Содержание к диссертации
Введение
1 Методы планирования перемещений мобильного робота в динамически изменяющейся внешней среде 10
1.1 Задача управления мобильным роботом в динамически изменяющейся внешней среде 10
1.2 Традиционные методы планирования 13
1.3 Нейропроцессорный метод планирования 22
1.4 Экстраполяция ситуаций в среде 28
1.5 Выводы. 33
2 Разработка алгоритмов и структур экстраполирующих сетей для неиропроцессорных систем планирования траекторий мобильных роботов 35
2.1 Синтез алгоритмов и реализующих их структур комплексной экстраполирующей сети 35
2.1.1 Общая структура сети 35
2.1.2 Синтез сжимающей сети 37
2.1.3. Синтез сети для экстраполяции скоростей перемещения 44
2.1.4 Синтез сети для экстраполяции направлений перемещения . 46
2.1.5 Синтез сдвигающей сети 56
2.1.6 Общий алгоритм функционирования комплексной экстраполирующей сети 58
2.2 Синтез алгоритмов и реализующих их структур неиропроцессорных систем планирования с экстраполяцией. 61
2.2.1 Процедура оптимизации глубины экстраполяции 61
2.2.2 Синтез алгоритмов сравнения планов среды и оценки числа шагов экстраполяции 63
2.2.3 Синтез подсистемы адаптивной экстраполяции ситуации в среде
2.2.4 Синтез алгоритма и реализующих его структур планирования перемещений мобильного робота с оптимизацией глубины экстраполяции 74
2.3 Синтез механизма взаимодействия нейропроцессорной планирующей подсистемы и исполнительной подсистемы на базе синергетического траєкторного регулятора 81
2.3.1. Алгоритмы траєкторного управления мобильным роботом 81
2.3.2 Взаимодействие нейропроцессорного планировщика и регулятора в статической внешней среде 85
2.3.3 Взаимодействие нейропроцессорного планировщика и регулятора в быстроизменяющейся внешней среде 91
2:4 Выводы. 96
3 Эксперименитальное исследование разработанных экстраполирующих сетей на программных моделях 98
3.1 Программная моделирующая среда. 98
3.2 Результаты экспериментальных исследований алгоритма планирования перемещений MP с оптимизацией числа шагов экстраполяции 104
3.2 Результаты экспериментальных исследований механизма взаимодействия подсистемы нейропроцессорного стратегического планирования и регулятора синергетического типа 111
3.3 Сравнение быстродействия программной модели КЭС и аппаратной ее реализации 117
3.4 Выводы. 118
4. Использование полученных в работе результатов для решения прикладных задач . 120
4.1 Действующий макет мобильного робота «Скиф» ТРТУ 120
4.1.1 Характеристики шасси мобильного робота «Скиф» 120
4.1.2 Программно-аппаратная организация мобильного робота «Скиф» 122
4.2 Программная среда RoboPath для моделирования систем управления мобильных роботов, ориентированная на использование в учебном процессе 130
4.2.1 Общие сведения о программной среде и предпосылки ее создания 130
4.2.2 Элементы интерфейса среды и принципы его работы 132
4.2.3 Программирование системы управления робота 142
4.3 Выводы 146
Заключение 148
Литература 150
Приложение 1 157
- Нейропроцессорный метод планирования
- Синтез сети для экстраполяции направлений перемещения
- Результаты экспериментальных исследований механизма взаимодействия подсистемы нейропроцессорного стратегического планирования и регулятора синергетического типа
- Программно-аппаратная организация мобильного робота «Скиф»
Введение к работе
Актуальность темы. Несмотря на бурное развитие средств вычислительной техники классической Фон-неймановской архитектуры, остается ряд областей, где их возможностей недостаточно. Одной из них является робототехника мобильных роботов (MP), предназначенных для использования в условиях априорной неопределенности динамически изменяющейся внешней среды. Сферы применения подобных MP обширны и разнообразны: автоматизированное производство, транспорт, домашнее хозяйство, медицина, космос, оборона, подводные исследования, спасательные и ремонтно-восстановительные работы в экстремальных условиях и т.п. [1-7] Во многих из них присутствие человека нежелательно или вообще невозможно. Поэтому для успешного решения поставленных задач, подобно высокоразвитым живым существам, MP должны обладать такими важными качествами как адаптивность и приспосабливаемое к неформализованной изменяющейся рабочей среде.
