авторефераты диссертаций www.z-pdf.ru
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
 

На правах рукописи

Сонных Максим Владимирович

РАЗРАБОТКА И ИССЛЕДОВАНИЕ

АВТОНОМНЫХ МОБИЛЬНЫХ РОБОТОВ

С БОРТОВЫМИ АКУСТИЧЕСКИМИ СИСТЕМАМИ

НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность:

05.02.05 – Роботы, мехатроника и робототехнические системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

Москва 2015

Ермолов Иван Леонидович

доктор технических наук, доцент, профессор

кафедры «Робототехника и мехатроника» ФГБОУ

ВО «МГТУ «СТАНКИН», г. Москва

Даринцев Олег Владимирович

доктор технических наук, профессор, профессор

кафедры «Мехатронные станочные системы»

ФГБОУ ВПО УГАТУ, г. Уфа

Князьков Максим Михайлович

кандидат технических

сотрудник

лаборатории

«Робототехники

и

мехатроники»

ФГБУН

ИПМех

им.

А.Ю.

Ишлинского РАН, г. Москва

ФГБОУ ВО «Московский государственный

университет

информационных

технологий,

радиотехники и электроники», г. Москва

Научный руководитель:

Официальные оппоненты:

Ведущая организация:

наук, старший научный

Защита состоится 28 декабря 2015 г. в 12:00 часов на заседании

диссертационного совета Д.212.142.04 при ФГБОУ ВО «МГТУ «СТАНКИН»,

по адресу: 127994, Москва, ГСП-4, Вадковский пер., д. 1.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВО «МГТУ

«СТАНКИН» и на сайте http://stankin.ru/science/dissertatsionnye-sovety/d-212-

142-04.

Отзывы (в двух экземплярах, заверенные печатью учреждения) просим

направлять в адрес диссертационного совета Д.212.142.04 при ФГБОУ ВО

«МГТУ «СТАНКИН» на имя ученого секретаря.

Автореферат разослан «_____» ___________ 2015 г.

Работа

выполнена

в

федеральном

государственном

бюджетном

образовательном

учреждении

высшего

образования

«Московский

государственный технологический университет «СТАНКИН» на кафедре

робототехники и мехатроники.

Ученый секретарь

диссертационного совета

2

И.Л. Ермолов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

темы.

Разработка

и

исследование

автономных

мобильных роботов с бортовыми акустическими системами с целью

расширения их функциональных возможностей имеет важное значение для

отраслей автоматизированного машиностроения, ликвидации чрезвычайных

ситуаций и в других применениях.

В

основе

автономного

функционирования

мобильной

робототехнической системы лежит, в том числе, её способность получать и

обрабатывать поступающую информацию на протяжении длительного

промежутка времени, в условиях возможных изменений окружающей среды,

без необходимости взаимодействия с другими дружественными субъектами

или субъектами высшего уровня иерархии. Наиболее эффективная работа

такой системы возможна при комплексном анализе данных бортовых

датчиковых подсистем (техническое зрение, навигационные системы робота,

ультразвуковые датчики и пр.) различной природы. На текущий момент

времени, в качестве таких подсистем обычно выступают датчики обратной

связи движителей, ультразвуковые и лазерные сенсоры, а также системы

технического зрения.

Подсистемы акустического контроля слышимого спектра, до настоящего

момента,

не

являлись

объектом

ведения

широких

исследований

в

робототехнике. В то же время акустические средства коммуникации имеют

ряд преимуществ перед

другими средствами очувствления роботов:

способность к распространению вне зоны прямой видимости, способность к

проникновению через неплотные среды, скорость, независимость от светового

фактора, всенаправленность действия. Внедрение акустических датчиковых

подсистем в состав автономных роботов, наряду с новыми алгоритмами

распознавания акустических сигналов, является предпосылкой к появлению

новых функциональных возможностей роботов, позволит повысить качество

распознавания

объектов,

увеличить

автономность

и

эффективность

функционирования мобильных робототехнических систем.

Диссертация основывается на результатах исследований в области

робототехники и мехатроники, отражённых в трудах И.М. Макарова, Ф.Л.

Черноусько, И.А. Каляева, В.Г. Градецкого, И.Л. Ермолова, Ю.В. Илюхина,

В.С. Кулешова, В.М. Лохина,

С.В. Манько,

Ю.Г. Мартыненко, В.С.

Медведева, В.Е. Павловского, Ю.В. Подураева, В.Е. Пряничникова, И.В.

Рубцова, В.Ф. Филаретова, Е.И. Юревича и других российских учёных.

Среди зарубежных учёных следует выделить научные исследования,

проводимые под руководством Р. Блейхута, М. Коэна, Д. Хопфилда, М. Лазаро,

У. Мак-Каллока, У. Питтса, Ф. Уоссермена и других исследователей.

Цель исследования – разработка научно обоснованных технических

решений

по

расширению

функциональных

возможностей

роботов

с

бортовыми акустическими системами на основе нейросетевых технологий.

3

- выявленных

причинно-следственных

связях

акустического анализа в составе автономных

повышением их функциональных возможностей;

между

применением

мобильных роботов и

Для достижения поставленной цели необходимо решить следующие

научные задачи:

1. Выявление связей между применением акустической системы и

увеличением функциональных возможностей автономных мобильных

роботов. Изучение применимости акустического распознавания для

идентификации типов объектов среды функционирования автономных

мобильных роботов.

2. Проведение

сравнительного

анализа

интеллектуальных

методов

обработки

данных,

применимых

для

бортового

распознавания

акустических сигналов.

