Миварные модель и алгоритм обработки информации для избегания динамических препятствий с изменяющейся зоной безопасности

В статье предложены миварная модель и миварный алгоритм для динамического планирования траекторий в больших помещениях с плотным скоплением перемещающихся людей. Основная идея заключается в вычислении параметров эллиптической изменяющейся зоны безопасности для динамических препятствий на основе интеграции семантического детектирования объектов и геометрического картирования. Миварная модель опирается на семантическую информацию: класс объекта, скорость и факторы сцены. Миварная экспертная система рассчитывает ключевые параметры зоны безопасности и позиции прогнозирования, что обеспечивает дифференцированный запас безопасности для различных семантических целей, например, таких как дети, пожилые люди, взрослые. Рассчитанная зона безопасности будет рассматриваться в планировании пути как размер самого препятствия. Научная новизна заключается в использовании динамических эллипсов, изменяющих свои размеры в зависимости от семантической информации, для определения зоны безопасности динамических препятствий. Миварный алгоритм верифицирован на платформе, реализованной в Python с использованием Pygame, с интеграцией интерфейса обмена данными с КЭСМИ Wi!Mi, что позволило визуализировать процесс планирования, подтвердить эффективность и количественно оценить прирост безопасности. Перспективы исследований включают глубокую интеграцию с методами машинного обучения для усиления робастности и гибкости обновления правил.

1. Cottam R., Vounckx R. Intelligence: Natural, Artificial, or What? BioSystems. 2024;246. https://doi.org/10.1016/j.biosystems.2024.105343

2. Akhtyamov T., Kashirin A., Postnikov A., Sosin I., Ferrer G. Social Robot Navigation Through Constrained Optimization: A Comprehensive Study of Uncertainty-Based Objectives and Constraints in the Simulated and Real World. Robotics and Autonomous Systems. 2025;183. https://doi.org/10.1016/j.robot.2024.104830

3. Кузнецова И.В., Шереметьев Г.Г., Абаза И.Г. Роботы на службе здравоохранения: робот-медик «Da Vinci». Тенденции развития науки и образования. 2024;(111-8):162–165.

4. Трефилов С.А., Ходырев Г.В. Разработка математической модели высокоманевренного робота для имитации роботов различных типов конструкций. Вестник ИжГТУ имени М.Т. Калашникова. 2024;27(3):38–48. https://doi.org/10.22213/2413-1172-2024-3-38-48

5. Мырадов П., Ширмырадов М., Байрамов Н., Ровшенов Д. Роботы для автоматизации сборки электроники: внедрение роботов в производственные линии для повышения эффективности. Академическая публицистика. 2024;(11-2):63–65.

6. Chen B., Kwiatkowski R., Vondrick C., Lipson H. Fully Body Visual Self-Modeling of Robot Morphologies. Science Robotics. 2022;7(68). https://doi.org/10.1126/scirobotics.abn1944

7. Мокеев М.В. Перспективы использования роботов-бариста и роботов-барменов в ресторанном бизнесе России. В сборнике: Развитие сферы услуг в условиях глобализации экономики: современные тренды, актуальные проблемы и пути их решения: Сборник статей по материалам IV Международной научно-практической конференции, 27 декабря 2024 года, Нижний Новгород, Россия. Нижний Новгород: Нижегородский государственный инженерно-экономический университет; 2024. С. 202–205.

8. Бижанова О., Салыкова О., Молдамурат Х., Иванова И. Методы планирования траектории движения мобильного робота в условиях неопределенности. Вестник Казахской академии транспорта и коммуникаций им. М. Тынышпаева. 2023;(6):339–346. (На англ.).

9. Wang X., Tang K., Dai X., et al. Safety-Balanced Driving-Style Aware Trajectory Planning in Intersection Scenarios with Uncertain Environment. IEEE Transactions on Intelligent Vehicles. 2023;8(4):2888–2898. https://doi.org/10.1109/tiv.2023.3239903

10. Long Z., Killick G., McCreadie R., Aragon-Camarasa G. RoboLLM: Robotic Vision Tasks Grounded on Multimodal Large Language Models. In: 2024 IEEE International Conference on Robotics and Automation (ICRA), 13–17 May 2024, Yokohama, Japan. IEEE; 2024. P. 12428–12435. https://doi.org/10.1109/ICRA57147.2024.10610797

11. Шэнь Ц., Гун Ш., Варламов О.О., Адамова Л.Е., Баленко Е.Г. Динамическое планирование траектории робота на основе семантического обнаружения объектов с использованием миварной экспертной системы. Проблемы искусственного интеллекта. 2024;(4):164–176. https://doi.org/10.24412/2413-7383-2024-4-164-176

12. Степанов Т.И. Роль технологии обнаружения и идентификации объектов в современном мире (на примерах технологии OpenCV). В сборнике: All-Russian Contest for the Student’s Scientific Project in a Foreign Language: Материалы всероссийского конкурса студенческих научных проектов на иностранном языке, 19 мая 2022 года, Улан-Удэ, Россия. Улан-Удэ: Издательство Бурятского госуниверситета; 2022. С. 75–79. (На англ.).

