб-ных ситуаций становится несовершенство технологий связи, свойства окружающей среды или человеческий фактор. Данная проблема может возникнуть как при проводной, так и беспроводной связи между оператором и роботом. Поэтому робот должен обладать воз-можностью самостоятельно принимать решения в соответствии с поставленной задачей в случае потери прямого контроля со стороны оператора. Для этого робот должен иметь возможность обнаруживать потерю связи с оператором и возвращаться в начальную точку пути без вмешательства человека. В данной статье мы представляем разработанный алго-ритм автоматического обнаружения разрыва сетевого соединения робота и алгоритм ав-тономного возврата робота. В отличие от существующих решений, разработанный алго-ритм не требует дополнительного оборудования или настройки программного обеспечения на стороне оператора. Алгоритм обнаружения разрыва сетевого соединения робота исполь-зует анализ TCP/IP пакетов, что делает его универсальным для роботов, управляемых по сетям Wi-Fi. Для автономного возвращения робота используются методы одновременнойлокализации и картографирования (SLAM) и алгоритмы планирования пути. В режиме автономного возвращения робот опирается на сенсорные данные, собранные во время движения под контролем телеоператора. Алгоритмы были интегрирован в систему управ-ления реального колесного робота PMB-2 и протестированы в лабораторных условиях, что экспериментально подтвердило их эффективность и практическую применимость.

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

  А. К. Фархуд

  99-114

  2022-01-31

  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.

• ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ И ОБЕСПЕЧЕНИЕ АВТОНОМНОСТИ ДЛЯ МОБИЛЬНОГО ДВУХКОЛЕСНОГО РОБОТА

  А. А. Ткаченко , Д.Д. Девяткин

  2022-04-21

  Аннотация ▼

  Управление с прогнозированием (Model Predictive Control) – это усовершенствован-
  ный метод управления процессами, который используется при соблюдении набора ограни-
  чений. С инженерной точки зрения MPC-метод проектирования систем управления явля-
  ется привлекательным, т.к. является сравнительно простым при проектировании, в том
  числе для решения сложных производственных задач. Данный метод схож с классическим
  синтезом системы управления на основе линейно-квадратичного регулятора (LQR). Ключе-
  вое различие между MPC и LQR заключается в том, что управление с прогнозированием
  решает задачу оптимизации в пределах скользящего временного горизонта, в то время как
  линейно-квадратичный метод используется для решения той же задачи фиксированное
  временное окно. В работе рассматривается способ построения системы управления для
  двухколесного мобильного робота с использованием Model Predictive Control. Приведен про-
  цесс построения математической модели механической системы робота, а также выпол-
  нена линеаризация полученной модели. Представлены основные принципы построения сис-
  темы управления на основе MPC для линейных систем без внешних возмущений, а также с
  использованием наблюдателя для оценки состояний модели при влиянии аддитивных белых
  гауссовских шумов. Рассмотрен вариант синтеза системы управления с накладываемыми
  ограничениями на входной сигнал. Также представлен способ определения положения двух-
  колесного робота в пространстве с помощью системы технического зрения, которая ос-
  нована на использовании искусственной нейронной сети. Приведена архитектура модели,
  использующаяся совместно со стереокамерой, с помощью которой реализуется построе-
  ние карты глубины изображения. В качестве архитектуры нейронной сети используется,зарекомендовавшая себя модель YOLOv3. В работе описываются модели, которые неспо-
  собны проводить обработку данных в режиме реального времени. Помимо вышеперечис-
  ленного в работе подробно описывается принцип работы модели глубокого обучения –
  YOLOv3, которая основана на нескольких блоках обработки входных данных. Представле-
  но подробное описание реализации стереокамеры в связке с моделью искусственной ней-
  ронной сети с помощью языка программирования Python и библиотек для работы с видео-
  данными и стереокамерой.

• ОЦЕНКА СИСТЕМ КООРДИНАТНЫХ МЕТОК С ИСПОЛЬЗОВАНИЕМ БОРТОВОЙ КАМЕРЫ МОБИЛЬНОГО РОБОТА «СЕРВОСИЛА ИНЖЕНЕР» В УСЛОВИЯХ ЗАКРЫТЫХ ПОМЕЩЕНИЙ

