WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 15 | 16 || 18 | 19 |   ...   | 58 |

выбрана модель «Техновижн» МП-М2401, Навигационная система робота которая состоит из двух сочленённых должна выполнять функции локализации, частей, поворачивающихся друг планирования траектории движения в относительно друга в точке сочленения, условиях статических и динамических каждая из которых имеет два независимых препятствий, управления моторными колеса диаметром d (Рисунок 1).

компонентами робота для движения по выбранной траектории. Наиболее используемыми методами локализации робота в среде являются алгоритмы, построенные на основе фильтров частиц [1,2]. Планирование маршрута формализуется в виде задачи поиска кратчайшего пути в графе возможных путей [3]. Наиболее аппаратноспецифичной задачей остаётся разработка алгоритма управления моторными компонентами робота, которой уделяется основное внимание в данной работе. Рисунок 1. a) Внешний вид робота. б) Схематический вид платформы. – угол поворота Рассматривается задача управления между частями платформы; a – расстояние от оси колёсным роботом, состоящим из двух сочленения до колеса; b – длина рычага сочленения;

сочленённых частей, каждая из которых d – диаметр колеса.

имеет два независимых колеса, вращающихся только при подаче тока на Колёса поворачиваются двигателем, двигатели. Алгоритмы согласованного соединённым через редуктор, и не могут Материалы XVI Международной конференции по нейрокибернетике свободно вращаться. Двигатели препятствиям. Разные этапы локализации управляются ШИМ контроллером. На представлены на Рисунке 3.

каждом колесе установлен инкрементный энкодер (одометр) – датчик, сообщающий о повороте колеса в ту или другую сторону.

Установлен угловой энкодер – датчик, сообщающий угол поворота (изгиба) сочленения.

Навигационная система Навигационная система робота состоит из трёх взаимосвязанных блоков:

локализации, планирования движения и моторики. Соответственно, цикл Рисунок 3. Этапы процессов локализации и навигационных действий робота планирования: а) вычисленное положение и представляет собой повторяющуюся ориентация робота, б) моделирование дальнометрии, в) гипотезы о локализации робота, последовательность: локализация составляющие фильтр частиц г) карта (определение своего местоположения) – проходимости.

планирование траектории перемещения – движение по траектории (Рисунок 2).

Планирование маршрута формализуется в виде задачи поиска пути в графе. Граф возможных перемещений робота строится из точки текущего положения робота. Каждый родительский узел графа имеет три дочерних узла, соответствующих прямолинейному перемещению робота на определенный шаг, перемещению с поворотом направо и перемещению с поворотом налево. Если одно из таких перемещений невозможно Рисунок 2. Общая схема взаимодействия модулей.

ввиду препятствий на пути робота, то вершина не добавляется в граф. Вес ребра Модуль локализации определяет графа от родительского узла до одного из координаты робота и передаёт их модулю дочерних вычисляется из соображений планирования маршрута. Модуль проходимости пути. Для этого планирования строит маршрут движения и используется карта проходимости (рисунок передаёт его блоку моторики. Блок 3 г), вычисляемая из растровой карты моторики устанавливает необходимую препятствий. В каждой точке такой карты мощность на двигатели для движения по вычисляется величина расстояния до заданной траектории. С помощью ближайшего препятствия. Для поиска пути инкрементных одометрических датчиков и в графе используется алгоритм A*[3].

датчика поворота вычисляются изменения Результат работы алгоритма представлен на координат и угла поворота и передаются Рисунке 4.

модулю локализации в качестве гипотезы о перемещении.

Локализация осуществляется с помощью фильтра частиц [2] с известной картой местности, заданной в виде двумерной матрицы (рисунок 3). Белый цвет на карте соответствует свободным участкам местности, черный цвет – 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» Тогда ориентация робота:

& & F(t)= arctg(Y(t)/ X(t)) требуемая угловая и поступательная скорость на время dt:

W = (F(t + dt) - F(t))/ dt 2 & & V = Y (t)+ X (t) скорости передних колёс:

VL = V + a W Рисунок 4. траектория движения робота.

VR = V - a W Из соображений отсутствия Траектория, по которой должен напряжения в точке сочленения двигаться робот, представляется в виде рассчитываются скорости колёс ведомой параметрической функции координат от части:

времени, заданной в виде полинома, a VL = Vs * (cos( ) + *sin( )) коэффициенты которого вычисляются b модулем планирования траектории a VR = Vs *(cos( ) - *sin( )) b движения аппроксимацией кратчайшего пути в графе. Задача модуля моторики - как = + arctg(W bV ) можно более точно следовать по заданному маршруту. Vs = V + (W b)Управление роботом состоит в где:

согласованной установке скоростей — угол вектора скорости точки вращения всех колёс посредством подачи сочленения относительно ведомой части;

требуемой мощности на соответствующие Vs — модуль скорости точки сочленения;

двигатели. Для адаптивной установки — угол поворота между ведомой и мощности и устранения осцилляций ведущей частью.