3. Построение

функциональной

модели

системы

распознавания

акустических сигналов для автономных мобильных роботов.

4. Разработка алгоритмов, применимых для анализа акустических данных

и распознавания объектов среды, с учётом особенностей автономного

функционирования мобильных роботов.

5. Разработка

экспериментального

образца

бортовой

акустической

подсистемы и апробация его работы.

В ходе работы над диссертацией были использованы следующие

методы исследований: методы теории робототехнических систем, теории

нейронных сетей, матричные методы линейной алгебры, методы создания

алгоритмов быстрой обработки сигналов. Моделирование и разработка

программных приложений велась с использованием технологий объектно-

ориентированного программирования в средах MATLAB и Microsoft Visual

Studio.

Научная новизна работы заключается в:

- методе проведения распознавания акустических сигналов в условиях

неполноты поступающей информации о среде, учитывающем также

специфические особенности функционирования автономных мобильных

робототехнических систем;

- функциональной модели бортовой системы распознавания акустических

сигналов объектов среды функционирования автономных мобильных

роботов

на

основе

нейросетевых

технологий,

обеспечивающей

расширение функциональных возможностей мобильных роботов;

- комбинированной

нейронной

сети

для

проведения

распознавания

акустических сигналов с целью распознавания звучащих объектов, в том

числе динамически изменяющих своё местоположение в пространстве, в

условиях неполноты поступающей информации, основанной на сочетании

сети Хопфилда и сети с радиально-базисными функциями.

4

роботов и повышением их функциональных возможностей.

2.

Разработана комбинированная нейронная сеть

для проведения

распознавания акустических сигналов с целью распознавания звучащих

объектов в условиях неполноты поступающей информации.

3.

Предложена комбинированная нейронная сеть для проведения

распознавания акустических сигналов с целью распознавания звучащих

объектов, в том числе динамически изменяющих своё местоположение в

пространстве.

Положения, выносимые на защиту:

1.

Применение

акустического

анализа

позволяет

расширить

функциональные возможности автономных мобильных роботов.

2.

Предложенный

метод

проведения

распознавания

учитывает

специфические особенности автономных мобильных робототехнических

систем, позволяет функционировать в условиях возможной частичной

недостоверности поступающей информации о среде и мультиобъектности

источников акустических сигналов.

3.

Предложенная комбинированная

нейросетевая структура для

проведения

анализа

акустических

сигналов

позволяет

проводить

распознавание в условиях частичной неполноты поступающей информации и

в условиях динамического изменения положения звучащих объектов в

пространстве.

4.

Разработанная система позволяет эффективно функционировать в

условиях наличия собственной акустической эмиссии роботов, в т.ч. при её

Практической ценностью обладают следующие результаты.

1.

Разработан

метод

проведения

распознавания

акустических

сигналов

объектов

среды

функционирования

автономных

мобильных

робототехнических систем, обеспечивающий расширение их функциональных

возможностей.

2.

Создано

программное

обеспечение,

реализующее

работу

подсистемы

акустического

распознавания

на

основе

предложенных

комбинированных нейросетевых структур и применения методов быстрой

обработки сигналов, а также предоставляющее возможность моделирования

работы подсистемы распознавания на ЭВМ.

3.

Построен экспериментальный образец бортовой акустической

подсистемы распознавания, позволяющий проводить апробацию работы

разработанной подсистемы при работе в различных средах.

Теоретической значимостью обладают следующие результаты:

1.

Выявлены причинно-следственные связи между применением

подсистем и методов акустического анализа в составе автономных мобильных

динамическом изменении.

Достоверность

полученных

результатов

обеспечивается

использованием традиционных методов математического анализа, линейной

алгебры, классических методов теории устойчивости и подтверждается

согласованностью теоретических выводов с результатами, полученными при

5

моделировании

и

путем

экспериментальных

исследований,

а

также

положительным опытом внедрения.

Апробация работы. Основные результаты диссертации докладывались

и обсуждались на следующих конференциях: Международная научная

конференция

«Гагаринские

чтения

2010»,

2010

год,

Москва;

XXI

Международная

научно-техническая

конференция

«ЭКСТРЕМАЛЬНАЯ

РОБОТОТЕХНИКА», 2010, Москва; Международная научно-техническая

конференция

«ЭКСТРЕМАЛЬНАЯ

РОБОТОТЕХНИКА»,

2012,

Санкт-

Петербург;

Международная

конференция

«Проблемы

искусственного

интеллекта», 2012, Москва; XV научная конференция «Математическое

моделирование и информатика», 2013, Москва. Также работа экспонировалась

на IX всероссийской выставке «Научно-технического творчества молодежи»,

где была награждена дипломом I степени. Выполнение работы поддержано

именной стипендией Правительства Российской Федерации.

Теоретические и практические результаты, полученные в диссертации,

внедрены в ООО «ТАРИС» и в учебном процессе МГТУ «СТАНКИН», что

подтверждается соответствующими актами о внедрении.

Публикации. По тематике диссертации автором опубликовано 10

печатных трудов, из них 3 работы опубликовано в журналах из перечня ВАК

РФ. По результатам работы получено 4 свидетельства на владение правами

интеллектуальной собственности.

Структура и объем работы. Диссертация общим объемом 154

страницы состоит из введения, четырёх глав, заключения, списка сокращений,

списка использованных источников из 71 наименований и 6 приложений.

Основной текст изложен на 140 страницах, включает 77 рисунков и 8 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы,

приведена информация по степени её разработанности, сформированы цели и

задачи

исследования,

представлены

данные

по

научной

новизне,

теоретической и практической значимости работы, методологии и методам

исследований. Представлены обоснования по достоверности полученных

результатов

исследования

и

сведения

об

апробации,

сформированы

положения, выносимые на защиту.

