Модели, алгоритмы и программный комплекс для обеспечения интеллектуального эксперимента тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Шека, Андрей Сергеевич

• Шека, Андрей Сергеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Шека, Андрей Сергеевич

Содержание

Введение

Глава 1. Расстановка датчиков

1.1. Проблема размещения датчиков

1.2. Размещение датчиков для обеспечения навигации на основе триангуляции

1.3. Приближённое решение проблемы размещения датчиков

Заключение к главе 1

Глава 2. Планирование движения для локализации

2.1. Локализация в решетчатом графе

2.2. Логическая модель планирования движения

Заключение к главе 2

Глава 3. Самосознание

3.1. Идентификация внешних аномалий

3.1.1. Временные отношения Аллена

3.1.2. Ограниченность временных отношений Аллена

3.1.3. Новые временные отношения

3.1.4. Алгебра временных отношений

3.1.5. Изучение последствий действий мобильного робота и самоопределения

3.2. Исследование внутренних состояний

3.2.1. Интроны и экзоны в генетическом алгоритме

3.2.2. Использование интронов и экзонов для конфигурирования систем

Заключение к главе 3

Глава 4. Программный комплекс

4.1. Бортовой компьютер — управляющий компьютер — суперкомпьютер

4.2. Размещение датчиков

4.2.1. SAT-решатели для проблем SP и SPP

4.2.2. Алгоритм оптимизации искусственной физики для проблемы размещения датчиков

4.2.3. Применение на транспорте

4.3. Планирование движения

4.4. Самосознание

4.4.1. Алгебра временных отношений

4.4.2. Расширенный генетический алгоритм

Заключение к главе 4

Заключение

Литература

Список публикаций

Патенты и свидетельства о регистрации программ

Введение диссертации (часть автореферата) на тему «Модели, алгоритмы и программный комплекс для обеспечения интеллектуального эксперимента»

Введение

Начало активному изучению современной теории искусственного интеллекта было положено в работе [80]. К настоящему времени теория искусственного интеллекта является неотъемлемой частью таких областей знаний, как компьютерные науки (см., например, [35]), математическое моделирование (см., например, [38]), теория управления (см., например, [26]), теория приближения (см., например, [12]), численные методы (см., например, [60]), компьютерная графика (см., например, [94]), философия (см., например, [23]) и многие другие.

Исследования в области интеллекта неразрывно связаны с исследованиями носителей интеллекта и коммуникационной среды. Необходимым фундаментом исследования интеллекта является всестороннее изучение носителей интеллекта и коммуникационной среды их взаимодействии. В случае исследований естественного интеллекта очевидными носителями являются люди, а коммуникационной средой — их среда обитания. При рассмотрении искусственного интеллекта естественно возникает вопрос о создании как носителей искусственного интеллекта, так и подходящей среды для этих носителей. При этом, учитывая эффект Маугли [8], необходимо принимать во внимание, что разработка носителей и среды — это не элемент удобства изучения, а неотъемлемая часть создания искусственного интеллекта.

На сегодняшний день основной инструмент для проведения интеллектуального эксперимента принято использовать робототехнический полигон, на котором тестируются интеллектуальные алгоритмы. Для лучшего понимания того, что вкладывается в понятие «робототехнический полигон», рассмотрим его определение. Робототехнический полигон — это местность с инфраструктурными элементами, специализированная для проведения экспериментов с использованием робота. Исследования в области разработки и использования ро-бототехнических полигонов для решения проблем искусственного интеллекта в последние десятилетия отражены не только в многочисленных научных публи-

кациях (см., например, [13, 37, 40]), но и в крупномасштабных проектах на государственном уровне (см., например, [18, 65, 121]). Большое внимание уделяется различным робототехническим соревнованиям (см., например, Robocup [105], Eurobot [36]). Журналом Artificial Intelligence исследования в области интеллектуальных соревнований и полигонов выделяются в качестве самостоятельного научного направления [16].

В совокупности по робототехническим полигонам проделан солидный объём работ, сделанный как со стороны научных исследований, так и со стороны государственных программ и специализированных соревнований. Однако до сих пор для полигонов не проработано множество различных аспектов. Характерный пример — статья [81], в которой описывается построение робототех-нического полигона для проведения экспериментов с командой роботов. Авторы предлагают компромиссный вариант выбора программной и аппаратной платформ, в котором имеющиеся ограничения вычислительных мощностей и пропускные способности каналов связи не помешают проведению экспериментов. Используемый в работе [81] математический аппарат не позволяет эффективно использовать имеющиеся оборудование. Вопросы построения и использования робототехнических полигонов по-прежнему открыты и требуют разработки высокоэффективных математических моделей и алгоритмов для проведения интеллектуальных экспериментов.