используется пропорциональноМощность, подаваемая на двигатель интегрально-дифференциальный регулятор каждого колеса, регулируется ПИД(ПИД).

контроллером для удержания заданной Задача управления разбивается на две:

скорости.

1. Управление передней частью Оценка перемещения робота за платформы таким образом, чтобы она прошедшее время dt и новые координаты двигалась по заданной траектории.

платформы (Рисунок 5) рассчитываются 2. Управление задней частью следующим образом:

платформы, таким образом, чтобы не средняя угловая и поступательная допускать нагрузки в точке сочленения.

скорость:

Ведущей частью робота считается та, W = (VL -VR)/( 2 a) которая находится в голове движения, V = (VL +VR)/ ведомая часть находится в хвосте. При изменении направления движения ведущая средний радиус кривизны траектории:

и ведомая части меняются ролями.

R = V /W По заданной траектории движения изменение ориентации:

рассчитывается средняя угловая и d = W dt поступательная скорость за время dt. Из новая ориентация:

средней угловой и поступательной = + d скорости передней части платформы рассчитывается необходимая скорость для левого и правого колеса.

Пусть требуемая траектория движения задана в параметрической форме в виде двух функций, зависящих от времени x=X(t) и y=Y(t).

Материалы XVI Международной конференции по нейрокибернетике модельной среде и на мобильной платформе МП-М2401 в реальной среде.

Заключение Рассмотрена навигационная система мобильного колесного робота, состоящая из узла локализации, узла планирования Рисунок 5. Координаты части платформы.

траектории движения, узла моторики и одометрии. Локализация осуществляется с В зависимости от радиуса кривизны помощью фильтра частиц. Планирование траектории может быть использован один маршрута формализовано в виде задачи из двух методов расчёта перемещения поиска пути в графе, который строится на части платформы. В случае движения по карте проходимости. Особое внимание окружности радиуса R предпочтительно уделено методу расчета скоростей ведомой использовать дуговую аппроксимацию и ведущей части платформы для гладкого траектории, а в случае, когда движение движения по вычисленной траектории, происходит по прямой, а радиус кривизны который проверен в численном стремится к бесконечности, моделировании и на реальной платформе.

предпочтительным является линейная аппроксимация траектории.

Список литературы Линейная аппроксимация траектории:

' + dX = V dt * cos 1. Austin Eliazar, Ronald Parr. “DP-SLAM: Fast, Robust Simultainous Localization and Mapping Without Predetermined Landmarks”, IJCAI, 2003.

' + dY = V dt *sin 2. Rekleitis, Ioannis, “A Particle Filter Tutorial for Mobile Robot Localization,” International Conference Дуговая аппроксимация траектории:

on Robotics and Automation (ICRA), 2003.

3. Dechter, Rina; Judea Pearl “Generalized best-first dX = R ( sin' - sin ) search strategies and the optimality of A*”. Journal of dY = R ( cos' - cos ) the ACM 32 (3), 1985, 505–536.

4. Arkin, R.C.; Balch, T. “AuRA: principles and Рассчитанные dX, dY и d отправляются в practice in review” Journal of Experimental & модуль локализации в качестве первичной Theoretical Artificial Intelligence 9 (2–3), 1997, 175– оценки перемещения робота.

189.

Описанная навигационная система 5. Gat, E., “Integrating planning and reacting in a heterogeneous asynchronous architecture for mobile опробована на виртуальном роботе в robots” in SIGART Bulletin 2, 1991, 70-74.

4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» ФОРМАЛЬНАЯ МОДЕЛЬ НЕЙРОНА, ОБЕСПЕЧИВАЮЩАЯ НЕПРОТИВОРЕЧИВОСТЬ ПРЕДСКАЗАНИЙ Витяев Е.Е.1,1) Институт математики им. С.Л.Соболева СО РАН, vityaev@math.nsc.ru 2) Новосибирский государственный университет We formulate the formal model of neuron that provides держатель приисков, но не философ, то он consistent predictions. For the consistency of также с ещё большей вероятностью predictions we use maximal specific rules, that миллионер. Применение этих двух правил discovered by neuron.

уже не приводит к противоречиям.

Максимально специфические правила Введение должны использовать всю доступную Нами ранее была предложена информацию.

формальная модель нейрона, основанная на Полученные результаты семантическом вероятностном выводе [12]. Эта модель была использована для Приведём описание формальной модели объяснения функциональных систем [1-2] и нейрона на описательном уровне, ссылаясь экспериментально апробирована путем на точные определения, приведённые в создания аниматов [3].