Усилия по созданию таких роботов и их бортовых систем управления предпринимаются во многих странах мира. В первую очередь это относится к ведущим робототехническим центрам и фирмам Японии, США, Великобритании, Франции, Германии. Однако, несмотря на эти усилия, имеющиеся практические результаты все еще далеки от желаемых. Это связано с тем, что реализация требуемых качеств MP предполагает решение как минимум трех фундаментальных проблем научно-прикладного характера: адекватного восприятия внешней среды, корректного представления знаний о среде, планирования и эффективного исполнения эффекторными подсистемами робота целенаправленных действий в реальном времени.
И если последняя задача достаточно успешно решается методами теории автоматического управления с использованием ЭВМ традиционной архитектуры с последовательным принципом обработки информации, то решение первых двух задач на тех же вычислительных средствах связано со значительными трудностями. Причиной этого является не только необходимость обработки больших объемов информации от распределенных в пространстве и параллельно функционирующих датчиков в реальном масштабе времени, но и применение новых мозгоподобных способов обработки информации, на которые эти ЭВМ не ориентированы. Это обстоятельство приводит к необходимости синтеза специализированных многопроцессорных вычислительных систем нейросетевого типа на основе бионических подходов к управлению MP [7-10]. Естественным прообразом бионических управляющих систем служат нейронные сети мозга. Некоторые концептуальные представления о нейрональных механизмах управления в живых организмах сформулированы П.К. Анохиным в виде функциональной системы [11]. Подобные механизмы использовались ранее при разработке однородных управляющих структур адаптивных роботов [8]. В них восприятие внешней среды MP и обработка информации реализуется в виде целостных образов, состоящих из множества элементов, описывающих состояние участков среды (плана среды), то есть так, как это происходит в живых системах. Для эффективной работы с такой информацией нейросети в системе управления MP также должны быть организованы в виде параллельных вычислительных структур - нейропроцессорных сетей. Анализ показывает, что в большинстве случаев математические операции, выполняемые такими нейропроцессорными сетями крайне просты и могут быть сведены к элементарным логическим операциям [7-10]. На основе этих представлений были изготовлены макетные образцы MP но из-за недостаточной микросхемотехнической базы они использовали лишь простейшие нейропроцессорные сети, которые не учитывали динамику быстрых перемещений препятствий и цели в среде. В то же время исследование вопросов применения в нейропроцессорной системе управления MP нейроподобных сетей для экстраполяции ситуаций в среде [7,8], показали, что они могут существенно улучшить качество планируемых траекторий и повысить безопасность MP. Однако в этих исследованиях рассматривались лишь простейшие экстраполирующие сети и не затрагивались проблемы, связанные с исследованием методов организации экстраполирующих сетей; оптимизацией числа шагов экстраполяции с целью повышения ее точности, а также вопросы программного моделирования и исследования систем управления MP с экстраполяцией. Именно эти вопросы решаются в рамках данной диссертационной работы, что делает ее актуальной и своевременной.
Настоящая работа является дальнейшим развитием результатов исследований, проводимых на кафедре вычислительной техники ТРТУ под руководством профессора Чернухина Ю.В.
Объектом исследования служат комплексные нейроподобные экстраполирующие сети (алгоритмы функционирования, структура, функциональные возможности), а также алгоритмические и структурные аспекты организации нейропроцессорных систем управления MP с их использованием.
Целью работы является разработка и исследование нейросетевых алгоритмов экстраполяции ситуаций в динамически изменяющейся внешней среде и реализующих их структур, встраиваемых в нейропроцессорные системы планирования перемещений MP, а также разработка способов учета кинематических и динамических характеристик шасси MP при отработке спланированных траекторий.