Целью диссертационной работы является создание комплекса высокоэффективных математических моделей и алгоритмов, обеспечивающих проведение интеллектуальных экспериментов на робототехническом полигоне.

Для достижения заданной цели необходимо решить несколько задач, которые следуют из характерных особенностей робототехнического полигона для проведения интеллектуальных экспериментов. Управление робота может происходить как в ручном, так и в автоматическом режиме; полигон должен поддерживать оба режима. Для обеспечения ручного и автоматического режимов полигон необходимо оборудовать стационарной системой датчиков, которая ведет

внешнее наблюдение за роботом и снабжает его навигационной информацией. В автоматическом режиме управление робота происходит с помощью некоторого алгоритма, который, как правило, исследуется в рамках интеллектуального эксперимента. При этом система управления робота должна автоматически уметь возвращать робота в известное состояние после проведённого эксперимента, то есть локализовать робота, а также отслеживать нештатные ситуации, которые могут возникать в том числе из-за несовершенства исследуемого алгоритма. Таким образом, с модельной точки зрения возникают три задачи: обеспечение полигона стационарной системой датчиков, определение фактического состояния робота и отслеживание нештатных ситуаций. Ввиду прикладного характера данных задач, эффективность их решения необходимо проверять по результатам экспериментального тестирования, которое является самостоятельной задачей. В итоге для достижения цели диссертации потребовалось решение следующих четырёх задач.

1. Разработка алгоритмов размещения датчиков для исследовательского окружения робота.

2. Разработка алгоритма оптимального решения задачи локализации робота.

3. Разработка модели самосознания робота, обеспечивающая эффективное отслеживание нештатных ситуаций.

4. Разработка программного комплекса, обеспечивающего проведение экспериментального тестирования предложенного математического аппарата.

Проблема расстановки стационарных датчиков берет свое начало из проблемы покрытия множествами — одной из фундаментальных в теории вычислительной сложности и одной из наиболее известных и изучаемых. Практические приложения давно требуют рассмотрения различных модификаций проблемы покрытия, в частности можно отметить Art Gallery Problem. На сегодняшний день по-прежнему предлагаются различные модификации данной проблемы, адаптированные под конкретные прикладные задачи. В диссертации рассматри-

вается модификация этой проблемы, которая адекватно отвечает требованиям важнейших робототехнических приложений.

Для удовлетворения требований, предъявляемых к робототехническому полигону для проведения интеллектуальных экспериментов, датчики должны осуществлять внешнее наблюдение и предоставлять навигационную информацию. Эти действия в общем случае производиться датчиками различных типов. Поэтому размещение датчиков для данных приложений — независимые задачи.

Для осуществления внешнего наблюдения необходимо, чтобы каждая точка полигона обозревалась хотя бы одним датчиком. Эта задача является классической для современной компьютерной науки и робототехники (см., например, [33, 112, 115]). В работах [33, 112, 115] представлены приближённые методы её решения. В диссертации представлены алгоритмы для получения точного решения на основе логических моделей. В общем случае данная задача может быть описана следующей математической моделью. Проблема размещения датчиков (SP)

дано. Дискретное пространство R с Ъ2, множество NCR возможных мест нахождения, множество S С R возможных мест размещения датчиков, положительное целое число к и функция обзора датчиком F такая, что если точка у <Е R обозрима с точки х, то у 6 F(x), где F : S —> 2R.

Задача. Существует ли множество Т с S такое, что Ux<=tF(x) = N и \Т\ < к?

Для получения навигационной информации используется метод триангуляции. Здесь необходимо, чтобы каждая точка полигона находилась в поле зрения, как минимум двух, датчиков. Однако проблема размещения датчиков для обеспечения навигации на основе триангуляции является также вычислительно-сложной задачей. Ранее для её решения задачи рассматривались только приближённые алгоритмы, например, в работе [120] рассматривалась целочисленная формулировка задачи линейного программирования. Данная формулировка предполагает дискретизацию области локализации и мест размещения

датчиков. В работе [120] предлагается приближённый алгоритм для решения данной проблемы; в диссертации же представлен алгоритм для получения точного решения на основе логической модели. В общем случае рассматриваемая задача может быть описана следующей математической моделью.

