аспирант с 01.01.2017 по 01.01.2020
Шахты, Ростовская область, Россия
Россия
УДК 62 Инженерное дело. Техника в целом. Транспорт
Усовершенствование систем управления беспилотными транспортными средствами является наиболее актуальной задачей в робототехнике. Применение такого инструмента как искусственные нейронные сети позволяют решить проблемы с интеллектуальным и адаптивным управлением. Существует такое понятие как ИИ-водитель (водитель с искусственным интеллектом), что подразумевает собой систему, способную контролировать скорость и положение беспилотного транспортного средства в пространстве. В данной статье предложен способ разработки искусственной нейронной сети для ИИ-водителя с учетом появления препятствий на пути у беспилотного транспортного средства, проведено составление эмпирической базы данных для обучения и осуществлено моделирование разработанной системы для получения как управляющего сигнала, так и траектории движения. Предложенная система состоит из двух искусственных нейронных сетей, которые разделяют задачу управления беспилотным транспортным средством на две подзадачи: обработка данных с дальномеров и генерирование сигнала установки скорости для правого и левого привода. Такой подход уменьшает переобучение нейронной сети и позволяет получить меньшую ошибку при обучении. Применение искусственного интеллекта даст возможность повысить функциональность и надежность систем управления беспилотными транспортными средствами.
нейронные сети, математическое моделирование, беспилотные транспортные средства
Введение. В мобильной робототехнике объезд препятствий и планирование маршрута робота может осуществляться при помощи методов оптимизации, таких как рой частиц [7], генетические алгоритмы [11], пчелиный алгоритм [3], муравьиные алгоритмы [5], а также с использованием искусственных нейронных сетей (ИНС) [8]. Данная статья рассматривает последний метод, так как при работе с датчиками и проектированием нейронной сети был применен метод обучения с учителем. Были проведены исследования по моделированию траектории передвижения мобильного робота с дифференциальным приводом колес и искусственной нейронной сети для объезда препятствий в работе [1]. Где была разработана ИНС, способная по расстоянию до препятствия определить необходимую скорость и направление движения, а системой выбора скорости для каждого колеса служила булева логика, что являлось простым набором правил. В работе [2] описана методология проектирования ИНС с применением эвристического подхода создания обучающей выборки. В данной статье была проведена модификация системы управления путем интегрирования ИНС замещающей блок булевой логики на ИИ-водителя. На рис. 1 показано как выглядит этот блок. ИИ- водитель объединяет в себе две ИНС:
- NN_find_obstacles ‒ решает задачу выбора ускорения и направления движения;
- set_velocytes ‒ по выходу выше описанного блока решает какую скорость выбрать для каждого колеса.
Рис. 1. Модель искусственной нейронной сети для ИИ-водителя
Объединяя эти два блока получаем модель, позволяющую управлять дифференциальным приводом на основе появления препятствий. Рассмотрим подробнее вторую ИНС.
Методология. В данной статье использовалась сеть с прямым распространением данных, которая обучалась с использованием алгоритма обратного распространения ошибки. Данный метод предполагает, что обучение закончится в двух случаях:
- Количество пройденных итераций превысит максимум;
- Значение ошибки обучения станет меньше установленной.
Таким образом, на каждой итерации ошибка обучения (разница между выходным значением нейронной сети и целевой выборкой) будет сравниваться с заданной, пока одно из условий не будет выполнено.
Данная нейронная сеть обучалась по методу «с учителем» ‒ это означает, что необходимо разработать эмпирическую базу данных, которая бы соответствовала конкретному применению ИНС в системе и адекватно реагировала на выход первой сети, как на рис. 1.
В таблице 1 собран сжатый пример эмпирической базы данных обучения нейронной сети, где в общей системе управления коэффициент ускорения и направление являются выходом первой ИНС (NN_find_obstacles), что также является входом set_velocytes.