В

первой

главе

приводится

общая

характеристика

состояния

исследований в области создания автономных мобильных роботов с

бортовыми акустическими системами, изучена применимость акустического

анализа для идентификации типов объектов среды функционирования

мобильных роботов.

Выделены

основные

задачи,

решаемые

при

помощи

систем

акустического анализа данных: определение расположения звучащего объекта

среды, распознавание

типа

звучащего

объекта,

а также

проведение

самодиагностики

звучащих

подсистем

робота.

(Отдельно

подзадача

6

- Возможность

акустической

- Сокращение,

оператора;

проведения комплексной обработки результатов

подсистемы с другими подсистемами машин;

работы

а в ряде случаев исключение, доли участия человека-

локализации в рамках данной диссертации не рассматривается, ограничиваясь

ссылками на труды других исследователей).

В контексте основных задач, решаемых при помощи акустического

анализа, выявлены причинно-следственные связи между применением

акустических систем и расширением

функциональных возможностей

роботов:

- Снижение требований к детерминированности среды применения роботов;

- Снижение требований к аппаратной части работа, её упрощение, отказ от

сложных энергоёмких подсистем;

- Повышение уровня автономности работы робота;

- Увеличение производительности работы робота в целом;

- Оптимизация

функционирования

робота,

сокращение

задержек,

вызванных участием человека-оператора в процессе управления;

- Уменьшение возможности возникновения погрешности как следствие

дублирования возможностей подсистем и их различной природы;

- Удешевление применения роботов;

- Увеличение надёжности функционирования робота в целом.

Причинно-следственные связи этих явлений представлены на рисунке 1.

Рис. 1. Причинно-следственные связи между применением акустического

анализа в составе автономных мобильных роботов и расширением их

функциональных возможностей

7

На основе проведенного анализа выявлены особенности, характерные

для работы акустической подсистемы в составе мобильных роботов:

- Неопределенностью внешних возмущений и среды функционирования

В процессе работы робота могут возникать посторонние сигналы, помехи,

носящие случайный характер;

- Массогабаритные и энергетические ограничения аппаратной системы

Подсистема должна характеризоваться компактными массогабаритными

характеристиками и малым энергопотреблением для применения в составе

мобильных роботов. Это накладывает ограничения на функциональные

характеристики

компонент,

применяемых

в

составе

бортовых

акустических подсистем МР;

- Наличие собственного акустического сигнала робота

Сам по себе, мобильный робот является источником собственного

акустического сигнала, создаваемой в результате работы в том числе

движителей, подвески, датчиковых подсистем и прочих компонент. Учёт

собственного

акустического

сигнала

робота

при

проведении

распознавания акустических сигналов является необходимым условием

для корректной работы системы;

- Наличие

нескольких

одновременно

звучащих

объектов

среды

Подсистема должна корректно функционировать в условиях присутствия

нескольких одновременно звучащих объектов среды функционирования

мобильного робота;

- Ограниченные вычислительные ресурсы

Подсистема

должна

функционировать

в

условиях

ограниченных

вычислительных ресурсов бортовой процессорной системы мобильного

робота.

Одновременно,

как

правило,

скорость

функционирования

подсистемы должна соответствовать режиму динамически изменяющейся

среды.

Приведённые особенности отчасти являются причинами сравнительно

малой распространённости подсистем распознавания акустических сигналов в

составе бортовых систем мобильных роботов. Традиционно повышение

качества работы таких систем достигалось путём использования специальной

звукозаписывающей

аппаратуры,

массогабаритные

и

энергетические

требования которой не позволяют реализовать её использование в составе

мобильных робототехнических систем.

Выделены

основные

требования,

предъявляемые

к

бортовым

акустическим

подсистемам:

автономность,

реконфигурируемость,

масштабируемость, способность к работе с произвольным количеством

звучащих объектов, адаптируемость к изменениям окружающей среды,

быстродействие,

энергетическая

эффективность,

компактность,

экономическая целесообразность, робастность.

8

В работе проведён анализ существующих подсистем анализа и

распознавания акустического сигналов, по итогам которого сформулированы

предпосылки к использованию технологий быстрой обработки сигналов и

искусственного интеллекта в составе алгоритмов распознавания акустических

сигналов. Применение таких технологий представляется оправданным ввиду

ограниченных возможностей совершенствования аппаратной подсистемы

получения акустического сигнала в составе мобильных роботов.

На основе проведённого анализа разработана обобщённая структура

бортовой системы автономного мобильного робота.

Вторая глава посвящена разработке метода проведения распознавания

объектов среды функционирования мобильных роботов. В рамках данного

метода

формируется

структурно-функциональная

модель

системы

распознавания.

Показано, что входными параметрами для бортовой системы будут

являться непрерывный акустический сигнал, характеризующий звучащий

объект, а также группа параметров, характеризующих текущее состояние

мобильного робота, параметры обработки сигнала и параметры формирования

входного

вектора

данных

для

обучения

подсистемы

и

проведения

идентификации звучащего объекта. При этом подсистема на выходе должна

формировать данные о распознанном объекте и, вместе с критериями

точности

проведения

распознавания,

осуществлять

передачу

данной

информации к системе принятия решений.

