Книги по разным темам
Pages: | 1 | ... | 15 | 16 | 17 | 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:
окализации, 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 Ч угол вектора скорости точки вращения всех колёс посредством подачи сочленения относительно ведомой части;
требуемой мощности на соответствующие Vs Ч модуль скорости точки сочленения;
двигатели. Для адаптивной установки Ч 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. УDP-SLAM: Fast, Robust Simultainous Localization and Mapping Without Predetermined LandmarksФ, IJCAI, 2003.
' + dY = V dt *sin 2. Rekleitis, Ioannis, УA Particle Filter Tutorial for Mobile Robot Localization,Ф International Conference Дуговая аппроксимация траектории:
on Robotics and Automation (ICRA), 2003.
3. Dechter, Rina; Judea Pearl УGeneralized best-first dX = R ( sin' - sin ) search strategies and the optimality of A*Ф. Journal of dY = R ( cos' - cos ) the ACM 32 (3), 1985, 505Ц536.
4. Arkin, R.C.; Balch, T. УAuRA: principles and Рассчитанные dX, dY и d отправляются в practice in reviewФ Journal of Experimental & модуль локализации в качестве первичной Theoretical Artificial Intelligence 9 (2Ц3), 1997, 175 - оценки перемещения робота.
189.
Описанная навигационная система 5. Gat, E., УIntegrating planning and reacting in a heterogeneous asynchronous architecture for mobile опробована на виртуальном роботе в robotsФ 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 мPji (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 мP0(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 мPji (a), мP0(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 мP0(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 | 17 | 18 | 19 | ... | 58 | Книги по разным темам