ОРГАНИЗАЦИЯ ВЫПОЛНЕНИЯ СЦЕНАРИЯ РАБОТЫ МОБИЛЬНОГО РОБОТА С ИСПОЛЬЗОВАНИЕМ НЕЙРОМОРФНОГО МЕХАНИЗМА УПРАВЛЕНИЯ ЗАДАНИЕМ
Аннотация
Представлены результаты исследования возможности формирования и выполнения сценария работы мобильного робота с использованием нейроморфных информационно-управляющих элемен- тов (логические элементы «И», «ИЛИ» и «НЕ»; нейроморфный экстраполятор; нейроморфный де- тектор нештатных ситуаций; нейроморфный механизм формирования условного рефлекса). Приве- дено краткое описание этих информационно-управляющих элементов. В качестве базового элемента при этом выступает сегментная спайковая модель нейрона CSNM с возможностью структурного обучения. Обученная модель CSNM способна решать задачу бинарной классификации, из чего следу- ет возможность её использования в качестве отдельного информационно-управляющего элемента – детектора состояния. Организацию выполнения сценария работы мобильного робота предлагается строить на основе универсальных нейроморфных модулей с использованием указанных нейроморф- ных информационно-управляющих элементов. Предлагаемый механизм управления заданием сводит- ся к следующему. Универсальным нейроморфным модулям, используемым в качестве блоков- переключателей, присваиваются приоритеты. Детектирование той или иной ситуации выполняет- ся посредством универсального нейроморфного модуля, приоритет которого выше, что приводит к торможению всех универсальных нейроморфных модулей, приоритет которых ниже данного. До- бавляя, либо удаляя универсальные нейроморфные модули, а также меняя их приоритетность, мы получаем требуемое для нас поведение мобильного робота. В работе приведены результаты иссле- дования предложенного механизма организации сценария работы робота как на компьютерной мо- дели, так и на реальном роботе. Для компьютерного моделирования был разработан специальный эмулятор, который позволил всесторонне исследовать предложенное решение. В качестве тестовой задачи было выбрано движение к цели в помещении с перегородками. Результаты экспериментов показали принципиальную применимость предложенного механизма формирования и выполнения сценария работы робота. В работе указаны основные недостатки текущей реализации: возмож- ность ситуаций, приводящих к зацикливанию набора действий, совершаемых мобильным роботом, а также необходимость ручного согласования основных параметров сцены и мобильного робота (метрические характеристики заданных размеров зон сцены, угловая и линейная скорость мобильно- го робота и т.п.). Предложены пути устранения указанных недостатков. Сделан вывод о перспек- тивности применения сегментной спайковой модели нейрона и сетей на её основе для задач управле- ния мобильными роботами.
Список литературы
1. Brooks R. A robust layered control system for a mobile robot // IEEE Journal on Robotics and Automation.
– 1986. – Vol. 2, No. 1. – P. 14-23.
2. Arkin R.C. Motor Schema – Based Mobile Robot Navigation // The International Journal of Robotics
Research. – 1989. – Vol. 8, No. 4. – P. 92-112.
3. Brooks R.A. Intelligence without Reasoning // Proc. of Intern. Joint Conf. on Artificial Intelligence
(IJCAI'91). – 1991. – Vol. 1. – P. 569-595.
4. De Silva L.N.C., Ekanayake H. Behavior-based robotics and the reactive paradigm a survey // 2008
11th International Conference on Computer and Information Technology. – 2008. – P. 36-43.
5. Egerstedt M. Behavior Based Robotics Using Hybrid Automata // International Workshop on Hybrid
Systems: Computation and Control. – 2000. – P. 103-116.
6. Chen H.L. et al. Behavior adaptation for mobile robots via semantic map compositions of constraintbased
controllers // Frontiers in Robotics and AI. – 2023. – Vol. 10. – P. 917637.
7. Chetty R.M.K., Singaperumal M., Nagarajan T. Modeling and control of behavior based mobile robots
– a design perspective // Fifth International Conference on Precision,Meso, Micro and Nano Engineering.
– 2007. – P. 57-62.
8. Saffiotti A. Fuzzy Logic in Autonomous Robotics: behavior coordination // Procs. of the 6th IEEE Int.
Conf. on Fuzzy Systems. – 1997. – P. 573-578.
9. Fatmi A. et al. A fuzzy logic based navigation of a mobile robot // International Journal of Mechanical
and Materials Engineering. – 2008. – Vol. 2, No. 10. – P. 3569-3574.
10. Van Nguyen T.T., Phung M.D., Tran Q.V. Behavior-based navigation of mobile robot in unknown environments
using fuzzy logic and multi-objective optimization // arXiv preprint arXiv:1703.03161. – 2017.
11. Selekwa M.F. et al. Robot navigation in very cluttered environments by preference-based fuzzy behaviors
// Robotics and Autonomous Systems. – 2008. – Vol. 56, No. 3. – P. 231-246.
12. Lauri M., Hsu D., Pajarinen J. Partially observable markov decision processes in robotics: A survey //
IEEE Transactions on Robotics. – 2022. – Vol. 39, No. 1. – P. 21-40.
13. Alroobaea R. et al. Markov decision process with deep reinforcement learning for robotics data offloading in
cloud network // Journal of Electronic Imaging. – 2022. – Vol. 31, No. 6. – P. 061809-061809.
14. Saatchi R. Fuzzy Logic Concepts, Developments and Implementation // Information. – 2024. – Vol. 15, No. 10.
15. Иванова В.В., Демчева А.А., Корсаков А.М. Нейроморфный механизм управления заданием по
результатам анализа ситуации // Экстремальная робототехника. – 2024. – Т. 35, № 1. – С. 308-3015.
16. Benjamin B.V. et al. Neurogrid: A Mixed-analog-digital multichip system for large-scale neural simulations
// Proc. IEEE. – 2014. – Vol. 102, No. 5. – P. 699-716.
17. Merolla P.A. et al. A million spiking-neuron integrated circuit with a scalable commu-nication network
and interface // Science. – 2014. – Vol. 345, No. 6197. – P. 668-673.
18. Painkras E. et al. SpiNNaker: A 1-W 18-core system-on-chip for massively-parallel neural network
simulation // IEEE J. Solid-State Circuits. – 2013. – Vol. 48, No. 8. – P. 1943-1953.
19. Park J. et al. Hierarchical address-event routing architecture for reconfigurable large scale
neuromorphic systems // Proc. Int. Symp. Circuits Syst. – 2012. – P. 707-711.
20. Корсаков А.М., Астапова Л.А., Бахшиев А.В. Применение сегментной спайковой модели нейро-
на со структурной адаптацией для решения задач классификации // Информатика и автоматиза-
ция. – 2022. – Т. 21, № 3. – С. 493-520.
21. Корсаков А.М., Бахшиев А.В., Астапова Л.А., Станкевич Л.А. Реализация поведенческих функций на
спайковых нейронных сетях // Информатика и автоматизация. – 2021. – Т. 20, № 3. – С. 590-621.
22. Демчева A.А., Корсаков А.М., Фомин И.С. и др. Предупреждение возникновения критических
ситуаций в сложных технических системах с использованием нейроморфного подхода // Робо-
тотехника и техническая кибернетика. – 2023. – Т. 11, № 4. – С. 281-291.