Метод проведения распознавания акустических сигналов в условиях

частичной недостоверности поступающей информации о среде, а также

учитывающем

специфические

особенности

автономных

мобильных

робототехнических систем описывается следующей последовательностью

действий:

- Задание оператором параметров функционирования системы;

- Нормализация входного акустического аналогового сигнала с целью

масштабирования входного сигнала для приведения его в соответствие с

требуемым диапазоном;

- Проведение дискретизации сигнала;

- Корректировка дискретизированного сигнала с целью учёта собственной

акустического сигнала робота;

- Формирование входного вектора данных для проведения распознавания;

- Проведение

эталонным;

распознавания звучащего объекта путём сравнения с

- Передача данных о распознанном объекте вместе с критерием качества

распознавания в систему принятия решений робота.

9

Состояние

бортовых

систем МР

Параметры

нормализации

Нормализация

данных

Параметры

дискретизации

Параметры

вектора

В первом разделе главы сформирована функциональная модель системы

акустической

идентификации

объектов

среды

функционирования

МР,

представленная на рисунке 2.

Посторонние

сигналы

и

помехи,

присутствующие

в

исходном

акустическом сигнале, выступают в качестве неопределённостей при работе

системы

акустического

распознавания.

Работа

с

подобными

неопределённостями требует увеличения адаптивности системы путём

повышения её интеллектуальных возможностей.

Входные

акустические

данные

Центральное вычислительное устройство

Подсистема ввода

Дискретизация

Корректировка

Формирование входного

сигнала

спектра

вектора данных

Процесс подготовки входных данных

Обучение

Проведение распознавания

Библиотека

объектов

Передача результата

распознавания в

систему принятия

решений

Рис. 2. Функциональная модель системы акустической идентификации

объектов среды функционирования МР

Достижение

требуемого

результата

функционирования

системы

возможно путём внедрения в управляющие алгоритмы интеллектуальных

технологий обработки данных, подразумевающих эффективную работу при

недостаточности информации, случайном характере внешних возмущений, к

которым можно отнести изменение параметров среды и эксплуатационных

характеристик МР.

В работе проведён сравнительный анализ следующих конкретных,

возможных к применению технологий, относимых к числу интеллектуальных:

технологии экспертных систем, технологии нечеткой логики, технологии

нейросетевых структур, технологии ассоциативной памяти.

10

- Накопление опыта

применения при решении задач распознавания,

принятия решений, и, как следствие, высокая

классификации

эффективность;

и

- Возможность реконфигурирования и переобучения сети;

- Возможность реализации функций ассоциативной памяти;

- Сравнительно

небольшие

ресурсные

требования,

позволяющие

реализовать систему в бортовом компактном формате;

- Высокое быстродействие;

- Масштабируемость.

Эффективной тенденцией в создании интеллектуальных систем является

интеграция

различных

интеллектуальных

технологий

в

рамках

разрабатываемой системы с целью сочетания их преимуществ. Такая

интеграция позволяет достичь одновременной высокой функциональной

гибкости и быстродействия системы. Применение подхода интеграции

различных интеллектуальных технологий возможно и для решения задачи

распознавания объектов по их акустическому сигналу.

В данной работе предложена комбинированная нейронная сеть, первая

Среди рассмотренных интеллектуальных технологий нейронные сети

обладают рядом свойств, делающим целесообразным их применение в

решении поставленной задачи распознавания с учётом рассмотренной выше

специфики их применения:

- Возможность проведения автоматизированного обучения по объективным

критериям, и, как следствие, высокая автономность;

часть которой выполняет роль ассоциативной памяти, а вторая

линейную функцию сети прямого распространения (рисунок 3).

Рис. 3. Структура комбинированной нейронной сети

11

часть

Рис. 4. Схема алгоритма обработки входного сигнала

В соответствии с данной схемой исходный аналоговый звуковой сигнал

подвергается процедуре нормализации с целью выравнивания громкости

входного звукового сигнала относительно эталонного. Это позволяет избежать

мультиплицирования идентичных объектов, отличающихся лишь степенью

удалённости от подсистемы звукового анализа.

Затем входной сигнал подвергается дискретизации, проводимой при

помощи

дискретного

преобразования

Фурье

и

методов

быстрого

преобразования Фурье (БПФ).

Поскольку работа бортовой подсистемы акустического распознавания

предполагается в составе мобильных роботов, имеющих на борту собственные

источники

акустических

сигналов,

например,

движители

и

сенсоры,

необходимо выделять собственный акустический сигнал машины из входного

сигнала. Предлагаемый в работе алгоритм обработки входного сигнала

предполагает введение поправки к вектору, полученному в результате

дискретизации спектра, в зависимости от работающих подсистем робота.

Вектор, представляющий собой спектр, характеризующий звучащий

объект, подвергается обработке для подачи данных на вход нейронной сети. На

12

Формирование

поправки к спектру

В качестве ассоциативной памяти, в данном случае, используется сеть

Хопфилда, обладающая обратными связями и способная завершить или

исправить неполный, либо частично повреждённый образ.

В режиме распознавания на вход предложенной комбинированной сети

подаются элементы вектора

, являющиеся числовым представлением

звучащего объекта. В результате работы сети формируется вектор

, элемент

которого с максимальным значением

определяет порядковый номер

распознанного объекта из эталонной обучающей выборки.

В силу того, что сеть Хопфилда оперирует с входными данными,

Эталонные

объекты

нормализованы?

Входной звуковой

сигнал

объекты содержат

собственную

акустическую

эмиссию робота?

Параметры

нормализации

эталонных объектов

Проведение

нормализации

входного сигнала

Параметры БПФ

Формирование

Спектральный

спектра

анализ

н т

Состояние робота

да

да

е

нет

x

u

u

j

x

представляемыми в биполярной кодировке, для формирования вектора

входной звуковой аналоговый образ необходимо подвергнуть дискретизации.