следующем разделе.

В данной работе показывается, что эта Под информацией поступающей на модель позволяет решать проблему «вход» мозга будем понимать всю статистической двусмысленности и воспринимаемую мозгом афферентацию:

предсказывать без противоречий.

мотивационную, обстановочную, Проблема статистической пусковую, обратную, санкционирующую, двусмысленности состоит в том, что в афферентацию о произведенных действиях, процессе обучения (индуктивного вывода) поступающую по коллатералям на «вход» и мы можем получать вероятностные т. д. Из экологической теории восприятия правила, из которых выводится Дж. Гибсона [5] следует, что под противоречие. Эта проблема возникает для информацией можно понимать любую большинства методов машинного характеристику энергетического потока обучения. Пример: наблюдая людей, можно света, звука и т.д., поступающую на «вход» вывести два правила: если человек мозга.

философ, то он не миллионер, а если он Определим информацию, передаваемую держатель приисков, то миллионер.

по некоторому нервному волокну на Применяя эти два правила к известному синапсы нейрона, одноместными философу П. Суппесу, мы получим, что, предикатами Pji (a) = (xi (a) = xij ), поскольку он философ, то он не миллионер, а, поскольку он держатель приисков, то j = 1,..., ni, где xi (a) – некоторая миллионер. Получим противоречие.информация, xij – значение истинности в Чтобы избавиться от противоречий ситуации (на объекте) a. Если информация Гемпель [4] ввел требование максимальной предается на возбуждающий синапс, то она специфичности. В нашем примере воспринимается нейроном как информация максимально специфичными должны быть правила: если человек философ, но не об истинности предиката Pji (a), если на держатель приисков, то он с ещё большей тормозной синапс, то как отрицание вероятностью не миллионер, а, если он предиката ¬Pji (a).

Возбуждение нейрона в ситуации (на Работа поддержана грантом РФФИ № 11-07-00560-а;

объекте) a и передачу этого возбуждения интеграционными проектами СО РАН № 3, 87, 136, а также на аксон нейрона также определим одноработа выполнена при финансовой поддержке Совета по грантам Президента РФ для государственной поддержки ведущих местным предикатом P0(a). Если нейрон научных школ (проект НШ-276.2012.1) Материалы XVI Международной конференции по нейрокибернетике тормозится в ситуации a, a1 & a1 a1 & a1 a1 &... & a1 3 то определим эту ситуацию 5k как прогнозирование отрицания предиката b ¬P0(a).

2 2 2 a1 & a & a a &... & a 2 3 4m Известно, что каждый нейрон имеет рецептивное поле, возбуждающее его безусловно.

Первоначальной (до всякого обучения) семантикой предиката Pa1 3 3 a 3 &... & a является данное 4n a & a 2 рецептивное поле. В процессе обучения эта осуществляться, как санкционирующей информация обогащается и может дать афферентацией так и эмоциями [1,3]).

достаточно специализированный нейрон Среди случаев n(a1,..., ak,b) подсчитаем типа «нейрон Билла Клинтона».

случаи n+ (a1,..., ak,b), когда подкрепление Мы предполагаем, что формирование было положительным, а также число условных правил (связей) на уровне нейрона происходит по правилу Хебба [5]. случаев n- (a1,..., ak,b), когда подкрепление Нейрофизиологические подтверждения было отрицательным. Условную этого правила можно найти в работе [7].

(эмпирическую) вероятность правила В отличии от других формализаций, мы (a1 &...& ak b) определим следующим формализуем правило Хебба образом:

семантическим вероятностным выводом, n+ (a1,...,ak,b) - n-(a1,..., ak,b) приводимым далее.

(b / a1,...,ak ) =.

n(a1,..., ak,b) Предикаты Pji (a), P0(a) и их отрицания Если эта вероятность становится ¬Pji (a), ¬P0(a) являются литералами, отрицательной, то это означает торможение которые обозначим как a,b,c,... L.

нейрона с вероятностью, взятой с обратным В процессе семантического знаком.

вероятностного вывода нейрон Формализация процесса замыкания обнаруживает множество правил {R} условных связей на уровне нейрона (условных связей) вида: (правило Хебба) осуществляется R = (a1 &...& ak b), a1,..., ak,b L, (1) семантическим вероятностным выводом (определение 7), который:

где a1,..., ak – возбуждающиеся (тормозные) 1) при обнаружении стимулов, предикаты (стимулы), приходящие на вход позволяющих предсказывать с некоторой нейрона, а b – предикат P0(a) или ¬P0(a) вероятностью возбуждение нейрона, аксона нейрона.

образует условную связь в виде правила Определим способ вычисления условной (1).

вероятности правил (a1 &...& ak b).

Pages:     | 1 |   ...   | 15 | 16 || 18 | 19 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.