Перейти в раздел Статьи и публикации>>
Читать статью в журнале "Морские информационно-управляющие системы", выпуск 1(19) 2021
Одна из наиболее важных проблем в робототехнике связана с необходимостью синтеза системы оперативного планирования действий при выполнении миссии. Решение этой проблемы упрощается, когда роботы используются в замкнутом, предварительно изученном пространстве склада, дома или офиса, или в случае предсказуемых изменений или воздействий. Однако морская робототехника, как правило, подразумевает выполнение задач без предварительного детального картографирования в больших открытых акваториях с различной глубиной, рельефом дна и постоянно меняющимися воздействиями на периодических и апериодических основах. Помимо этого, подводная среда накладывает серьезные ограничения на сенсорную систему роботов, системы связи и навигации, выставляет дополнительные требования по учёту энергетической, конструкционной специфики управляемого объекта и условий района планируемых работ.
Сегодня мир переходит от простого интереса к практическим реализациям группового применения как однородных, так и разнородных групп роботов, что в условиях санкционного давления делает задачу организации взаимодействия между роботами одним из важнейших направлений в отечественной робототехнике. В реалиях стоящих задач и условиях окружающей среды чрезвычайно сложно решать задачи с помощью одного робота. Так, АНПА Bluefin-21 компании Phoenix исследовал около 880 км² морского дна в течении 360 часов, в операции по поиску пропавшего 8 марта 2014 года рейса 370 Malaysia Airlines, однако это не привело к успеху. Как правило, задачи, стоящие перед морскими роботами связаны с мониторингом или поисковыми работами после стихийных бедствий или катастроф, геологоразведкой, океанологией и производятся на огромных площадях и объёмах водного пространства. В таких задачах целесообразно использование группы роботов. В поисках пропавшей в ноябре 2017 года подводной лодки ARA San Juan (S-42) использовалась группа ТПА компании Ocean Infinity, которая успешно справилась с задачей.
Система планирования на основе традиционного искусственного интеллекта
Наиболее примитивная система планирования на основе традиционных методов искусственного интеллекта. Предназначена для роботов, способных выполнять несколько поставленных перед ними задач. Подход основан на адаптивном реагировании на локальную обстановку вокруг робота. Для его усиления необходимо комбинировать данный метод со определенной глобальной стратегией. Кроме того, сенсорная система работает только в локальной среде; следовательно, роботу будет сложно распознать и контролировать свое движение при постоянном изменении окружения, что влияет на успешность выполнения миссии. Для преодоления существующих ограничений применяются традиционные подходы искусственного интеллекта: метод искусственного потенциального поля, метод виртуальной цели, знаковое обучение, касательный граф, метод разложения скорости пути, граф доступности, концепция пространства-времени, инкрементное планирование, подход относительной скорости, схема реактивного управления, метод кривизны-скорости, одновременная локализация и картографирование (SLAM). Методология построения этих алгоритмов вдохновлена наблюдением за физическими явлениями, такими как, например, магнитное поле. На рисунке 1 изображен метод потенциальных полей, где препятствие «отталкивает», а целевая точка «притягивает» робота. На рисунке 2 изображена реализация метода SLAM в ходе работы группы глайдеров в заливе Монтерей.
Рисунок 1 – Реализация метода потенциальных полей
Рисунок 2 – Реализация метода SLAM
В исследовании разработана система планирования АНПА на основе традиционного ИИ. Она использует базу знаний, накопленную роботом для оценки состояния, принятия решений и реализации их в физической среде. На рисунке 3 изображен аппарат Girona 500, для работы которого применили данный алгоритм.
Рисунок 3 – Аппарат Girona 500
Перечисленные традиционные подходы ИИ обладают следующими недостатками: централизованное управление, высокие требования к вычислительным ресурсам, вызванные большим количеством состояний, отсутствие модуля оптимизации, часто возникающая ситуация попадания в локальный минимум, невозможность прохода между близко расположенными препятствиями. Для решения этих проблем целесообразна разработка стратегии управления, которая бы обеспечивала решение задачи планирования.
Мягкие вычисления
Целью методов мягких вычислений (МВ) является получение надежного и вычислительно не затратного решения. Эта категория алгоритмов вдохновляется способностью человеческого разума рассуждать и учится. Помимо этого, они являются альтернативным решением некоторых из вышеупомянутых проблем планирования. Мягкие вычисления в отличие от традиционных методов искусственного интеллекта не обладают такими явлениями, как неточность, неопределенность, частичная истина и приближения. Возможность работать в неопределенной и изменяющейся среде сделала эти алгоритмы подходящими для решения проблем управления роботами, а также проблем навигации. Мягкие вычисления включают такие методы как нечеткая логика, нейронная сеть и генетические алгоритмы.