Проблема размещения датчиков для обеспечения навигации на основе триангуляции (SPP)

ДАНО. Дискретное пространство R, функция обзора датчиком F, множество N = {6i, 62,..., bn} возможных мест нахоэ/сдения, множество S = {0,1,0,2,... ,аш} возможных мест размещения датчиков и положительное целое число к.

задача. Существует ли множество Т с S такое, что v6; g N 3ai, aj е Т такие, что г j, bi Е F(aj), bi G F(aj) и \T\ < k?

Основной результат раздела 1 главы 1 — построение явного сведения SP к MAXSAT, SAT и 3SAT. На практике необходимо однократное решение задачи SP для каждого полигона, при этом экономия каждого датчика имеет существенное значение. Поэтому для обеспечения нахождения оптимального решения можно позволить использование довольно медленного алгоритма. Отметим, что для проблем MAXSAT, SAT и 3SAT разработаны достаточно эффективные алгоритмы (см., например, [48,107]), позволяющие получать точные решения. Поэтому построение явного сведения SP к MAXSAT, SAT и 3SAT можно рассматривать как эффективное решение проблемы SP.

Основной результат раздела 2 главы 1 — построение явного сведения SPP к SAT и 3SAT. Задача SPP на практике также требует однократного решения для каждого полигона. При этом экономия каждого датчика по-прежнему существенна. Также как и для задачи SP, построение явного сведения SPP к SAT и 3SAT можно рассматривать как эффективное решение проблемы SPP.

Если робот является источником информации, то задачи SP и SPP получают иную, но не менее важную интерпретацию. А именно: решение задачи SP обеспечивает покрытие окружения минимальным количеством информаци-

онных концентраторов, а решение задачи SPP дает возможность получения надежного покрытия окружения. Такой подход представляет существенный интерес и активно изучается [59, 131]. В частности, решение каждой из этих задач в таком контексте представляет значительный интерес для разработки робото-технического полигона, поскольку многие задачи искусственного интеллекта непосредственно связаны со сбором информации, а требование надежности информационного обмена является одним из приоритетных для ряда важнейших направлений использования робототехники и интеллектуальных систем (в военных технологиях, космонавтике, чрезвычайных ситуациях и т.д.). Однако решение задачи обеспечения информационного обмена при сборе информации при решении прикладных задач не всегда опирается на хорошо известное постоянно используемое окружение. Довольно часто в прикладных задачах окружение претерпевает существенные изменения. Поэтому с точки зрения прикладных задач большой интерес представляет не только нахождение точных решений задачи расстановки датчиков, но и поиск приближённых решений при помощи быстрых интеллектуальных алгоритмов.

Основной результат раздела 3 главы 1 — построение эффективного интеллектуального алгоритма для приближенного решения проблемы SP. Предложенное решение основано на алгоритме оптимизации искусственной физики, имеющий три стадии: инициализация, вычисление сил и передвижение [129], в котором для вычисления сил использовалась нейронная сеть Рунге — Кут-ты [126].

Для автоматического приведения робота в определенное состояние рассматривается проблема локализации. В данной проблеме робот попадает в ситуацию, когда он не знает своего местоположения в известном решетчатом графе. Робот с помощью бортовых датчиков может определить наличие смежных вершин и сместиться в одну из них. Таким образом, робот может итеративно передвигаться по графу и производить измерения для определения своего местоположения.

В первоначальном варианте проблема локализации рассматривалась для определения местоположения робота на хорошо изученной местности при отсутствии навигационных данных [122]. Проблема локализации может возникнуть не только в классическом варианте, но и в других случаях. Например, при помощи бортовых датчиков необходимо безаварийно сориентировать робота относительно уровня земли. Рассмотрим задачу поиска оптимального плана локализации, сформулированную в работе [122].

Робот локализован, если он знает координаты ячейки, в которой находится. Детерминированный план локализации определяет набор движений для выполнения роботом на основе всех предыдущих движений и наблюдений. План локализации является корректным тогда и только тогда, когда независимо от стартовой ячейки он определяет, в какой ячейке находится робот либо определяет, что локализация невозможна.

