Алгоритм автоматического управления навигацией мобильного робота на основе нечеткой нейронной сети в промышленном интернете вещей
https://doi.org/10.32517/0234-0453-2020-35-1-59-67
Аннотация
С появлением технологии беспроводной связи 5G важным и постоянно развивающимся направлением робототехники становятся мобильные роботы, которые широко используются в пространстве промышленного интернета вещей (Industrial Internet of Things — IIoT), в сельском хозяйстве, в армии, на транспорте. Технология автоматического управления навигацией — ядро в этих областях исследований, а также ключевая технология для достижения интеллектуализации иавтономизации мобильного робота.
В данной статье подробно рассматриваются и исследуются технологии нейронных сетей и их применение в управлении навигацией, предлагается способ для повышения уровня интеллектуализации мобильного робота с самоорганизацией обучения, придания адаптивных возможностей для решения автономной задачи навигации мобильного робота в сложных неопределенных и неизвестных переменных средах с использованием нейронной сети в сочетании с другими интеллектуальными алгоритмами, такими как обучение с подкреплением и т. п. Решение задачи управления навигацией мобильного робота с использованием нечеткой нейронной сети может обеспечить более эффективную производительность управления в режиме реального времени за счет изменения веса сети путем самообучения в соответствии с априорными знаниями навигации экспертов-операторов.
Об авторах
П. ПэйБеларусь
Пэй Пинг, аспирант кафедры «Информационные системы и технологии», Международный институт дистанционного образования
Ю. Н. Петренко
Беларусь
Петренко Юрий Николаевич, пожизненный член IEEE, канд. тех. наук, доцент, доцент кафедры «Информационные системы и технологии», Международный институт дистанционного образования
Список литературы
1. Ping P., Petrenko Y. N. Аlgoritm gibkogo upravleniya mnozhestvennym dostupom v mobil’noj besprovodnoj sisteme 5G [The flexible multiple access control algorithm in 5th generation mobile wireless system]. Informatika — Informatics, 2018, vol. 15, no. 3, p. 93–101. (In Russian.) Available at: https://inf.grid.by/jour/article/view/419
2. KhatibO. Real-time obstacle avoidance for manipulators and mobile robots. Proc. 1985 IEEE Int. Conf. on Robotics and Automation. IEEE, 1985, vol. 5, no. 1, p. 500–505. DOI: 10.1109/ROBOT.1985.1087247
3. Khosla P., Volpe R. Superquadric artificial potentials for obstacle avoidance and approach. Proc. 1988 IEEE Int. Conf. on Robotics and Automation. IEEE, 1988, vol. 10, no. 2, p. 1778–1784. DOI: 10.1109/ROBOT.1988.12323
4. Glasius R., Komoda A., Gielen S. C. A. M. A biologically inspired neural net for trajectory formation and obstacle avoidance. Biological Cybernetics, 1996, vol. 74, p. 511–520. DOI: 10.1007/BF00209422
5. Leon J. A. F., Tosini M., Acosta G. G. Evolutionary reactive behavior for mobile robots navigation. Proc. IEEE Conf. on Cybernetics and Intelligent Systems. IEEE, 2004, p. 532–537. DOI: 10.1109/ICCIS.2004.1460471
6. Tuci E., Harvey I., Quinn M. Evolving integrated controllers for autonomous learning robots using dynamic neural networks. ICSAB: Proc. Seventh Int. Conf. on simulation of adaptive behavior on From animals to animats. 2002, p. 282–291.
7. Holland J. H. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT Press, 1992. 228 p.
8. Sutton R. S., Barto A. G. Reinforcement learning: an introduction. MIT Press, 1998. 344 p.
9. Tan K. C., Tan K. K., Lee T. H., Zhao S., Chen Y. J. Autonomous robot navigation based on fuzzy sensor fusion and reinforcement learning. Proc. IEEE Int. Symposium on Intelligent Control. IEEE, 2002, vol. 28, no. 6, p. 182–187. DOI: 10.1109/ISIC.2002.1157759
10. CarpenterG.A., GrossbergS. ART 2: Self-Organization of stable category recognition codes for analog input patterns. Applied Optics, 1987, vol. 26, is. 23, p. 4919–4930. DOI: 10.1364/AO.26.004919
11. Jianhong L., Dezhao C. An enhanced ART2 neural network for clustering analysis. Proc. First Int. Workshop on Knowledge Discovery and Data Mining. IEEE, 2008, p. 81–85. DOI: 10.1109/WKDD.2008.117
12. Qian X.-D., Wang Z.-O., Wang Y. A method of data clustering based on improved algorithm of ART2. Proc. 2005 Int. Conf. on Machine Learning and Cybernetics. IEEE, 2005, p. 2021–2026. DOI: 10.1109/ICMLC.2005.1527277
13. Leon J. A. F., Tosini M., Acosta G. G. Evolutionary reactive behavior for mobile robots navigation. IEEE Conference on Cybernetics and Intelligent System. IEEE, 2004, p. 532–537. DOI: 10.1109/ICCIS.2004.1460471
14. Nelson A. L., Grant E., Galeotti J. M., Rhody S. Maze exploration behaviors using an integrated evolutionary robotic environment. Robotics and Autonomous Systems, 2004, vol. 46, is. 3, p. 159–173. DOI: 10.1016/j.robot.2003.11.002
15. Asada M., Noda S., Tawaratsumida S., Hosoda K. Purposive behavior acquisition for a real robot by vision-based reinforcement learning. Machine Learning, 1996, vol. 23, p. 279–303. DOI: 10.1023/A:1018237008823
16. Cliff D., Husbands P., Harvey I. Explorations in evolutionary robotics. Adaptive Behavior, 1993, vol. 2, is. 1, p. 73–110. DOI: 10.1177/105971239300200104
17. Del R., Millan J. Rapid, safe and incremental learning of navigation strategies. Proc. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). IEEE, 1996, vol. 26, is. 3, p. 408–420. DOI: 10.1109/3477.499792
18. Mitchell T.M. Machine learning. New York, McGrawHill, 1997. 432 p.
Рецензия
Для цитирования:
Пэй П., Петренко Ю.Н. Алгоритм автоматического управления навигацией мобильного робота на основе нечеткой нейронной сети в промышленном интернете вещей. Информатика и образование. 2020;1(1):59-67. https://doi.org/10.32517/0234-0453-2020-35-1-59-67
For citation:
Pei P., Petrenko Yu.N. Mobile robot automatic navigation control algorithm based on fuzzy neural network in industrial Internet of things environment. Informatics and education. 2020;1(1):59-67. https://doi.org/10.32517/0234-0453-2020-35-1-59-67