Таблица 1
Эмпирическая база данных
|
Коэффициент ускорения |
Направление |
Скорость правого привода |
Скорость левого привода |
|
100 |
0 |
10 |
10 |
|
90 |
0 |
9 |
9 |
|
80 |
0 |
8 |
8 |
|
70 |
10 |
0 |
7 |
|
60 |
10 |
0 |
7 |
|
50 |
10 |
0 |
7 |
|
40 |
10 |
0 |
7 |
|
70 |
-10 |
7 |
0 |
|
60 |
-10 |
7 |
0 |
|
50 |
-10 |
7 |
0 |
|
40 |
-10 |
7 |
0 |
|
30 |
10 |
0 |
10 |
|
20 |
10 |
0 |
10 |
|
10 |
10 |
0 |
10 |
|
30 |
-10 |
10 |
0 |
|
20 |
-10 |
10 |
0 |
|
10 |
-10 |
10 |
0 |
|
0 |
0 |
0 |
0 |
Следовательно, изменение скоростей для дифференциального привода БТС ориентируется на появление препятствий и устанавливает значение скорости для маневра влево и вправо соответственно сигналу с предыдущей ИНС.
Проектирование блока set_velocytes. После разработки эмпирической базы данных для обучения искусственной нейронной сети следует спроектировать ее архитектуру. В данном случае была выбрана трехслойная сеть с двумя входами и выходами, обученная при помощи функции байесовской регуляции. На рис. 2 показана архитектура этой ИНС.
Рис. 2. Архитектура и данные об обучении искусственной нейронной сети
Данная сеть была обучена за 1000 итераций с ошибкой в 0,0724, как показано на рис. 2. Нейронная сеть состоит из 3-х слоев с 5-ю нейронами в каждом, с линейными функциями активациями в первых двух и сигмоидальной функцией в выходном слое.
Результаты обучения представлены на рис. 3, где показан выход нейронной сети по левому и правому двигателю в сравнении с обучающей выборкой.
Рис. 3. Результаты обучения искусственной нейронной сети для правого и левого привода
Как видно из рис. 3 ИНС была обучена с малой ошибкой, так как выход нейронной сети и обучающая выборка практически совпадают.
Моделирование искусственной нейронной сети в составе бесплотного транспортного средства с дифференциальным приводом. Модель, представленная на рисунке 4, состоит из следующих блоков:
- set_ob – искусственно заданная диаграмма появления препятствий;
- II_driver – блок ИИ-водителя, показанная на рисунке 1;
- Block_of_dif_drive – блок, описывающий поведение дифференциального привода;
- Kin_and_MR – кинематическая модель четырехколесного беспилотного транспортного средства.
На рис. 6 показан выход блока set_ob, представляющий собой диаграмму изменения расстояния до препятствий во времени. Расчет координат [14] беспилотного транспортного средства с дифференциальным приводом осуществляется с помощью следующей системы дифференциальных уравнений:
Рис. 4. Моделирование обхода препятствий для беспилотного транспортного средства
где 
‒ координата Х; 
‒ координата Y; 
,
‒ линейные скорости правого и левого привода БТС ;
‒ ширина БТС; 
‒ угол поворота БТС; 
‒ начальные координаты, которые равны [0,0].
Выходом блока ИИ-водителя тоже является диаграмма (рис. 6), представляющая собой диаграмму скоростей для правого привода (выход 1) и для левого (выход 2).
Рис. 5. Диаграмма появления препятствий на пути беспилотного транспортного средства
Рис. 6. Выход искусственной нейронной сети, установка скоростей для левого и правого привода беспилотного транспортного средства
Таким образом задается управляющий сигнал для блока Block_of_dif_drive, где с помощью ПИД-регулятора устанавливается необходимая скорость для БТС. На рис. 7а показан выход этого блока, а именно линейная скорость правого колеса (выход 1) и левого (выход 2).
(а) (б)
Рис. 7. Выход блока Block_of_dif_drive (а) и изменение угла поворота беспилотного транспортного средства (б)
Если сравнить графики на рисунке 6 и 7а становиться очевидно, что блок Block_of_dif_drive устанавливает скорость в точности по указанию ИИ-водителя. На рисунке 7б показано изменение угла поворота беспилотного транспортного средства, этот параметр является выходом блока Kin_and_MR.
Изменение угла поворота хорошо прослеживается на рисунке 8 при объезде препятствий. Здесь показано изменение траектории по мере появления преград на пути беспилотного транспортного средства.
Рис. 8. Траектория обхода препятствия беспилотным транспортным средством и визуальное представление появления преград (1 ‒ первый поворот, 2 ‒ второй поворот, 3 ‒ третий поворот)
Квадраты на рисунке 10 являются представлением препятствий, а их номер в какой момент времени они появились, соответствуя рис. 8.