Это

предлагается

проводить

в

несколько

этапов

с

проведением

предварительной

подготовки

данных

по

разработанному

в

данной

диссертационной работе алгоритму, приведённому на рисунке 4.

Эталонные

x

mbmax

-1,T

k

1,Timbmax

i

xim =

,

k

где m=1,2,…k.

x

Вектор, таким образом, будет иметь размерность kN.

Удлинение вектора входных данных нейросетевой структуры, с одной

стороны, приводит к увеличению информации об исходном входном объекте, с

другой стороны – ведёт к уменьшению объёма доступной памяти сети

Хопфилда. Это, в общем случае, вызывает

необходимость введения для

идентичного

числа

объектов

дополнительных,

параллельно

функционирующих сетей Хопфилда в рамках первой части нейросетевой

структуры. В итоге, в свою очередь, увеличивается число математических

вычислений при работе алгоритмов.

Таким

образом,

первая

часть

комбинированной

нейросетевой

структуры, построенная на базе сети Хопфилда, обучается эталонными

бинарными сигналами векторов

, формируемыми из звуковых оцифровок

13

этом этапе входные данные из вектора неотрицательных чисел переводятся в

биполярный вектор, состоящий из значений -1 и 1.

В рамках данной работы предложено два метода проведения такого

преобразования.

Для

первого

метода

вводится

пороговое

число

b,

относительно которого элементы вектора преобразуются как:

-1,Ti b

1,T

b,

i

xi =

xi

где

– элементы образованного входного биполярного вектора данных

x

, Ti – элементы вектора спектра.

Параметр b может быть рассчитан как среднее значение по формуле:

N

1

N

b =

T

i=1

,

i

где N – количество элементов спектра.

Также параметр b может быть определён экспериментальным путём.

При использовании данной методики размерность полученного вектора

совпадает с размерностью исходного. Однако информация о мощности

элементов спектра в этом случае частично теряется, информационные потери

возможно

минимизировать

при

использовании

второго

метода

преобразования. В этом случае вводится целочисленное значение k≥2,

характеризующее степень близости преобразованного вектора к исходному,

определяется bmax=Timax, т.е. соответствующее наибольшему значению среди

элементов исходного вектора Ti.

Тогда в соответствие каждому элементу исходного вектора Ti будут

сопоставляться

k-значений:

xi1, xi1, xi2,..., xik

образованного

вектора,

определяемые как:

x

акустических сигналов объектов. При этом каждый из элементов вектора xi

несёт информацию о мощности спектра в соответствующей области частот

звукового сигнала. Впоследствии задача сети сводится к приведению

поданного частично изменённого и, возможно, неполного входного образа к

образу одного из эталонных объектов.

В результате работы первой части нейросетевой структуры формируется

устойчивый ответ сети в виде вектора

:

y = [y1, y2,..., yn]T ,

где

– бинарные элементы восстановленного эталонного входного

вектора, характеризующего звучащий объект.

Данный вектор представляет собой бинаризованный вектор одного из

эталонных объектов, являющегося распознанным и восстановленным образом

начального входного объекта.

Сеть Хопфилда характеризуется наличием формального ограничения

объёма памяти изучаемых объектов. В том случае, если расчётный объём

памяти меньше чем требуемое количество векторов к запоминанию,

необходимо вводить в состав первого слоя нейросетевой структуры

дополнительные

подсети

Хопфилда

в

количестве,

обеспечивающем

требуемый суммарный объём памяти.

Вторая часть комбинированной нейросетевой структуры решает задачу

классификации распознанного первой частью подсети объекта и представляет

собой подсеть прямого распространения. Данная подсеть также вводится с

целью создания масштабируемой модели алгоритма, применимого для работы

с произвольным количеством объектов и произвольной длиной вектора.

С целью достижения совместимости формата данных сформированный

в результате работы сети Хопфилда образ, выраженный вектором

, проходит

дополнительное

преобразование

и

подаётся

на

вход

сети

прямого

распространения.

В диссертации, по результатам проведения моделирования, определено,

что для данной задачи эффективным является использование сети с

радиально-базисными функциями (РБФ-сеть). Такая сеть имеет следующие

важные преимущества:

- Возможность моделирования произвольной нелинейной функции;

- Простота и однозначность: наличие одного скрытого слоя, что исключает

неформализируемый подбор структуры сети;

- Возможность проведения локальной аппроксимации: функция активации

принимает большие значения лишь в тех случаях, когда входной образ

находится вблизи от опорной точки данного нейрона;

В качестве конкретной функции Oi(x) в работе используется «функция

Гаусса». Выходные значения Oi(y) – это степени сходства между входным

вектором y и отдельными центрами yi. Центры yi определяются на основе

14

y

yi

y

обучающей последовательности и имеют ту же размерность n, что и входной

вектор. Таким образом, выход нейрона z скрытого слоя оказывается тем

больше, чем ближе текущий вход y к центру yi.

В результате работы сети формируется вектор

, элемент которого с

максимальным значением

определяет порядковый номер распознанного

объекта из эталонной обучающей выборки.

В третьей главе диссертации на базе разработанного метода

проведения распознавания и структурно-функциональной модели системы

формируются алгоритмы для работы системы акустического анализа в составе

автономных мобильных роботов и программное обеспечение для работы

такой системы.