Методы исследований. Для достижения поставленной цели применялись элементы теории дискретной техники, численных методов, теории множеств, адаптивного управления и языков программирования.
Научная новизна. Осуществлен анализ известных методов планирования«и управления мобильными роботами в. динамически изменяющейся среде их функционирования; синтезированы алгоритмы и реализующие их структуры комплексной нейроподобной экстраполирующей сети; синтезирована процедура оптимизации числа шагов экстраполяции для: разработанной сети; разработана и экспериментально исследована на программной модели нейропроцессорная система планирования перемещений MP с оптимизацией числа шагов экстраполяции ситуаций в среде; разработан и экспериментально исследован на программной модели и на действующем макете MP «СКИФ» механизм взаимодействия нейропроцессорного уровня планирования и синергетического регуляторного уровня исполнения.
Основные положения, выносимые на защиту. На защиту выносятся следующие положения и результаты:
алгоритм функционирования и структура комплексной экстраполирующей сети;
- процедура оптимизации числа шагов экстраполяции;
- алгоритм и реализующая его структура подсистемы адаптивной экстраполяции процессов в среде функционирования MP;
- алгоритм и реализующая его структура системы управления MP с адаптивной экстраполяцией процессов во внешней среде;
- механизм взаимодействия стратегического уровня нейропроцессорного планирования траекторий движения MP с- адаптивной экстраполяцией процессов в среде его функционирования и тактического уровня их исполнения на базе синергетического контурного регулятора.
Практическая ценность работы. Разработанные в диссертации экстраполирующие сети и механизм взаимодействия нейропроцессорного планировщика и контурного регулятора ориентированы на применение в действующих системах управления мобильных роботов с целью повышения их эффективности в процессе эксплуатации. Полученные в работе результаты использовались в госбюджетной; НИР № 12293 по гранту Минобразования РФ «Синтез нейросетевых структур и исследование алгоритмической базы систем динамического планирования поведения интеллектуальных мобильных роботов», в НИР №12163 «Разработка теоретических основ и методов нейрокомпьютерного конструирования многокритериальных систем управления промышленными роботами», при выполнении проекта РФФИ №99-01-00071 «Синергетаческие методы синтеза и нейрокомпьютерная реализация систем планирования и управления интеллектуальных роботов», в учебном процессе кафедры вычислительной техники Таганрогского государственного радиотехнического университета, а также при разработке системы управления действующего макета мобильного робота «Скиф» ТРТУ, что подтверждено соответствующими актами..
Апробация работы. Основные результаты работы докладывались на:
- международной конференции «Идентификация систем и задачи управления» (М., ИПУ РАН, 2000 г.);
- Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления», (ТРТУ, 2000 г.);
- XII научно-технической конференции «Экстремальная робототехника»
(СП6ГТУ,2001 г.);
- Всероссийской научной конференции с международным участием молодых ученых и аспирантов «Новые информационные технологии. Разработка и аспекты применения» (Таганрог, ТРТУ, 2001 г.);
- Международной научно-технической конференции «СуперЭВМ и многопроцессорные вычислительные системы» (Таганрог, ТРТУ, НИИ МВС, 2002 г.);
- 5-я научная школа-конференция «Мобильные роботы и мехатронные системы» (Москва, МГУ, 2002 г.);
- Международной конференции по нейрокибернетике (Ростов-на-Дону, РГУ, НИИ Нейрокибернетики им. Б.А. Когана, 2002 г.)
- научных семинарах кафедры ВТ в 2002-2003 г.г.
Публикации. По теме диссертации опубликовано 16 печатных работав которых отражены основные результаты диссертации.
Структура и объем работы. Материал основной части диссертационной работы изложен на 156 страницах машинописного текста. Диссертация состоит из введения, четырех разделов, заключения и списка литературы из 70 наименований, содержит 72 рисунка, 5 таблиц и 3 приложения на 36 страницах.
