Найти

Результаты поиска

• 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.

• АНАЛИЗ ТРАДИЦИОННЫХ И НЕЙРОСЕТЕВЫХ МЕТОДОВ УПРАВЛЕНИЯ ЭЛЕКТРОПРИВОДАМИ В РОБОТОТЕХНИКЕ И ПЕРСПЕКТИВЫ ГИБРИДНЫХ ПОДХОДОВ

  А. И. Татауров , В.Е. Вавилов

  287-298

  2025-12-30

  Аннотация ▼

  Целью настоящего исследования является сравнительный анализ традиционных и нейросетевых методов управления электроприводами в робототехнике, с акцентом на выявление их сильных и слабых сторон, определение областей применения и оценку перспектив развития гибридных подходов. Эффективное управление электроприводами является критически важным для современных робототехнических систем, которые должны демонстрировать высокую производительность, надежность и универсальность в различных областях применения. В частности, актуальными задачами являются обеспечение высокоточного отслеживания траектории, энергоэффективного управления, робастного управления в условиях неопределенностей и возмущений, управление с учетом ограничений, а также синхронизированное и координированное управление несколькими электроприводами. В связи с этим, вопросы оптимизации управления электроприводами, обеспечивающих точность движения, энергоэффективность и адаптацию к изменяющимся условиям, приобретают первостепенное значение. Для достижения этой цели были поставлены следующие взаимосвязанные задачи: систематизация, анализ особенностей и применения традиционных методов управления электроприводами, таких как PID-регуляторы, фильтры Калмана, управление скользящим режимом, модельное прогнозирующее управление; рассмотрение основных подходов к управлению электроприводами на основе нейронных сетей, включая сети прямого распространения, рекуррентные нейронные сети, радиально-базисные функции, нейро-нечеткие системы и обучение с подкреплением; анализ рассмотренных методов с целью выявления их преимуществ и ограничений с точки зрения таких ключевых параметров, как точность отслеживания траектории, робастность к возмущениям и неопределенностям, адаптивность к изменяющимся условиям эксплуатации и вычислительная сложность реализации; исследование и анализ перспектив использования гибридных методов управления электроприводами, сочетающих в себе надежность и качество управления в линейных и структурированных средах традиционных методов и гибкость и адаптируемость методов на основе нейронных сетей в сложных и динамичных робототехнических системах. Краткие выводы исследования указывают на то, что традиционные методы управления электроприводами, такие как PID-регуляторы и управление скользящим режимом, остаются эффективными и предпочтительными в линейных и хорошо определенных системах, характеризующихся простотой и надежностью. В то же время, нейросетевые подходы демонстрируют существенные преимущества при управлении сложными нелинейными системами, а также в условиях неопределенности, требующих адаптации к изменяющимся условиям. Особое внимание уделяется гибридным методам управления, сочетающим сильные стороны традиционных и нейросетевых подходов, которые рассматриваются как наиболее перспективное и многообещающее направление развития, позволяющее создавать интеллектуальные и робастные системы управления электроприводами, способные эффективно функционировать в сложных и динамичных средах.

• НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ МОДЕЛЬНО-ПРОГНОЗИРУЮЩЕГО УПРАВЛЕНИЯ ДЛЯ СИСТЕМЫ СТАБИЛИЗАЦИИ ДИНАМИЧЕСКОГО ОБЪЕКТА

  Б.А. Комаров , С. В. Леонов , Т.Е. Мамонова

  276-287

  2025-12-30

  Аннотация ▼

  Актуальность.  При решении задач стабилизации динамических объектов достаточно широко применяется классическое модельно-прогнозирующее управление. Оно обеспечивает высокое качество управления за счёт решения задачи оптимизации на каждом шаге, однако обладает значительными вычислительными затратами, что ограничивает его применение в системах реального времени с высокими требованиями к частоте обновления. Поэтому вопрос исследования применимости нейросетевого регулятора, обученного на модельно-прогнозирующем регуляторе (MPC) при решении задачи стабилизации положения динамического объекта при ограниченном вычислительном и временном ресурсе является актуальной. Цель. Целью представленной работы было разработать и исследовать нейросетевой регулятор, обученный на основе MPC-регулятора, для стабилизации положения динамического объекта на подвижной платформе. Методы. При выполнении работы использовались методы системного анализа, имитационного моделирования, а также экспериментальные испытания на стенде. Результаты и выводы.  В рамках исследования разработан и обучен нейросетевой регулятор, аппроксимирующий поведение MPC на основе данных, полученных при управлении реальной балансировочной платформой. Обучение проводилось по входным и выходным данным MPC без использования внутренней модели системы, что позволило воспроизвести динамику регулятора при существенно меньших вычислительных затратах. Экспериментальные результаты показали, что нейросетевая модель обеспечивает качество стабилизации, сопоставимое с оригинальным MPC, при этом время вычислений сократилось с 47 мс до 1.6 мс, что составило значение ускорения в 29 раз. Предложенный подход демонстрирует потенциал нейросетевых методов управления в задачах замещения сложных оптимизационных регуляторов для систем с ограниченными вычислительными ресурсами.