Схема разработанной системы акустического распознавания объектов

имеет следующий вид (рисунок 5):

Рис. 5. Схема работы бортовой системы в режиме распознавания

Данная схема содержит в своём составе «Блок подготовки входных

данных», в рамках которого проводится обработка непрерывного входного

сигнала, «Блок спектрального анализа», в рамках которого производится БПФ

входного аналогового сигнала, «Блок подготовки входных данных для работы

с нейросетевой структурой», в рамках которого проводится преобразование

спектра в биполярный вектор.

При работе в режиме распознавания, система ставит в соответствие

поданному неизвестному объекту один из объектов ранее сформированной в

результате работы в режиме обучения «Библиотеки объектов», проводит его

классификацию и передаёт информацию об идентифицированном объекте к

системе принятия решений.

15

u

u

j

Параметры нормализации

эталонных объектов

Параметры проведения

БПФ

Эталонный объект содержат

собственную акустическую

эмиссию робота?

Состояние робота

Проведение нормализации

входного сигнала

Формирование спектра

да

Формирование поправки к

спектру

Формирование вектора

нет

нет

нет

Обучение бортовой системы распознавания акустических сигналов

объектов

среды

функционирования

автономного

мобильного

робота

проводится согласно блок-схемы алгоритма, представленной на рисунке 6:

Начало

Входной звуковой

сигнал

Требуется нормализация?

да

Параметры вектора

входных данных для

обучения нейронной сети

Данный объект последний?

да

Формирование списка

векторов для обучения

нейросетевой структуры

Библиотека эталонных объектов

Размерность вектора и

Формирование нейронных

количество объектов

подсетей

Обучение подсетей

Хопфилда

Обучение РБФ-сети

Конец

Рис. 6. Блок-схема алгоритма обучения бортовой системы распознавания

акустических сигналов МР

Согласно

приведённой

блок-схеме

входной

звуковой

сигнал

подвергается нормализации и последующей оцифровке. Затем на полученный

спектр накладывается поправка, соответствующая текущему состоянию

робота. После этого проводится формирование входного вектора для подачи

на вход нейросетевой структуры. Алгоритм повторяется циклически до тех

пор, пока не будет сформирована библиотека векторов для всех эталонных

объектов. Затем формируется требуемое количество сетей Хопфилда первого

слоя и РБФ-сеть второго слоя. Проводится их последовательное обучение.

16

Входной звуковой сигнал

начало

Параметры нормализации

эталонных объектов

Параметры проведения

БПФ

Эталонный объект содержат

собственную акустическую

эмиссию робота?

Состояние робота

Проведение нормализации

входного сигнала

Формирование спектра

да

Формирование поправки к

спектру

нет

нет

Формирование вектора входных данных для

проведения идентификации объекта

Формирование критериев качества

распознавания

Подача вектора входных данных на вход

обученной нейронной сети

Получение выходного вектора нейронной

сети

Поиск идентичного объекта

библиотеки

Библиотека эталонных объектов

Расчёт ошибки

распознавания

Объект распознан?

да

Передача данных к

системе принятия решений

Продолжать

распознавание?

нет

Конец

да

нет

При

проведении

распознавания

объекта

(рисунок

7),

разработанного алгоритма будет совпадать с алгоритмом обучения.

Начало

Входной звуковой

сигнал

Требуется нормализация?

да

Рис. 7. Блок-схема алгоритма распознавания объектов среды

функционирования МР

17

Входной звуковой сигнал

Рис. 8. Схема алгоритма распознавания нескольких одновременно звучащих

объектов

В соответствии с приведённой схемой вводится эмпирическое значение

критической величины для расчетной погрешности распознавания. После

определения первого звучащего объекта происходит переобучение сети с

18

После внесения поправки, учитывающей состояние робота, в спектр

исходного объекта происходит формирование вектора входных данных для

подачи на вход обученной нейронной сети, и задаётся допустимая

погрешность распознавания.

В ответ на поданный вектор сеть выдаёт результат в виде вектора

восстановленного

объекта,

который

сопоставляется

с

векторами,

содержащимися в библиотеке объектов с целью определения значения

погрешности распознавания согласно формуле:

распознавания

больше средней по

выборке?

н т

Все объекты

распознаны

К системе

принятия решений

распознавания не

превышает

критическую?

д

д

Исключение

распознанного объекта

из эталонной обучающей

выборки

Расч. погр.

распознавания

Лист распознанных

объектов

Система

Входной звуковой

акустического

сигнал

распознавания

сигналов

а

нет

е

а

N

1

N

e =

∑(xm - yisim )2

i=1

i

,

xim

где N – число элементов входного вектора,

– эталонный вектор m-го

объекта,

– восстановленный вектор.

Если расчётное значение погрешности удовлетворяет заданному

критерию

допустимой

погрешности,

объект

считается

распознанным,

информация о нём передаётся в систему принятия решений.

Распознавание нескольких одновременно звучащих объектов в данной

работе является возможным, но предполагает необходимость проведения

переобучения сети в силу фундаментального свойства нейронной сети к

схождению к одному объекту.

Разработанный алгоритм переобучения (рисунок 8) предполагает

исключение уже распознанного объекта из выборки обучающих эталонных

векторов с целью схождения сети к образам других звучащих объектов среды

функционирования робота.

Расчетная погр.

Расчетная погр.

yisim

исключением ранее опознанного объекта из эталонной выборки. Затем

проводится повторное распознавание объекта. Алгоритм носит циклический

характер и прерывается в случае, если расчетная погрешность распознавания

становится больше среднего значения по выборке, либо превышает

установленное критическое значение.

Применение

разработанного

алгоритма

повышает

уровень

реконфигурируемости

и

масштабируемости

системы,

увеличивает

её

эффективность.

