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.

• КОНЦЕПЦИЯ ФОРМИРОВАНИЯ ОПЕРАТИВНОЙ ГРУППЫ РТК

  В. Х. Пшихопов, А.Р. Гайдук, М. Ю. Медведев, Д. Н. Гонтарь, В.В. Соловьев, О.В. Мартьянов

  2020-07-10

  Аннотация ▼

  Рассматривается задача формирования группы автономных робототехнических ком-плексов с целью нейтрализации обнаруженной группы противника. Группа робототехнических комплексов должна быть сформирована таким образом, чтобы поставленная ей задача по нейтрализации обнаруженного противника была выполнена с большой долей вероятности. Поставленная проблема математически представляет собой задачу о назначениях. Исходными данными для решения указанной задачи являются: типы и число объектов обнаруженной груп-пы противника; данные о расположении объектов противника; данные о составе и характери-стиках средств, имеющихся в нашей группировке; тип формируемой группы (робототехниче-ская или смешанная); цель выполнения операции; действия группы по окончании операции. Предлагается решение задачи, базирующееся на оценках эффективности применения отдель-ных робототехнических комплексов. Решение сформулировано в виде последовательности эта-пов. На первом этапе осуществляется расчет априорных эффективностей применения каждо-го элемента обнаруженной группы противника. На втором этапе, исходя из экспертных оце-нок, производится выбор коэффициентов эффективности применения каждого из имеющихся робототехнических комплексов против каждого элемента обнаруженной группы противника. На третьем этапе осуществляется коррекция априорных оценок эффективности применения имеющихся в распоряжении робототехнических комплексов, с учетом выбранных на втором этапе коэффициентов. На четвертом этапе производится формирование группы робототех-нических комплексов таким образом, чтобы ее суммарная эффективность применения превы-шала суммарную эффективность применения обнаруженного противника в 2,0–2.5 раза. Пред-ложенная методика формирования группы позволяет сформировать как количественный, так и качественный состав группы. В статье приводится пример формирования группы, целью которой является нейтрализация обнаруженного противника. Результаты статьи могут использоваться при моделировании групп роботов, обладающих высокой степенью автономно-сти. Такие группы могут не только выполнять поставленную задачу, но в автоматическом режиме составлять план решения задачи.

• 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.

• МЕТОД УПРАВЛЕНИЯ МОБИЛЬНЫМ РОБОТОМ С ИСПОЛЬЗОВАНИЕМ СЕМАНТИКИ ЕСТЕСТВЕННОГО ЯЗЫКА

  Д.С. Кобзарь, В.Д. Матвеев , Я.Д. Лапкин , Р.Р. Богданов , А. С. Изюмов

  2026-04-29

  Аннотация ▼

  Реализовать управление роботами можно большим количеством различных интерфейсов – от традиционных пультов до технологий дополненной реальности. Однако у всех подобных интерфейсов существует ряд ограничений, особенно остро возникающих в сервисной робототехнике. Они связаны с длительным обучением человека-оператора, не интуитивным для человека управлением и необходимостью полного вовлечения человека. С другой стороны, сегодня появилась новое направление, связанное с большими языковыми моделями, которые способны обрабатывать естественный язык с последующим его переводом в команды управления роботом. Существует ряд работ, демонстрирующих возможность использования языковых моделей в задачах планирования действий робота. На основе анализа существующих работ предложен новый метод управления мобильным роботом, объединяющий преимущества других методов. Метод позволяет планировать сценарии для робота, получая на вход миссию от человека на естественном языке, ТОП робота и информацию с его датчиков. В статье также описана последовательность настройки системы с использованием большой языковой модели для решения данной задачи – представлено три варианта инструкции для нейронной сети, поэтапно улучшающих достижимость формируемых сценариев. После этого описаны различные миссии, которые задаются в рамках экспериментальных исследований настоящей работы – всего проверялось 100 миссий, разделенных на 4 уровня сложности в равном соотношении. Сложность миссий варьировалась от описания объектов в поле зрения робота до взаимодействия со сложно заданными миссиями, включающими синонимы объектов и неявно заданные цели. В завершении работы представлены результаты оценки алгоритма и трех вариантов инструкции. Выводом можно считать, что использование языковых моделей для задания сценариев роботам возможно, в том числе с достаточно высокой достижимостью. Модель с наиболее продвинутой инструкцией достигла 91 % правильно сформированных сценариев, что позволяет говорить о применимости разработанного метода для управления мобильным роботом на естественном язык

• ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СРЕДСТВАМИ В ЗАДАЧЕ СЕГМЕНТАЦИИ НОР ГРЫЗУНОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКИХ СВЕРТОЧНЫХ АРХИТЕКТУР

  М.А. Астапова

  19-30

  2025-04-27

  Аннотация ▼

  Исследуется применение нейросетевых архитектур для семантической сегментации нор
  грызунов с целью мониторинга их популяции на сельскохозяйственных полях. В частности, рас-
  сматриваются три модели для семантической сегментации: сверточный автокодировщик (САК),
  SegNet и U-Net. Эти модели применяются для анализа изображений, полученных с беспилотных летательных аппаратов (БпЛА) и наземных роботизированных средств (РТС), что позволяет
  автоматически выявлять норы, минимизируя необходимость в трудозатратах при обработке
  больших объемов данных. Для обучения и тестирования моделей была подготовлена выборка,
  включающая 247 RGB-изображений, содержащих 1098 размеченных нор. Оценка показателей ка-
  чества семантической сегментации проводилась с использованием метрики Джаккара (IoU), в
  результате чего были получены следующие значения: 0,511 для САК, 0,548 для SegNet и 0,529 для
  U-Net. Была проведена оценка вычислительных ресурсов, необходимых для внедрения этих моделей
  в бортовые вычислительные устройства (БВУ) мобильных РТС. Рассмотрены два критерия: ко-
  личество операций с плавающей точкой (GFLOPS) и количество параметров моделей. Результа-
  ты показали, что SegNet требует 2,23 GFLOPS и имеет 0,76 миллиона параметров, что в 2,58 и
  2,33 раза меньше по сравнению с САК и U-Net соответственно. Количество операций с плавающей
  точкой для SegNet также оказалось на 2,43 и 1,88 раза ниже, чем у САК и U-Net соответственно.
  В результате, SegNet превзошла САК и U-Net как в эффективности сегментации, так и в требуе-
  мых вычислительных ресурсах. Данная работа выполнялась в рамках реализации системы компь-
  ютерного зрения сельскохозяйственной РТС.