Нейропроцессорный метод планирования
Суть этого метода [9] состоит в том, что в процессе взаимодействия MP с неформализованной внешней средой, в его нейропроцессорной- планирующей подсистеме периодически, перед началом каждого элементарного действия эффекторных устройств, воспроизводится план среды, формируемый при помощи СП и ПФМВС. Этот план отображает имеющее место в момент восприятия взаимное расположение цели, препятствий, самого робота и свободных для движения участков среды с учетом трудности их преодоления: Затем этот план отображается в состояниях нейропроцессоров физически реализованной бортовой планирующей нейросети и на ней отыскивается градиент функционала,, определяемого множеством возможных траекторий достижения цели. После этого нейропроцессорной системой принятия решений формируется, а эффекторными устройствами робота отрабатывается вектор элементарного перемещения в среде, направленный вдоль вектора антиградиента функционала, найденного на плане среды в нейропроцессорной планирующей подсистеме. Данные действия повторяются автоматически до достижения роботом цели.
Пусть MP должен двигаться к целевому объекту Ц минуя препятствие П (рисунок 1.8). Среда предварительно не формализована и автоматически формализуется бортовой системой управления MP в двух системах координат: в несвязанной с роботом декартовой системе ОхіХг и жестко связанной с корпусом MP координатной системе ОуіУг. В неподвижной системе Oxix2 вектор Xpj определяет текущее положение характерной точки робота в момент дискретного времени tj (время tj изменяется квантами At (ti+1 = tt + At)), векторы Xm определяют положения препятствий, а вектор ХЦІ определяет характерную точку целевого объекта Ц [9]. Рисунок 1.8— Формальное представление среды функционирования MP В связанной с корпусом MP подвижной системе координат ОуіУг векторы Yni определяют положения точек препятствия, векторы Yd определяют положения свободных для перемещения MP точек внешней среды (ВС), векторы УЦІ определяют целевой объект, а вектор Yo=Xpj определяет положение начала координат подвижной системы Оуіу2 в неподвижной 0x 2. В общем случае одно или несколько препятствий, а также и цель, могут произвольно и независимо от робота перемещаться во внешней среде.
Для решения поставленной задачи MP, подобно живому существу, должен воспринимать окружающую обстановку, т.е. видеть цель и препятствия. Перед каждым элементарным актом перемещения он должен строить план проходимости ВС, «мысленно» выделять на этом плане оптимальный маршрут и двигаться вдоль него в течение каждого промежутка времени At. В моменты времени ti+1 = t4+At эти действия должны повторяться до достижения цели, если она вообще достижима [9]. СП такого MP должна осуществлять восприятие множества точек {XJ} ВС в виде множества {Yj} дискретных векторов Y{ в дискретезированной на участки AyjAy2 системе Оу,у2. ПФМВС при этом должна формировать план проходимости ВС виде дискретной вектор-функции где L(YJ)- дискретная функция, определяющая трудность преодоления соответствующих векторам Y{ дискретных участков ВС, причем L(Y )=fc _ если Ъ е т і} ІфСІ),если фСІ}, L(Yci) — значения, определяющие трудность преодоления роботом свободных участков YCi ВС (например, по затратам времени, энергии и т.п.); Q - шаблон соседства дискретных участков Ду,Ду2, определяющий множество допустимых ребер связи между ними (например, в случае квадратных участков Q включает четыре ортогональные связи (Q=4), в случае треугольных участков Q=3 и т.д.). Черточки над векторами и функциями указывают на то, что они дискретны [9].
Рассмотренную операцию формирования плана проходимости среды можно проиллюстрировать рисунком 1.9, где показан случай радиальной конфигурации плана среды при Q=4.
ПП представляет собой планирующую нейропроцессорную сеть (НПС), состоящую из связанных по принципу близкодействия в соответствии с шаблоном Q цифровых нейропроцессорных элементов (ЦНЭ).