На

базе

сформированных

алгоритмов

создаётся

программное

обеспечение для работы в составе автономного мобильного робота.

Четвёртая глава посвящена моделированию и апробации работы

системы акустического распознавания объектов, которое осуществлялось с

помощью созданного автором программного обеспечения.

Для оценки эффективности работы предложенной системы была

разработана математическая модель нейросетевой структуры и проведено

моделирование её работы для распознавания объектов в среде MATLAB.

В ходе экспериментального исследования эффективности описанных

алгоритмов

была

опробована

нейросетевая

структура,

состоящая

из

последовательно

соединенной

сети

Хопфилда

и

РБФ-сети

прямого

распространения. Входной сигнал, подаваемый к распознаванию, подвергался

предварительному наложению шумов.

В ходе моделирования было проведено обучение комбинированной сети

пятью эталонными векторами, каждый из которых содержал данные о 512

точках спектра одного из заранее известных эталонных объектов. Затем на

обученную комбинированную нейросетевую структуру подавался сигнал для

распознавания. При моделировании сети был восстановлен сигнал, наиболее

близкий к входному (рисунок 9), который был впоследствии, несмотря на

наложенный шум, корректно распознан (выведен индекс известного сигнала

объекта, являющегося частью обучающего множества нейронной сети).

Рис. 9. Результат моделирования сети

19

Проведённые

в

среде

MATLAB

вычислительные

эксперименты

подтвердили

эффективность

применения

предложенных

методов

и

алгоритмов.

В

рамках

диссертационной

работы

был

также

разработан

экспериментальный

образец

акустической

подсистемы

и

проведено

исследование его работы. Апробация бортовой системы акустического

распознавания была проведена для распознавания звучащих объектов линии

автоматической обработки Festo (рисунок 10) в составе:

1. Токарный станок с ЧПУ EMCO Concept TURN 250;

2. Манипулятор Mitsubishi RV-3SDB-S15;

3. Фрезерный станок с ЧПУ EMCO Concept MILL 250;

4. Конвейер;

5. Штабелёр.

Рис. 10. Общий вид и схема обрабатывающей линии Festo

Распознавание проводилось при помощи созданного в данной работе в

среде Microsoft Visual Studio программного обеспечения (рисунок 11),

реализующего разработанные алгоритмы и включающего в себя три модуля:

- Модуль структурирования звучащих объектов среды функционирования

мобильных роботов и проведения обучения нейронной сети;

- Модуль

проведения

пошагового

распознавания

функционирования мобильного робота;

- Модуль проведения автоматического распознавания

функционирования мобильного робота.

объектов

среды

объектов среды

Рис. 11. Апробация работы разработанной системы

20

возможности.

3. Создан

метод

функционирования

проведения

распознавания

объектов

среды

мобильных роботов, учитывающий специфические

Первый модуль предназначен для ввода и классификации типовых

объектов среды функционирования мобильных роботов по их акустическому

сигналу. Объект может быть добавлен путём прямой записи звука с

микрофонов,

либо

путём

загрузки

существующего

звукового

файла.

Разработанный модуль позволяет проводить сохранение, как отдельных

результатов

дискретизации

сигналов,

так

и

массивов

данных,

характеризующих нейронную сеть. Данная особенность даёт возможность

переконфигурирования ранее созданных сетей.

Второй и третий модули позволяют передать для распознавания

нейронной сетью звуковой фрагмент, записанный при помощи микрофона.

Результат распознавания в графическом и текстовом виде выводится на

экране с указанием расчётного значения погрешности распознавания.

Моделирование и эксперименты по апробации работы системы

акустического распознавания подтвердили работоспособность предложенных

в диссертации методик. Звучащие объекты среды функционирования

технической системы были успешно распознаны.

ОСНОВНЫЕ ВЫВОДЫ ПО РЕЗУЛЬТАТАМ ИССЛЕДОВАНИЯ

1. Решена научно-техническая задача по расширению функциональных

возможностей роботов путём применения акустического анализа данных

на основе нейросетевых технологий, имеющая важное значение для

отечественного роботостроения.

2. Установлено, что вследствие применения акустического анализа в составе

автономных мобильных роботов расширяются их функциональные

особенности

автономных

мобильных

робототехнических

систем

и

отличающийся способностью к функционированию в условиях возможной

частичной недостоверности поступающей информации о среде.

4. Создана функциональная модель бортовой интеллектуальной системы

распознавания акустических сигналов объектов среды функционирования

автономных мобильных роботов на основе нейросетевых технологий,

обладающая свойством модульности и масштабируемости и позволяющая

проводить определение типа звучащего объекта, что, в свою очередь,

приводит к расширению функциональных возможностей робота.

5. Предложена комбинированная нейросетевая структура для проведения

анализа акустических сигналов с целью распознавания звучащего объекта,

позволяющая проводить распознавание в условиях частичной неполноты

поступающей информации и в условиях динамического изменения

положения звучащих объектов в пространстве.

6. Предложен комплекс алгоритмов для проведения распознавания звучащих

объектов среды функционирования мобильных роботов, отличающийся

21

использованием нейросетевых технологий, а также учётом собственных

акустических сигналов подсистем робота.

7. Проведены экспериментальные исследования по распознаванию звучащих

объектов среды функционирования автономных мобильных роботов,

подтвердившие

появление

функциональных

возможностей

по

идентификации звучащего объекта.