Нечеткая логика — это эффективное решение для планирования движения группы роботов из-за присущей ей неточности. Функция принадлежности элемента множеству может принимать любые значения в интервале [0, 1], а не только значения 0 или 1. Классическое понятие функции принадлежности элемента множеству недостаточны для рассмотрения ситуаций, которые описываются с помощью нечётко определённых понятий типа «очень истинно», «более или менее истинно», «не очень ложно» и тому подобных. Подобные лингвистические значения представляются нечёткими множествами. Таким образом, применение нечеткой логики позволяет разработать систему, которая может пользоваться такими понятиями как, например, «очень далеко», «далеко», «близко», «очень близко», что позволяет сделать управление более гибким.
Как правило, морская среда - неточная, динамичная и не структурированная. Следовательно, для подводного робота важно уметь распознавать и классифицировать локальное окружение, чтобы достичь цели без столкновения с препятствиями. Такие свойства нейронных сетей как способности к обработке, распознаванию, обучению рассуждению, интерпретации данных позволяют построить адаптивную систему планирования для робота. Кроме того, в задачах обработки навигационной информации, поступающих от различных датчиков, существует проблема с зашумленными данными. Нейронные сети устойчивы к шумам и эффективнее в решение этой задачи по сравнению с классическими методами искусственного интеллекта. Однако основным недостатком нейронных сетей является повторяющееся представление обучающих данных, что часто приводит к очень долгому процессу обучения. Помимо этого, выбор метода обучения тоже играет существенную роль. Тем не менее, система планирования АНПА в реальном времени, основанная на динамической биоинспирированной нейронной сети, фактически реализована. На рисунке 4 изображено моделирование движения подводного аппарата и структура нейронной сети, которая функционирует в качестве системы навигации и планирования. Такой подход реализует управление аппаратом в недетерминированной среде на больших акваториях при постоянно изменяющейся целевой позиции.
Рисунок 4 – Нейросетевой планировщик АНПА
В альтернативных исследованиях используется нейронная сеть с нелинейной реконструкцией состояния, которая повышает качество системы планирования в ситуации недостаточных измерений навигационной системы. Состояние АНПА между двумя реальными измерениями системы навигации восстанавливаются с помощью нейронной сети, что дает оценочное положение аппарата.
Результаты распознавания и принятия решений необходимо оптимизировать, особенно при попытке определить оптимальное значение целевой точки. Для сложных задач оптимизации применяют генетические алгоритмы (ГА). Помимо этого ГА также решают проблемы, которые присущи традиционным методам оптимизации, (например, градиентные методы): высокие вычислительные затраты, большие объемы памяти и затрачиваемое время. Однако реализация алгоритма ГА в навигации роботов затрудняет создание глобального оптимального решения, а также вызывает медленную сходимость.
Представляет интерес реализация интеллектуальной системы навигации АНПА, работающего на возобновляемых источниках энергии и предназначенного для подводного мониторинга акватории в длительных миссиях. Система состоит из подводного аппарата, буксирующего надводный аппарат. Надводный аппарат представляет собой небольшую лодку с фотоэлектрическими панелями, топливным элементом на метаноле и оборудованием навигации и связи, которое обеспечивает подводный аппарат энергией, данными спутниковой навигации и связью. Подводный аппарат также оснащен навигационными датчиками и сенсорами для наблюдения за подводной средой, такими как гидролокатор бокового обзора и видеокамера в гибкой конфигурации, а также датчики для измерения физических и химических параметров воды на заранее определенных маршрутах на больших расстояниях. В подводном аппарате реализована биоинспирированная нейронная архитектура для автономной интеллектуальной навигации. Навигация осуществляется путем интеграции кинематического адаптивного нейроконтроллера для отслеживания траектории и адаптивного нейроконтроллера для предотвращения столкновения с препятствиями.
Все интеллектуальные методы мягких вычислений обладают различными достоинствами, например, способностью изучать и интерпретировать локальную обстановку для определения типа возникающих в ходе планирования пути проблем. Нейронные сети обладают способностью к обучению и отличным умением распознавать шаблоны. Однако нейронные сети не могут объяснить, как можно принимать решения. Вдобавок ко всему, системы нечеткой логики очень хорошо определяют свои собственные решения и устраняют причины неточной информации и неопределенности. Однако у них возникают трудности с немедленным реагированием для выработки наилучших решений. Эволюционный алгоритм доказал отличную производительность в процессе оптимизации, найдя свое применение в большом количестве существующих решений. Алгоритм имитирует способ эволюции, что улучшает производительность контроллеров или адаптирует их к различным ситуациям. Однако ГА основан на случайном процессе, который является вероятностным, локально оптимальным и имеет медленную сходимость. Существует ряд ограничений, связанных с методами мягких вычислений, которые затрудняют выполнение задач планирования в крупномасштабной среде. Наконец, они не гарантируют устойчивость, поскольку относятся к централизованной архитектуре системы управления и не подразумевают самоорганизацию.