13. Логунов С.В., Куприянов Н.А. Методика ранжирования каталогизированных космических объектов, используемых для повышения точности определения координат объектов радиолокационной станцией дальнего обнаружения. Вопросы радиоэлектроники. Серия: Техника телевидения. 2019;(1):75–84.

14. Доу Л. О создании МЭС для эвакуации людей при пожаре. В сборнике: Четвертая международная научная конференция молодежной школы «Мивар '25»: Сборник научных статей, 17–19 апреля 2025 года, Москва, Россия. Москва: ИНФРА-М; 2025. С. 380–382.

15. Davarzani Sh., Ejaz M.T. A 2D Path-Planning Performance Comparison of RRT and RRT* for Unmanned Ground Vehicle. IAES International Journal of Robotics and Automation. 2024;13(1):105–112. https://doi.org/10.11591/ijra.v13i1.pp105-112

16. Sudharsan Bh., Breslin J.G., Ali M.I. ML-MCU: A Framework to Train ML Classifiers on MCU-Based IoT Edge Devices. IEEE Internet of Things Journal. 2022;9(16):15007–15017. https://doi.org/10.1109/jiot.2021.3098166

17. Varlamov O. "Brains" for Robots: Application of the Mivar Expert Systems for Implementation of Autonomous Intelligent Robots. Big Data Research. 2021;25. https://doi.org/10.1016/j.bdr.2021.100241

18. Шэнь Ц., Гун Ш., Лю Ч., Лю А., Тимофеев В.Б., Варламов О.О. Алгоритм планирования траектории робота на основе технологии обнаружения объектов с использованием МЭС. В сборнике: Международная научная конференция молодежной школы «МИВАР '24»: Сборник научных статей, 18–20 апреля 2024 года, Москва, Россия. Москва: ИНФРА-М; 2024. С. 367–373.

19. Шэнь Ц. О создании МЭС для объединения мультисенсорных данных в робототехнике. В сборнике: Четвертая международная научная конференция молодежной школы «Мивар '25»: Сборник научных статей, 17–19 апреля 2025 года, Москва, Россия. Москва: ИНФРА-М; 2025. С. 343–345.

20. Гун Ш. Миварная система принятия решений для распределения и перевозки грузов командой складских роботов. Системы управления и информационные технологии. 2025;(2):23–29.

21. Аладин Д.В. О подходе к автоматической генерации миварных баз знаний для решения задач управления. В сборнике: Четвертая международная научная конференция молодежной школы «Мивар '25»: Сборник научных статей, 17–19 апреля 2025 года, Москва, Россия. Москва: ИНФРА-М; 2025. С. 409–411.

22. Честнова Е.А., Федосеева Е.Ю., Ваганов Д.Д. и др. Разработка базы знаний МЭС по подбору лекарственных форм для антибиотиков и антимикотиков. Естественные и технические науки. 2023;(5):29–33. https://doi.org/10.25633/ETN.2023.05.01

23. Горячкин Б.С., Байбарин Р.Г., Тюлькина Н.В., Запруднов М.С. Эргономический анализ представлений миварной модели. Естественные и технические науки. 2022;(4):162–174.

24. Никитин П.В., Горохова Р.И. Разработка модели компьютерного зрения для детекции областей в визуально насыщенных документах. Моделирование, оптимизация и информационные технологии. 2025;13(2). https://doi.org/10.26102/2310-6018/2025.49.2.010

25. Терехин М.А., Иващенко А.В., Кулаков Г.А. Концептуальный подход к интеграции искусственного интеллекта в инженерную деятельность. Моделирование, оптимизация и информационные технологии. 2025;13(2). https://doi.org/10.26102/2310-6018/2025.49.2.031

26. Juang L.-H. Humanoid Robot Action Using Multi-Mode Fusion Based on Frame Expert System. Multimedia Tools and Applications. 2024;84:1513–1536. https://doi.org/10.1007/s11042-024-19058-2

27. De A. Abilio A., Wolodko J.D., Eckert R.B., Skovhus T.L. Development of an Expert System for Assessing Failures in Oil and Gas Pipelines Due to Microbiologically Influenced Corrosion (MIC). Engineering Failure Analysis. 2024;163. https://doi.org/10.1016/j.engfailanal.2024.108426

28. Гулютин Н.Н., Ермиенко Н.А., Антамошкин О.А. Система комплексирования сенсорных данных в бортовых системах управления беспилотными авиационными системами. Моделирование, оптимизация и информационные технологии. 2025;13(1). https://doi.org/10.26102/2310-6018/2025.48.1.019

29. Bhatia P., Thirunarayanan J., Dave N. An Expert System-Based Design of SCARA Robot. Expert Systems with Applications. 1998;15(1):99–109.