8. Теоретические и практические результаты исследования могут быть

рекомендованы для реализации в бортовых системах мобильных роботов,

применяемых для решения задач инспекции промышленных объектов и их

систем в отраслях автоматизированного машиностроения, при ликвидации

последствий чрезвычайных ситуаций и в других применениях для

идентификации и поиска объектов, локализации и картографирования при

ликвидации чрезвычайных ситуаций, а также при подготовке инженерных

кадров по направлениям "Робототехника и мехатроника", "Управление в

технических системах".

Основные положения диссертации опубликованы в следующих

работах:

в изданиях, входящих в перечень ВАК РФ:

1. Ермолов И.Л., Сонных М.В., Акустическое распознавание объектов среды

функционирования автономных мобильных роботов, "Вестник МГТУ

"Станкин"" №3, 2011;

2. Ермолов И.Л., Сонных М.В., Применение технологий искусственного

интеллекта в бортовой системе акустического анализа мобильного робота,

"Мехатроника. Автоматизация. Управление", № 3, 2013;

3. Ермолов И.Л., Сонных М.В., Экспериментальное исследование работы

интеллектуальной системы акустического анализа в составе мобильного

робота, "Вестник МГТУ "Станкин"" №2, 2013;

в других изданиях:

4. Сонных

М.В.,

Распознавание

объектов

среды

функционирования

мобильных роботов с применением технологий искусственного интеллекта,

Труды XV научной конференций «Математическое моделирование и

информатика», 2013, Москва;

5. Ермолов И.Л., Сонных М.В., Применение технологий искусственного

интеллекта

для

распознавания

объектов

среды

функционирования

мобильных роботов, труды XXII международной научно-техническая

конференция «ЭКСТРЕМАЛЬНАЯ РОБОТОТЕХНИКА», Санкт-Петербург,

2012;

6. Баловнев В.М., Сонных М.В., Информационная акустическая система

мобильного робота, труды технической конференции «Автоматизация и

информационные технологии», Москва, 2010;

7. Сонных М.В., Бортовая система распознавания типов объектов среды

мобильных роботов, материалы международной молодежной научной

конференции «ХХХVI Гагаринские чтения», Москва, 2010;

22

8. Ермолов И.Л., Сонных М.В., Информационная бортовая акустическая

система

мобильных

роботов,

труды

XXI

международной

научно-

техническая

конференция

«ЭКСТРЕМАЛЬНАЯ

РОБОТОТЕХНИКА»,

Москва, 2010;

в свидетельствах на владение правами интеллектуальной собственности:

9. Ермолов И.Л., Сонных М.В., Программа моделирования процесса

распознавания объектов среды функционирования мобильных роботов на

основе

акустических

эффектов.

Свидетельство

о

государственной

регистрации программы для ЭВМ № 2013611818, 2013;

10. Ермолов

И.Л.,

Сонных

М.В.,

Программа

для

структурирования

акустической эмиссии объектов среды функционирования мобильных

роботов и проведения обучения комбинированной нейронной сети.

Свидетельство о государственной регистрации программы для ЭВМ №

2013611737, 2013;

11. Ермолов И.Л., Сонных М.В., Программа для проведения пошагового

распознавания объектов среды функционирования мобильного робота.

Свидетельство о государственной регистрации программы для ЭВМ №

2013612042, 2013;

12. Ермолов И.Л., Сонных М.В., Программа для проведения автоматического

распознавания объектов среды функционирования мобильного робота с

ведением открытого лога данных. Свидетельство о государственной

регистрации программы для ЭВМ № 2013611734, 2013.

23



Похожие работы:

«Соболь Илья Станиславович ОСНОВЫ ИНЖЕНЕРНОЙ ОЦЕНКИ ПЕРЕФОРМИРОВАНИЯ БЕРЕГОВ, ЛОЖА И ИЗМЕНЕНИЯ МОРФОМЕТРИЧЕСКИХ ПАРАМЕТРОВ РАВНИННЫХ ВОДОХРАНИЛИЩ В ПЕРИОД ЭКСПЛУАТАЦИИ 05.23.07 – Гидротехническое строительство Автореферат диссертации на соискание ученой степени доктора технических наук Самара – 2015 доктор технических наук, профессор, ФГБОУ ВПО Московский государственный университет природообустройства Румянцев Игорь Семенович доктор технических наук, ОАО Институт...»

«Зиборов Дмитрий Михайлович ОБОСНОВАНИЕ ПРИМЕНЕНИЯ ВОДНЫХ РАСТВОРОВ ПРОПИЛЕНГЛИКОЛЯ В КАЧЕСТВЕ УНИВЕРСАЛЬНОГО ТЕПЛОНОСИТЕЛЯ В ТЕПЛОВОМ ОБОРУДОВАНИИ ПРЕДПРИЯТИЙ ПИТАНИЯ 05.18.12 Процессы и аппараты пищевых производств Автореферат диссертации на соискание ученой степени кандидата технических наук Москва – 2015 Г.В. Плеханова. Научный руководитель кандидат технических наук, профессор Ботов Михаил Иванович Официальные оппоненты: Воскобойников Владимир Александрович доктор...»

«Муллин Виктор Валентинович ФИЗИЧЕСКИЕ ПРОЦЕССЫ В ВАКУУМНЫХ ДУГОГАСИТЕЛЬНЫХ КАМЕРАХ И ТЕХНИЧЕСКИЕ РЕШЕНИЯ ИХ РАЗРАБОТКИ, ПРОИЗВОДСТВА И ЭКСПЛУАТАЦИИ Специальность 05.27.02 – Вакуумная и плазменная электроника Автореферат диссертации на соискание ученой степени доктора технических наук Саратов – 2015 Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Саратовский государственный технический университет имени...»





 
© 2015 www.z-pdf.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.