Планирование пути для автономных мобильных устройств является важной задачей в робототехнике. При планировании пути принято использовать один из двух классических подходов: глобальный, когда карта полностью известна, и локальный, в котором устройство по мере движения обнаруживает препятствия с помощью различных бортовых датчиков. На основе этих двух подходов также создаются алгоритмы, сочетающие в себе сильные стороны глобального и локального планирования.
В ходе предыдущих исследований нами был разработан и реализован в среде Matlab прототип многокритериального сплайн-алгоритма глобального построения маршрута. Алгоритм использует граф Вороного при вычислении первой аппроксимации маршрута для запуска итерационного метода, что позволило находить путь во всех конфигурациях карты при условии существования пути от начальной точки до целевой точки. В ходе итеративного поиска использовалась целевая функция, в которой каждому критерию присваивался его вес в целевой функции. Для реализации критериев в том числе использовался метод потенциальных полей.
В данной статье представлена реализация модифицированного сплайн-алгоритма для применения его на реальных автономных мобильных робототехнических системах. Для этого проводится корректирование уравнений характеристических критериев оптимальности пути. Карта препятствий, представленная в ранней версии алгоритма в виде пересечений кругов, в реальных условиях может быть представлена в виде динамически изменяемой вероятностной карты на основе сетки занятости (OccupancyGrid), а робот уже не представляет из себя геометрическую точку.
Для реализации сплайн-алгоритма и дальнейшего использования его в системах управления реальных мобильных робототехнических устройств исходный код прототипа алгоритма был перенесен из среды Matlab в модуль программного обеспечения, написанный на языке программирования С++. Тестирование быстродействия алгоритма и оптимальность многокритериальной целевой функции проводились в среде ROS/Gazebo, являющимся на сегодняшний день де-факто стандартом программирования и моделирования робототехнических устройств.
Полученный в результате сплайн-алгоритм поиска пути можно интегрировать в системы управления наземных колесных и гусеничных робототехнических устройств, оборудованных лазерным дальномером, а также модифицировать предложенный алгоритм для использования шагающими наземными роботами, беспилотными летающими аппаратами и беспилотными судами. Алгоритм работает в режиме реального времени и параметры влияния критериев на целевую функцию доступны для динамических изменений во время движения мобильного робота.
Для расчета оптимального управления требуется достоверная математическая модель объекта управления. В дальнейшем при реализации расчетных управлений на реальном объекте эта же модель может быть использована в навигации робота для прогнозирования его положения и корректировки показаний сенсоров, поэтому важно, чтобы модель достаточно адекватно отражала динамику объекта. Вывод модели часто требует значительного времени и иногда даже невозможен с использованием традиционных методов. Ввиду все большего разнообразия и чрезвычайно сложной природы объектов управления, включая разнообразие современных робототехнических систем, все большую актуальность приобретает задача идентификации, которая позволяет построить математическую модель объекта управления, имея входные и выходные данные о системе. Идентификация нелинейной системы представляет особый интерес, так как большинство реальных систем имеют нелинейную динамику. И если раньше идентификация модели системы заключалась в подборе оптимальных параметров для выбранной структуры, то появление современных методов машинного обучения открывает более широкие перспективы и позволяет автоматизировать сам процесс идентификации. В настоящей работе в качестве объекта управления рассматривается колесный робот с дифференциальным приводом в симуляционной среде Gazebo, которая на сегодняшний день является наиболее популярным программным пакетом при разработке и моделировании робототехнических систем. Математическая модель робота заранее неизвестна. Основная проблема заключается в том, что существующие математические модели не соответствуют реальной динамике робота в симуляторе. В работе рассматривается решение задачи идентификации математической модели объекта управления с помощью машинного обучения на основе нейронной сети. Представлен новый смешанный подход, основанный на использовании известных простых моделей объектов и идентификации неучтенных динамических свойств объекта с помощью нейронной сети на основе обучающей выборки. Для формирования обучающих данных был написан программный пакет, автоматизирующий процесс сбора с помощью двух ROS-узлов. Для обучения нейросети использовался фреймворк PyTorch и был создан программный пакет с открытым исходным кодом. Далее идентифицированная модель объекта используется для расчета оптимального управления. Результаты вычислительного эксперимента демонстрируют адекватность и работоспособность полученной модели. Представленный подход на основе комбинации известной математической модели и дополнительной идентифицированной нейросетевой модели позволяет использовать преимущества накопленного физико-математического аппарата и повысить его эффективность и точность за счет использования современных средств машинного обучения.
1 - 2 из 2 результатов