  Т.Г. Цой

  289-299

  2025-07-31

  Аннотация ▼

  Современные задачи специальных областей робототехники, включая поисково-
  спасательные операции в городских населенных пунктах, ставят ряд вызовов перед мо-
  бильной робототехникой. Одним из важных требований к алгоритмическому и программ-
  ному обеспечению робота являются возможности автономного принятия решений и ав-
  томатического выполнения роботом различных функции как низкого, так и высокого уров-
  ня на основе заложенных алгоритмов и информации, получаемой с бортовых датчиков
  робота. На сегодняшний день самыми распространенными бортовыми датчиками робота
  являются камеры различных типов, что обусловлено их техническими возможностями и
  более низкой стоимостью относительно лидаров и других датчиков, предоставляющих
  визуальную информацию в виде цифровых изображений. Калибровка камер является необ-
  ходимым процессом для извлечения точной информации из цифровых изображений. Данный
  процесс необходим для получения точного соответствия между трехмерным объектным
  пространством и пиксельным пространством изображения, для возможности последую-
  щего использования алгоритмов компьютерного зрения, комплексирования и обработки
  информации. Калибровка цифровых камер является неотъемлемой частью целого ряда
  практических задач машинного зрения: навигация мобильных робототехнических систем,
  медицина, реконструкция плотных и разреженных трехмерных карт окружения, видеонаблюдение и визуальная инспекция, визуальная одновременная локализация и картографи-
  рование и др. Актуальность проблемы калибровки камер обусловлена наличием множества
  различных методов калибровки и калибровочных шаблонов. В большинстве случаев каждый
  метод калибровки использует определенный калибровочный шаблон. Каждое отдельное
  решение подходит лишь под особые условия – недостаток освещения, плохие погодные
  условия, наличие перекрывающих видимость сторонних объектов. Калибровка камер обыч-
  но ассоциируется с использованием специальных калибровочных шаблонов. Они позволяют
  достичь наиболее точных результатов за счет заранее известной геометрической струк-
  туры. В настоящее время процедура калибровки камер робототехнических систем прово-
  дится в лабораторных условиях с использованием классического метода «шахматной дос-
  ки». Помимо него существует всего лишь несколько альтернативных подходов, которые
  находятся в зачаточном состоянии как в России, так и за рубежом. С другой стороны,
  исследования в области методов калибровки камеры продолжаются и появляются новые
  альтернативные варианты калибровки камер. Одно из новых направлений – это использо-
  вание систем координатных меток в качестве эталонного объекта. Разнообразие пара-
  метров – размер калибровочного шаблона, размерность набора калибровочных данных,
  распределение расстояний от камеры до объектов на сцене и т.д. – создает объемную базу
  для экспериментального тестирования оптимальных параметров калибровки камер.
  В данной статье представлено исследование вопроса автоматической калибровки камеры
  с использованием систем координатных меток (СКМ), которые располагаются на поверх-
  ности робота. По результатам виртуальных экспериментов с СКМ в симуляционной среде
  Gazebo робототехнической операционной системы ROS были выбраны два разных типов
  СКМ, оптимальных относительно прочих типов меток, охваченных нашими предыдущими
  исследованиями, с точки зрения устойчивости СКМ к систематическому перекрытию
  поверхности метки и влияния размера метки на качество ее распознания. Выбранные СКМ
  были протестированы с использованием бортовой камеры российского мобильного робота
  «Сервосила Инженер» в условиях закрытых помещений с целью оценки корреляции резуль-
  татов в виртуальной и реальной средах.

• ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПЛАНИРОВАНИЯ ТРАЕКТОРИИ ДВИЖЕНИЯ ГРУППЫ МОБИЛЬНЫХ РОБОТОВ ПРИ НАЛИЧИИ СТАЦИОНАРНЫХ И ПОДВИЖНЫХ ПРЕПЯТСТВИЙ

  Л. А. Рыбак , Д.И. Малышев , Д. А. Дьяконов , А. А. Мамченкова

  2025-04-27

  Аннотация ▼

  Рассматривается метод планирования траектории движения группы мобильных роботов,
  обеспечивающий безопасное перемещение и исключающий возможность столкновений как между
  самими роботами, так и с внешними препятствиями, включая движущиеся объекты. Разрабо-
  танная математическая модель учитывает три основных сценария возможных столкновений:
  пересечение траекторий роботов внутри группы, взаимодействие со стационарными препятст-
  виями и вероятность столкновения с подвижными объектами. Каждый из этих сценариев де-
  тально анализируется для обеспечения максимальной безопасности движения, а их учет позволя-
  ет эффективно адаптировать маршруты роботов к изменяющимся условиям среды. Траектория
  движения каждого робота представляется в виде ломаной линии с промежуточными точками,
  которые оптимизируются для обеспечения безопасности движения. Особое внимание уделяется
  адаптации скорости на различных участках траектории: робот может изменять скорость в
  зависимости от текущих условий, чтобы минимизировать риск столкновений. Для оценки рас-
  стояний между объектами используется евклидова норма, позволяющая рассчитывать мини-
  мальные расстояния между центрами сферических представлений роботов и препятствий. Зада-
  ча решается в два этапа. На первом этапе строится траектория для первого робота с учетом
  начальных условий и расположения препятствий. На втором этапе формируются траектории
  для остальных роботов с учетом уже спланированных маршрутов. Для оптимизации координат
  промежуточных точек и скоростей применяется генетический алгоритм, который минимизиру-
  ет время перемещения и обеспечивает безопасность движения. Генетический алгоритм использу-
  ет операторы скрещивания и мутации для создания разнообразных решений, а также выполняет
  проверку на соответствие условиям безопасности. Численное моделирование проведено на языке
  Python с использованием библиотеки Matplotlib для визуализации результатов. В ходе эксперимен-
  тов было выполнено 50 тестов с различным количеством препятствий (от 5 до 10). Анализ ре-
  зультатов показал, что с увеличением числа препятствий возрастает как время расчета, так и
  качество сформированных траекторий. Это подтверждает эффективность предложенного
  метода для управления группами мобильных роботов в динамически меняющейся среде