Исследования, проводимые в работе, направлены на разработку удаленно управляемых робототехнических комплексов. В работе в качестве прототипа, на котором отрабатываются представленные в статье экспериментальные решения, выступают необитаемый подводный аппарат и автономный безэкипажный катер. В числе основных задач, решаемых в работе данными аппаратами, являются: мониторинг и оценка среды; обнаружение объектов и препятствий; маневрирование; сближение с объектом. В статье рассматривается задача стыковки в виртуальной 3D среде, в процессе которой осуществляется построение изображений рабочего пространства подводного робототехнического комплекса. Предложены алгоритмы построения 3D изображений рабочего пространства робототехнического комплекса в решении задачи стыковки, основанные на применении методов машинного обучения, включающей поиск, планирование движений, маневрирование и управление робототехническими комплексами для синхронизации подводного необитаемого аппарата с автономным безэкипажным катером в условиях неформализованных выполняющих сред. Результаты работы показывают, что применение методов машинного обучения в решении данных задач позволяют повысить уровень автономности аппаратов.
Проводимые исследования и разработки в работе направлены на разработку головного алгоритма, формирующего адаптивную обучаемую модель для системы управления робототехническими комплексами. В статье рассматривается одна из частных задач решаемой в процессе обучения модели для системы управления, стыковки робототехнических комплексов.
Необходимо отметить, что выбранные методы, на основе которых разработан головной алгоритм решают задачи, которые являются основными для робототехнических комплексов: мониторинг среды; обнаружение объектов и препятствий; маневрирование; стыковка. Для решения подобных задач разработана и применяется система технического зрения. Обучение модели для системы управления робототехническим комплексом, разрабатываемой в работе, требует большого количества времени, направленного на формирования RDD (прим.: Resilient Distributed Dataset - устойчивого распределённого набора данных), DataFrame (представление данных в виде таблицы с индексами строк, и индексами столбцов. Это позволяет удобно сортировать и фильтровать данные, а также быстро находить нужные ячейки) и проведение испытаний. Для отладки системы технического зрения создаётся 3D реконструкция рабочей среды – виртуальный полигон, являющейся программным компонентом системы проектирования робототехнических комплексов – СПРК, разрабатываемой в работе – по исследованию методов и разработке технологий создания отладочно-моделирующего комплекса для функционального и поведенческого моделирования РТК и групп РТК. Отладка технического зрения в 3D среде основывается и соответствует последовательности и набору задач, которые применяются в данном процессе при натурных испытаниях, тестированиях системы, состоящему из: классификации объектов; видео сопровождения; оценивания положения, скорости и ориентации.
В работе разработан алгоритм стыковки, включающий, в том числе, отслеживание объекта стыковки и удержания ориентиров под водой, основанный на генеративно-состязательной нейронной сети при выполнении сценария стыковки. Сценарий стыковки, включает этапы поиска и удержания цели. Под адаптивной системой в работе подразумевается головной алгоритм обучения модели системы управления, позволяющий изменять свои свойства для обеспечения эффективной работы системы, учитывающей, например, изменения условий среды и реагирующей на таковые.
Благодаря внедрению системы слежения устраняются сбои в наблюдении, вызванные малым радиусом действия и большими углами наблюдения, достигается хорошая точность и надежность стыковки. Необитаемый подводный аппарат ориентируется по оптическим активным ориентирам и системе видения для стыковки на коротких расстояниях. Система активного слежения за ориентирами, основанная на представленном алгоритме, осуществляет стыковку посредством двухэтапной аутентификации положения и движения. GAN (прим.: генеративно-состязательная сеть) используется для оценки относительного положения и ориентации в 3D между АБЭК и НПА во время стыковки, включая определение фазы и оценку положения посредством P3P (прим.: Perspective-n-Point); фильтр Калмана и Венгерский алгоритм для повышения надежности.
Разрабатываемый алгоритм интеллектуальной системы управления робототехническим комплексом основан на IRR-архитектуре, реализованной с методом end-to-end (прим.: сквозной процесс), представляющей собой обучаемую модель. IRR позволяет реализовать НПА и АБЭК как некоторую функцию, которая получает на вход ощущение и выдает на выход определенное действие. В работе для реализации данной функции введены параметры – состояния (прим.: mental state) и базовых аргументов, которые могут изменять состояние:
ощущение;
множество убеждений – информационное состояние;
ситуация – это состояние среды;
множество целей;
множество намерений – сформировавшаяся последовательность действий, выполняемый в сценарии.
При обучении модели для системы управления учитываются физические особенности подводной среды и конструктивные особенности модуля стереокамеры, конструктив которого состоит из водонепроницаемой оболочки и стеклянного интерфейса. Использование такой конструкции приводит к рефракции сначала в интерфейсе вода-стекло и затем в интерфейсе стекло-воздух и, как следствие, к искажению получаемых изображений.
Реализуемый в работе подход предусматривает калибровку камер, оценку центров изображений камер с учетом водонепроницаемой оболочки, выбор алгоритмов предобработки, ключевых точек изображений объектов и активных маркеров, по которым происходит процесс стыковки с использованием кластеризации получаемых данных с формированием базы знаний.
Основываясь на представленных выше данных относительно решаемой задачи, построение 3D сцены и формирование изображений на виртуальном полигоне для обучения модели системы управления НПА включает следующие этапы:
подводная калибровка камер с определением их внутренних и внешних параметров;
определение центров изображений камер с учетом параметров воздушного зазора и стеклянного интерфейса;
предобработка полученных 2D изображений;
построение 3D координат объектов с помощью триангуляции и оценка их точности;
кластеризация данных.
Реализация такого алгоритма требует разработки архитектуры интеллектуальной системы управления способной на основе данных формировать такие управляющие воздействия на исполнительные механизмы, которые позволяли бы выполнять задачу, например, стыковки автономно, в группах, в неформализованных или частично формализованных средах. Данная архитектура включает в верхнеуровневом представлении набор компонентов, представленных на рисунке 1.
Представленная архитектура и алгоритм основанный на методе реализации GAN, «обучение Тьюринга», позволяет контролировать процесс выполнения различного рода операций удаленно управляемым роботом, используя поступающие из среды данные. Вложенный алгоритм разряженного стереозрения находит 3D координаты только пикселов, определенных на обоих изображениях в качестве сопряженных ключевых точек. На вход обучаемой модели подаются изображения I1, I2 стереопары после предобработки, калибровки центров изображений камер, которые содержат всю необходимую информацию для построения маршрута движения в процессе выполнения сценария стыковка:
Интересные статьи
Интересные статьи