На информационные входы ЦНЭ поступают значения дискретного плана Mj. Отображение М{ на НПС организовано так, что между неиропроцессорными элементами сети и дискретными участками ВС в каждый период At дискретного времени tj устанавливается взаимно-однозначное соответствие, при котором каждому участку Ау,Ау2 (вектору Y{) соответствует только один цифровой нейроэлемент НПС
Синтез сети для экстраполяции направлений перемещения
Принцип функционирования ЭС для экстраполяции направлений заключается в следующем. При перемещении объекта в среде его характерный элемент также перемещается по плану положения Mf10. При этом каждое его положение на этом плане фиксируется на плане траекторий Mfr, то есть формируется дискретный траекторный «след» щ, а2, ..., аи перемещений объекта, где аь а2, ...,аы - индексы соответствующих элементов. Аппроксимируя эту траекторию каким-либо способом, ЭС определяет следующее положение ам+i объекта и тем самым определяет будущее направление его перемещения.
Пусть, например, экстраполируется направление перемещения объекта в среде в соответствии тремя положениями aj, 3,2, аз его характерного элемента, то есть используется 16 направлений экстраполяции. При этом предположим, что ПФМВС вырабатывает план среды в прямоугольной системе координат и каждому эле менту плана соответствует прямоугольная область среды размером Ах х Ду.
На рисунке 2.9 рассматриваемая ячейка ЭС обозначена С, соседние с ней ячейки, как и ранее, обозначены против часовой стрелки цифрами от 0 до 7, в свою очередь, окружающие их ячейки обозначены также против часовой стрелки цифрами от 8 до 23.
Пусть в текущий момент времени единичный сигнал о характерном элементе поступает на ячейку аз=С, а в предыдущие моменты вреімени он поступал на ячейки а2=3 и at=15, то есть объект движется слева направо сверху вниз. Предполагая, что траектория перемещения объекта хорошо приближается прямыми, определим следующее положение а4 характерного элемента объекта. Если же движения объекта носит случайный характер, то необходимо использовать методы теории случайных процессов [65-66]. Для этого вычислим коэффициенты приближающей прямой, например, методом наименьших квадратов. Свяжем центр координат с центром прямоугольной области среды, соответствующей ячейке С (см. рисунок 2.10). Тогда координаты центров областей для ячеек 3 и 15 будут равны (-Ах, Ау) и (-2Ах, Ay). ячейкой а2 выберем ту ячейку, центр области которой имеет наименьшее отклонение от полученной прямой: d. = min (d:), где В - множество соседних с С ячеек; Е - множество соседних с а2 ячеек, включающее, в частности, ячейку С. dj - расстояние от приближающей прямой до центра j-й ячейки. Для рассматриваемого случая это ячейка а4=0. Следовательно, экстраполируемое направление перемещения - вправо. Можно предложить следующий алгоритм формирования этих, направлений. Предполагая, что а3=С, последовательно перебираются соседние с ячейкой С ячейки а2=0, 1,..., 7, для каждой из которых, в свою очередь, перебираются все ее соседи, отстоящие от С на одну ячейку. Для каждого такого набора (аь а2, С), рассчитываются, как показано выше, коэффициенты прямой, приближающей проходящую через элементы этого набора траекторию. Определяется следующий элемент этой траектории а4, а также направление перемещения из С в а4.
Результаты экспериментальных исследований механизма взаимодействия подсистемы нейропроцессорного стратегического планирования и регулятора синергетического типа
Для разработки, проведения экспериментальных исследований и изучения систем управления мобильных роботов (MP) была разработана моделирующая программная среда MR.Sim. Она реализована с применением объектно-ориентированного подхода на языке Microsoft Visual C++ в операционной системе Windows 2000/ХР 7.0. Особенностью данной среды является наличие удобного набора базовых классов моделирования описывающих среду, ее объекты, компоненты системы управления MP и т.д. Используя наследование, на основе такого набора можно легко создавать новые модели MP и проблемной среды в соответствии с поставленными задачами. В данной версии этот набор включает следующие классы:
CEntity - базовый класс, задающий обобщенный объект среды. Он описывается 3-х компонентным вектором своего состояния (две координаты центра тяжести и угол ориентации в глобальной системе координат) и геометрическим представлением в виде набора выпуклых многоугольников CShape задаваемых в системе координат MP. Для моделирования класс CEntity включает два метода: Control() и Perform(), которые перекрываются в наследуемых от него классах. В методе ControI() происходит процесс принятия решения об изменении состояния или геометрического представления объекта, а методе PerformO - он реализуется. Метод Draw() используется для визуального отображения объекта и также перекрывается в классах-потомках..
