Нейро-предиктивная система управления мобильным неголономным трехколесным роботом в среде со статическими препятствиями

В статье предлагается отслеживать и прогнозировать траекторию движения автономного неголономного трехколесного мобильного робота в среде со статическими препятствиями с помощью нейро-предиктивной системы управления. Данная система состоит из модифицированной нейронной сети Элмана (для отслеживания положения и ориентации робота), нейросетевой модели препятствия (для определения облака точек препятствия) и методов интерполяции кривой кубическими сплайнами и PSO-алгоритма (для сглаживания кривой обхода препятствия и обеспечения наименьшего расстояния). Новая траектория движения для объезда препятствия строится по трем точкам (до препятствия, центр препятствия, после препятствия). Предложенная система управления повышает эффективность управления мобильным роботом и обеспечивает наименьшее отклонение от траектории движения, в целом, и в месте обхода препятствия, в частности. Нейро-предиктивная система управления сравнивается с классическим PSO-алгоритмом, а также, внутри самой системы сравниваются методы сглаживания кривой обхода препятствия (интерполяция кубическими сплайнами и PSO-алгоритм). Алгоритмы сравниваются по таким критериям, как среднее расстояние робота от препятствия при перестройке траектории движения, скорость движения, время выполнения обхода препятствия. Также проверяется отклонение от заданной траектории движения: движения по лемнискате и по квадрату. Результаты моделирования показали, что нейро-предиктивная система эффективнее (в среднем, на 28,1 %) объезжает препятствие (обеспечивает наименьшее расстояние) и быстрее (в среднем, на 17,2 %) выполняет данный маневр, чем классический PSO-алгоритм. Также внутри самой системы для построения кривой обхода препятствия эффективнее работает PSO-алгоритм (на 3,3 % ближе к препятствию и, в среднем, на 88,2 % меньше среднеквадратичная ошибка), чем интерполяция кубическими сплайнами. При этом нейро-предиктивная система управления значительно лучше справляется со следованием по желаемой траектории, чем классический PSO-алгоритм.

1. Su K.H., Chen Y.Y., Su S.F. Design of neural-fuzzy-based controller for two autonomously driven wheeled robot. Neurocompting. 2015;73:2478–2488.

2. Березина В.А., Мезенцева О.С., Мезенцев Д.В. Модифицированная нейронная сеть Элмана с динамическим показателем обучения для отслеживания и прогнозирования движения неголономного трехколесного мобильного робота. Моделирование, оптимизация и информационные технологии. 2022;10(3). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1199 DOI: 10.26102/2310-6018/2022.38.3.003 (дата обращения: 01.11.2022).

3. Lucas R., Oliveira R.M., Nascimento C.B., Kaster M.S. Performance analysis of an adaptive Gaussian nonlinear PID control applied to a step-down CC-CC converter. IEEE 24th International Symposium on Industrial Electronics (ISIE). 2015;1:1022–1026.

4. Li Z., Yang C., Su C., Deng J., Zhang W. Vision-Based Model Predictive Control for Steering of a Nonholonomic Mobile Robot. IEEE Transactions on Control Systems Technology. 2019;24(2):553–564.

5. Suprapto B. Y., Mustaqim A., Wahab W., Kusumoputro B. Modified elman recurrent neural network for attitude and altitude control of heavy-lift hexacopter. 15th International Conference on Quality in Research (QiR): International Symposium on Electrical and Computer Engineering. 2017;1:309–314.

6. He W. Adaptive neural network control of an uncertain robot with fullstate constraints. IEEE Transactions on Cybernetics. 2016;46(3):620–629.

7. Al-Jamali N.A., Al-Raweshidy H.S. Modified Elman Spike Neural Network for Identification and Control of Dynamic System. IEEE Access. 2020;8:61246–61254.

8. Li D., Liu Y., Tong S., Chen C.L. Approximation-Based Adaptive Neural Tracking Control of Nonlinear MIMO Unknown Time-Varying Delay Systems with Full State Constraints. IEEE Transactions on Cybernetics. 2017;47(10):3100–3109.

9. Deng L., Seethaler R. J., Chen Y., Yang P., Cheng Q. Modified Elman neural network based neural adaptive inverse control of rate-dependent hysteresis. International Joint Conference on Neural Networks (IJCNN). 2016;1:2366–2373.

10. Wang S., Zhang Y., Dong Z., Du S., Ji G. Feed-forward neural network optimized by hybridization of PSO and ABC for abnormal brain detection. International Journal of Imaging Systems & Technology. 2015;25(2):153–164.