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.
Литература
Fundamentals to Advanced Theory // John Wiley & Sons. – New Jersey, 2003.
2. LeCun Ya., Yoshua B., and Geoffrey H. Deep learning // Nature. – 2015. – Vol. 521.7553.
– P. 436-444.
3. Yu J., Ji J., Miao Z., Zhou J. Neural network-based region reaching formation control for multi-
robot systems in obstacle environment // Neurocomputing. – 2019. – Vol. 333. – P. 11-21.
4. Geng M., Xu K., Zhou X., Ding B., Wang H., Zhang L. Learning to cooperate via an attentionbased
communication neural network in decentralized multi-robot exploration // Entropy.
– 2019. – Vol. 21 (3).
5. Agrawal P., Agrawal H. Adaptive algorithm design for cooperative hunting in multi-robots //
International Journal of Intelligent Systems and Applications. – 2018. – Vol. 10 (12). – P. 47-55.
6. Price E., Lawless G., Ludwig R., Martinovic I., Bulthoff H.H., Black M.J., Ahmad A. Deep
Neural Network-Based Cooperative Visual Tracking Through Multiple Micro Aerial Vehicles
// IEEE Robotics and Automation Letters. – 2018. – Vol. 3 (4). – P. 3193-3200.
7. Martínez-García E.A., Torres-Córdoba R., Carrillo-Saucedo V.M., López-González E. Neural
control and coordination of decentralized transportation robots // Proceedings of the Institution
of Mechanical Engineers. Part I: Journal of Systems and Control Engineering. – 2018. – Vol.
232 (5). – P. 519-540.
8. Wang Y., Cheng L., Hou Z.-G., Yu J., Tan M. Optimal Formation of Multirobot Systems Based
on a Recurrent Neural Network // IEEE Transactions on Neural Networks and Learning Systems.
– 2016. – Vol. 27 (2). – P. 322-333.
9. Pshikhopov V., Medvedev M., Vasileva M. Neural network control system of motion of the
robot in the environment with obstacles // Lecture Notes in Computer Science. – 2019.
– Vol. 11606. – P. 173-181.
10. Janglova D. Neural networks in mobile robot motion // Int J Adv Robot Syst. – 2004. – No. 1.
– P. 15-22.
11. Li Q.L., Song Y., Hou Z.G. Neural network based Fast SLAM for automobile robots in unknown
environments // Neurocomputing. – 2015. – Vol. 165. – P. 99-110.
12. Na Y.K., Oh S.Y. Hybrid control for autonomous mobile robot navigation using neural network
based behavior modules and environment classification // Aut Robots. – 2003. – Vol. 15.
– P. 193-206.
13. Pothal J.K., Parhi D.R. Navigation of multiple robots in a highly clutter terrains using adaptive
neuro-fuzzy inference system // Robotics and Automation. – 2015. – Vol. 72. – P. 48-58.
14. Abu Baker A. A novel mobile robot navigation system using neuro-fuzzy rule-based optimization
technique // Res J Appl Sci Eng Technol. – 2012. – Vol. 4 (15). – P. 2577-2583.
15. Qiao J., Fan R., Han H., Ruan X. Q-learning based on dynamical structures neural network for
robot navigation in unknown environment // Advances in Neural Network. – 2009. – Vol. 553.
– P. 188-196.
16. Medvedev M., Kadhim A., Brosalin D. Development of the Neural-Based Navigation System
for a Ground-Based Mobile Robot // 2021 7th International Conference on Mechatronics and
Robotics Engineering, ICMRE 2021. – 2021. – P. 35-40, 9384825.
17. Medvedev M., Pshikhopov V. Path Planning of Mobile Robot Group Based on Neural Networks,
Lecture Notes in Artificial Intelligence, 2020, pp. 51-62.
18. Gayduk A.R., Mart'yanov O.V., Medvedev M.Yu., Pshikhopov V.Kh., Khamdan N., Farkhud A.
Neyrosetevaya sistema upravleniya gruppoy robotov v neopredelennoy dvumernoy srede
[Neural network control system for a group of robots in an indefinite two-dimensional environment],
Mekhatronika, avtomatizatsiya, upravlenie [Mechatronics, automation, management],
2020, Vol. 21 (8), pp. 470-479.
19. Pal P.K., Kar A. Sonar-based mobile robot navigation through supervised learning on a neural
net, Aut Robots, 1996, No. 3, pp. 355-734.
20. Medina-Santiago A., Campus-Anzueto J.L., Vazquez-Feijoo J.A., Hernandez-de- Leon H.R.,
Mota-Grajales R. Neural control systems in obstacle avoidance in mobile robots using ultrasonic
sensors, J Appl Res Technol., 2014, No. 2, pp. 104-110.
21. Syed U.A., Kunwar F., Iqbal M. Guided autowave pulse coupled neural network (GAPCNN)
based real time path planning and an obstacle avoidance scheme for mobile robots, Robot
Autonom Syst., 2014, Vol. 62, pp. 474-486.
22. Sun C., He W., Ge W., Chang C. Adaptive neural network control of biped robots, IEEE
Transactions on Systems, Man, and Cybernetics: Systems, 2017, Vol. 47 (2), pp. 315-326.
23. Sun C., He W., Hong J. Neural network control of a flexible robotic manipu- lator using the
lumped spring-mass model, IEEE Transactions on Systems, Man, and Cybernetics: Systems,
2018, Vol. 47 (8), pp. 1863-1874.
24. Zhu D., Tian C., Sun B., Luo C. Complete coverage path planning of autonomous underwater
vehicle based on GBNN algorithm, J Intell Robot Syst., 2018, pp. 1-13.
25. Zhang C., Hu H., Wang J. An adaptive neural network approach to the tracking control of
micro aerial vehicles in constrained space, Int J Syst Sci., 2017, Vol. 48 (1), pp. 84-94.
26. Nikolenko S., Kadurin A., Arkhangel'skaya E. Glubokoe obuchenie. Pogruzhenie v mir
neyronnykh setey [Deep learning. Immersion in the world of neural networks]. Saint Petersburg:
Izd-vo Piter, 2018.
27. Hyansu B., Gidong K., Jonguk K., Dianwei Q., Sukgyu L. Multi-Robot Path Planning Method
Using Reinforcement Learning, Applied Sciences, 2019, Vol. 9 (15), pp. 30-57.
28. Vizil'ter Yu.V., Vishnyakov B.V., Vygolov O.V., Gorbatsevich V.S., Knyaz' V.A. Tekhnologii
intellektual'noy obrabotki informatsii dlya zadach navigatsii i upravleniya bespilotnymi letatel'nymi
apparatami [Intelligent information processing technologies for navigation and control of unmanned
aerial vehicles], Tr. SPIIRAN [Proceedings of SPIIRAN], 2016, Vol. 45, pp. 26-44.
29. Redmon J., Divvala S., Farhadi A. You Only Look Once, Unified, Real-Time Object Detection,
Computer Vision Pattern Recognition, 2015.
30. Belorutskiy R.Yu., Zhitnik S.V. Raspoznavanie rechi na osnove svertochnykh neyronnykh setey
[Speech recognition based on convolutional neural networks], Voprosy radioelektroniki [Radio
electronics issues], 2019, No. 4, pp. 47-52.