Непосредственно на основе CEntity созданы следующие классы: CTank3w - описывает кинематическую и динамическую модель тележки танковой конструкции с двумя независимыми ведущими колесами и одним пассивным опорным. CCar3w - описывает кинематическую модель тележки автомобильной конструкции с двумя ведущими задними колесами и двумя передними рулевыми. CTank3wSR - тележка танковой конструкции с контурным регулятором синергетического типа. CCar3wSR - тележка автомобильной конструкции с контурным регулятором синергетического типа. CPathFoIlower, CTarget - объекты, представляющие собой соответственно препятствие и цель, перемещение которых в процессе моделирования происходит по заданным траекториям CTrajectory. Класс CQuadForm (квадратичная форма) служит для задания траекторий синергетическому регулятору. Он поддерживает метод SetCoefs() прямой установки коэффициентов ai-a6 квадратичной формы и методы формирования эллиптической FitEllipse() и параболической FitParabola() траектории по трем точкам. Класс CEnvMap2 описывает обобщенный план среды в виде двумерных массивов элементов цели и препятствий, с возможностью чтения, записи и визуализации их состояний. Его наследованием созданы классы прямоугольного CRectMap и радиального CRadMap плана среды. Они поддерживают метод BuildMapO построения плана среды, преобразования одного плана в другой ( MapFromRad(), MapFromRect() ) и метод DrawAsGrid() отображения области восприятия в виде сетки на поле моделирования. Построенный также на базе CEnvMap2 класс GRadNPlanner представляет двумерный нейропроцессорный планировщик, работающий с радиальным планом среды. Основным его методом является PlanMove(), возвращающий единичный вектор направления оптимального перемещения к цели среди препятствий. Класс CExtrMap2 описывает подсистему ПАЭС. Метод SetMapDim() позволяет задавать размерность экстраполирующей сети), а метод Draw() — визуализировать ее состояния. Метод Sample(CEnvMap2) возвращает взависимости от результатов оценки числа шагов экстраполяции либо исходный, либо экстраполированный на п шагов вперед план CEnvMap2.
На основе описанных классов создан класс CRobotCE, представляющий MP на базе автомобильной платформы с ПФМВС прямоугольной конфигурации плана среды, ПАЭС и НПС. Класс CRobCarNR описывает MP на базе автомобильной платформы с ПФМВС, работающей в прямоугольной системе координат, ПАЭС, НПС и регулятором синергетического типа.
Класс CEnvironment содержит список объектов среды, методы установки SetTimeStep() и чтения GetTimeStepO времени одного шага моделирования, метод Step(), реализующий один шаг моделирования и метод Draw(), отображающий объекты среды. С целью обеспечения удобных механизмов сохранения и восстановления состояний объектов среды практически все классы являются предками CObject и перекрывают его метод Serialize.
Программно-аппаратная организация мобильного робота «Скиф
Структура аппаратной и программной части MP «Скиф» представлена на рисунке 4.3. Основу бортовой аппаратной части составляет ЭВМ на базе микропроцессорного набора Intel 815Е с процессором Intel Celeron 1000 МГц. В качестве сенсорной подсистемы используется система стереоскопического технического зрения (ССТЗ) на основе двух цветных телевизионных камер ТК1 и ТК2 ITM-C-SL фирмы Intertec с ПЗС-матрицей на 628x582 точки. Формируемый видеокамерами аналоговый видеосигнал в формате PAL поступает на выполненное в виде PCI-платы устройство захвата видео (фреймгрейбер Fly Video EZ II), где оцифровывается и передается в память ЭВМ.