Выводы. Таким образом, при моделировании объезда искусственно созданных препятствий, ИИ-водитель показал хорошие результаты, так как траектория движения БТС изменяется с точностью по концепции разработанной ИНС. Также результаты данного исследования показали большой потенциал искусственных нейронных сетей при проектировании ИИ-водителя. В дальнейшем планируется проведение модификаций обучающей выборки и интеграции в систему управления ИНС по контролю заданной траектории.
Источник финансирования. Конкурс УМНИК 17-12 (б), Автонет - 2017.
1. Круглова Т.Н., Власов А.С. Моделирование траектории передвижения мобильного робота с дифференциальным приводом колес и искусственной нейронной сети для объезда препятствий // Интеллектуальные энергоси¬стемы: материалы V Между- нар. молодеж. форума, г. Томск, 9-13 октября 2017 г.: в 3 т. Томск, политехи, ун-т Энергет. ин-т. Томск, 2017. Т. 1. С. 162-165.
2. Круглова Т.Н., Власов А.С. Нейросетевое планирование траектории и обхода препятствий мобильным роботом // Интеллектуальные энергоси¬стемы : материалы V Между- нар. молодеж. форума, г. Томск, 9-13 октября 2017 г.: в 3 т. Томск, политехи, ун-т Энергет. ин-т. - Томск, 2017. Т. 1. С. 159-162.
3. Marco A. Contreras-Cruz, Victor Ayala-Ramirez., Uriel H. Hernandez-Belmonte. Mobile robot path planning using artificial bee colony and evolutionary programming // Applied Soft Computing 2015. 30. Pp. 319-328.
4. Ismail AL-Taharwa., Alaa Sheta., Mohammed Al-Weshah. A Mobile Robot Path Planning Using Genetic Algorithm in Static Environment // Journal of Computer Science. 2008. 4 (4). Pp. 341-344.
5. Michael B., Michael M., Nicole W., Xiao-Hua Yu. Ant Colony Optimization Algorithm for Robot Path Planning // 2010 International Conference On Computer Design And Appliations (ICCDA 2010).
6. Wang Y., Zhou H., Wang Y. Mobile robot dynamic path planning based on improved genetic algorithm // AIP Conference Proceedings. 2017. 1864. 020046 https://doi.org/10.1063/1.4992863.
7. Chołodowicz E., Figurowski D. Mobile Robot Path Planning with Obstacle Avoidance using Particle Swarm Optimization // Pomiary Automatyka Robotyka, R. 21, Nr 3/2017, 59-68. DOI:https://doi.org/10.14313/PAR_225/59.
8. Ouarda Hr. Neural Path planning For Mobile Robots // International journal of systems applications, engineering & development. 2011. Issue 3. Vol. 5. Pp. 367-376.
9. Nagib G., Gharieb W. Path planning for a mobile robot using genetic algorithms https://www.researchgate.net/publication/4113354.
10. Chih-Jer Lin., Yen-Lin Chen., Cheng-Hsin Liu., Shen Kai Yu. Path planning of a Mobile Robot Using Real-coded Genetic Algorithm Based Simultaneous Exploration // 2nd International Conference on Advances in Computer Science and Engineering (CSE 2013). Pp. 91-94.
11. Arora T., Gigras Y., Arora V. Robotic Path Planning using Genetic Algorithm in Dynamic Environment // International Journal of Computer Applications (0975 8887). Vol. 89 (11) March 2014.
12. Михайлов Б.Б., Назарова А.В., Ющенко А.С. Автономные мобильные роботы - навигация и управление // Известия ЮФУ. Технические науки Раздел I. Технологии управления и моделирования. С. 48-67.
13. Sedeño-Noda A., Raith A.A. Dijkstra-like method computing all extreme supported non-dominated solutions of the biobjective shortest path problem // Computers & Operations Research. 2015. Pp. 83-94.
14. Myint C., Win N. N. Position and Velocity control for Two-Wheel Differential Drive Mobile Robot. International Journal of Science, Engineering and Technology Research (IJSETR) Volume 5, Issue 9, September. 2016. Pp. 2849-2855.
15. Dušek F., Honc D., Rozsival P. Mathematical Model of Differentially Steered Mobile Robot // In Proceedings of the 18th International Conference on Process Control, Tatranská Lomnica, Slovakia, Pp. 221-229.