Роевой интеллект
Роевые алгоритмы вдохновлены поведением социальных существ, например, насекомых или стайных животных. Этот класс методов относится к децентрализованным. Основа концепции роевых алгоритмов — это автономность, распределенное функционирование и самоорганизация. Построение системы планирования на основе таких алгоритмов предъявляет требования к системе связи, поскольку коммуникация — это важный шаг к самоорганизации. Системы, основанные на роевых алгоритмах децентрализованы, каждый элемент действует по определенному алгоритму и не обладает признаками интеллектуальности. Однако согласованное взаимодействие позволяет принимать решения, демонстрирующие интеллект.
Признаки роевой системы:
- рой состоит из однородных автономных агентов с ограниченными функциональными возможностями;
- автономные агенты децентрализовано взаимодействуют с окружающей средой и между собой для решения общей задачи;
- эффективное решение общей задачи только совокупностью агентов.
Существует множество типов роевых алгоритмов, включая муравьиный алгоритм, пчелиный алгоритм, алгоритм светлячков, алгоритм роя частиц, алгоритм стаи волков, искусственную иммунную систему, алгоритм летучих мышей. Подобно другим методам, каждый из алгоритмов в рамках этого подхода имеет ряд сильных сторон и ограничений. Однако не существует наилучшего метода, который можно было бы использовать для эффективного решения задачи оптимизации. Пример поиска пути муравьиным алгоритмом показана рисунке 5, чем больше агентов проходит по конкретному пути, оставляя «феромон», тем «привлекательнее» он становится для последующих. На рисунке 6 показана схема реализации пчелиного алгоритма: с начала в область «вылетают» разведчики, а за тем уже остальные пчелы.
Рисунок 5 – Муравьиный алгоритм
Рисунок 6 – Пчелиный алгоритм
Пример роевой морской робототехники — проект Collective Cognitive Robots (CoCoRo), финансируемый Европейским союзом. В 2011-2014 гг. ученым из стран Евросоюза удалось разработать гетерогенную группу из 40 морских роботов, которые способны действовать согласовано. Группа состоит из 20 подводных роботов-разведчиков дна, 20 роботов-связистов между разведчиками и базовой станцией в виде катамарана, находящегося на поверхности. Робот-разведчик оснащен множеством датчиков, обладает высокой маневренностью и способен функционировать при течении до 1 м/с. Организация внутригруппового взаимодействия основана на биоинспирированных алгоритмах, таких как пчелиный алгоритм, муравьиный алгоритм, алгоритм светлячков, алгоритм стаи рыб.
Рисунок 7 – Проект Collective Cognitive Robots
Алгоритм клональной селекции был реализован для построения интеллектуальной навигационной системы в задачах построение акваферм, и относится к группе алгоритмов искусственной иммунной системы. АНПА выполняет функцию наблюдения за физическими параметрами большой акватории, на которой расположена акваферма: температурой, растворенным кислородом и кислотностью.
Для схожей задачи, в части больших акваторий, но в условиях ледовой обстановки проработано решение, сосредоточенное на создании интеллектуальных буев, дрейфующих подо льдом, которые и выстраивают навигационную систему АНПА, функционирующих в заданной подледной акватории. Буи позволяют АНПА уточнять свое местоположение, нивелируя ошибки показаний спутниковой навигационной системы, возникающие в подледном функционировании.
Рисунок 8 – Реализация системы интеллектуальных буев
Для ограниченных акваторий проведено моделирование поведения роя АНПА, распределенного в замкнутом участке моря. Рой начинает свое функционирование из единой отправной точки. Каждый член группы обладает «низким» децентрализованным интеллектом, однако, несмотря на это вся система успешно решают задачу равномерного распределения по акватории. Это достигается путем постоянной связи агентов системы друг с другом.
Рисунок 9 – Моделирование роя АНПА, постепенно равномерно распределяющихся по ограниченной акватории.
Заключение
Интеллектуальные технологии навигации и планирования нашли широкое применение в задачах морской робототехники. На сегодняшний день реализовано множество проектов, опирающихся на эти технологии. Следует признать, что не все алгоритмы подходят для решения общей задачи в индивидуальном применении, потому что каждая задача должна следовать собственным специфическим критериям. Объединение и комбинирование алгоритмов повышают эффективность решения, дополняя достоинства и перекрывая недостатки друг друга.
Авторы: Р.О. Морозов, А.Е. Горелый, В.А. Рыжов
Источник: журнал "Морские информационно-управляющие системы", выпуск 1(19) 2021