Датчики внутренней информации ДВИ1 и ДВИ2 снимают информацию о положении ведущих колес и передают ее на промышленный блок преобразования сигналов ЛИР. ЛИР вычисляет путем дифференцирования этой асинхронный последовательный порт UART1 в ЭВМ. Через второй последовательный порт ЭВМ передает значения управляющих напряжений и, и2 в контроллер управления приводами на базе микроконтроллера AVR фирмы Atmel. По ним контроллер формирует сигнал широтно-импульсной модуляции, который через блок усилителей поступает на двигатели Д1, Д2. Настройка, управление и контроль за функционированием бортовой ЭВМ происходит через локальную сеть, при этом предпочтительным вариантом является использование беспроводной сетевой карты Radio Ethernet. значения управляющих напряжений U = работы:
Структура программной части, выполняющейся на бортовой ЭВМ, синтезирована в соответствии с иерархическим принципом, рассмотренным в подразделе 2.3 и включает в себя стратегический уровень планирования и тактический исполнительный уровень. Тактический уровень формирует і и2 и, , реализуя один из режимов - выполнение позиционно-траекторных задач с использованием синергетического контурного регулятора (2.24), синтезированного с учетом моделей (4.1) и (4.2); - выполнение разворота на месте с помощью ПИ-регулятора, при этом задается угол у разворота и коэффициент т, определяющий скорость его выполнения; разворот происходит путем вращения ведущих колес в противоположных направлениях; - выполнение торможения и разгона путем подачи U = л и U = , где и - некоторое постоянное напряжение. Переключение режимов работы и задание параметров осуществляет и стратегический уровень планирования. Счисление координат ур = р Ур2 ориентации a MP, необходимых как для стратегического, так для тактического уровня, происходит путем интегрирования кинематической модели (4.1) по со, значениям со = получаемых от ЛИР. со2 В зависимости от решаемых задач, стратегический уровень реализует различные способы обработки ПФМВС сенсорной информации и методы планирования. В частности, разработанный MP, участвовал в соревнованиях мобильных роботов, проводившихся под эгидой Всероссийского фестиваля молодежи «Мобильные роботы» (Москва, МГУ) в 2002 и 2003 г. В рамках этих соревнований MP должен был выполнить ряд упражнений с набором маяков — излучающими в видимом и ИК диапазоне небольшими объектами, подвешенными над полигоном на фиксированной высоте. В зависимости от упражнений активными (излучающими) одновременно могут быть несколько маяков или не одного. ПФМВС2 в этом случае должна решать задачу идентификации активных маяков и определения их координат { Bj }". Алгоритмы работы такой ПФМВС2 на базе ССТЗ разработаны при непосредственном участии автора и описаны в работе [69]. БЗД2...БЗДп — используют { Bj } для планирования и управления исполнением действий MP при выполнении упражнений 2...п соответственно.
Одна из простейших задач, возникающих при отработке этих упражнений, заключается в следующем. Имеется один активный маяк, остальные выключены, a MP находится в произвольном месте полигона с произвольной ориентацией. MP необходимо достичь активного маяка и остановиться. Рассмотрим алгоритм работы БЗД при ее решении.
Пусть О1У1У2 - неподвижная внешняя система координат, относительно которой определяется положение робота в пространстве, О2Р1Р2 - подвижная система координат, связанная с MP (см. рисунок 4.2). Поскольку никакой априорной информации об исходном положении MP нет, то естественно считать, что О1У1У2 и О2РФ2 в исходном состоянии совпадают. Активный маяк может не попадать в поле зрения камер, поэтому необходимо развернуть MP так, чтобы он «увидел» его. Идентифицировать маяки и определять их координаты желательно при неподвижном MP, поскольку из-за особенностей ССТЗ при попытке сделать это при движении MP могут возникнуть большие погрешности в их координатах. Уточнять же эти координаты в процессе движения нет необходимости, поскольку разработанная ССТЗ обеспечивает достаточную точность их определения (не более 1,5% на расстояния до 7 м).