Пусть прямоугольный граф (7 размера тип задан матрицей (д[{, ^)т+2хп+2, где — 1 < г < т, — 1 < ] < п. Заметим, что д[г^] = 1 или д[г,э) = 0. Случай д[г,= 1 возможен тогда и только тогда, когда ячейка с координатами г, принадлежит (7. Матрица имеет увеличенный размер, чтобы учесть непроходимость границ графа, то есть определим р[г, — 1] = 0, д[г, п] = 0 при — 1 < г < т и д[—1,^'] = 0, д[тл] = 0 при —1<]< п. Пусть на г-м шаге ^ определяет направление движения (север, восток, юг, запад), где 0 < с^ < 4. Тогда последовательность из г передвижений определим следующим образом: Д = [с?0, Каждый шаг характеризуется некоторым окружением, а именно тем, являются ли соседние ячейки проходимыми или нет. Пусть на г-м шаге и>1 показывает проходимость соседних ячеек, где 0 < и^ < 16. Значения г^- вычисляются с помощью функции 1([х,у]) = + 2д[х~1,у] + 4+ ^у-Ц^ Где 0 < х < т, 0 < у < п. Определим последовательность проходимости соседних ячеек: 1¥{ = [ги0,...,

Итак, можно задать план локализации с помощью функции /(1Уг-,£)г_х), которая на г-м шаге вычисляет направление движения Пусть

F(Wi) = F(Wi-1) U {f(Wi:F(Wi-1))] и F(W0) = [/(Wo, [])]. Определим функцию q([x,y], Di), которая возвращает координаты ячейки при старте из ячейки д[х,у] и выполнении последовательности передвижений Д-. Определим функцию Т([х, у], Di) = [t([x, у]), t(q([x, у], D0), t(q([x, у], А)], которая возвращает последовательность масок проходимых ячеек при выполнении последовательности передвижений Di, где Di = Д_х U di.

Таким образом, можно определить функцию

h{Wi,Di_i) = {q([x,y],Di-i)\g[x,y} = 1, Т([х, у], Д_х) = W{}, которая определяет множество ячеек, где может находиться робот при выполнении последовательности передвижений D¿_i, наблюдая при этом последовательность проходимость соседних ячеек W¿.

Проблема корректного детерминированного плана локализации (VDLPP)

• дано. Прямоугольный граф G, натуральное число К.

задача. Существует ли /(W¿, Д-i) такая, что для любого WK = [wo,...,wk_uwk] и Wk-i = [wQ,...,wk-i]: \h{WK, F(WK-i))\ <1?

Основной результат главы 2 — построение явного сведения VDLPP к SAT. Задача VDLPP на практике требует однократного решения для каждого полигона и может быть решена заблаговременно, до использования плана локализации. Построение явного сведения VDLPP к SAT можно рассматривать как эффективное решение проблемы VDLPP.

Для выявления нештатных ситуаций, возникающих в результате проведения эксперимента на робототехническом полигоне, используется система, которая следит за совокупным состоянием робота. Подобную систему в научном сообществе принято называть системой самосознания. Возникновение нештатных ситуаций может происходить в результате внешних или внутренних аномалий.

Внешние аномалии происходят в результате взаимодействия робота с внешним миром. В данном случае для компенсации непредвиденных технических неисправностей робот должен анализировать связь между отданными команда-

ми и фактическим их исполнением. Существующие модели самосознания могут оперировать лишь малым набором простейших временных отношений (см., например, [11, 88]), что ограничивает возможности системы самосознания. Такое ограничение обусловлено открытой проблемой компактного представления пространства «состояние-действие». В работе [88] для анализа двух произвольных событий А и В используется следующая алгебра:

8ВЕВ(Д В): А началось до Б и закончилось до Б;

8АУЕВ(Л, В): В началось вместе с Л и закончилось до А;

ЭАЕ\У(Л, В): В началось после А и закончилось вместе с А;

ЗАЕВ (А, В): В началось после А и закончилось до Л;

Б\¥Е\¥(Л, В): В началось вместе с Л и закончилось вместе с А;

ЕБ(Л, В): В началось после того как А закончилось.

Пусть А — это команда движения робота вперёд, а В — это показания датчиков о движении робота вперёд. Корректное передвижение описывается соотношением Б\¥Е\¥(Л, В). Столкновение робота с препятствием описывается соотношением Э'УУЕВ^, В).

Идентификация внутренних аномалий полностью происходит только за счёт только внутренней сенсорной информации. Другой информацией, относящейся к внутренним аномалиям, робот не обладает. Поэтому выявление подобных аномалий основано на внутренних состояниях, которые базируются на внутренней сенсорной информации. В работах [74, 114] используют внутренние состояния, копирующие человеческие. Но больший интерес представляют машинно-ориентированные состояния, которые лучше отражают специфику робота.

Основной результат главы 3 — модель самосознания робота, анализирующая внешние и внутренние аномалии. Для анализа внешних аномалий в диссертации разработана алгебра временных отношений, позволяющая компактно представлять элементы пространства «состояние-действие», а именно, раскладывать временные отношения в произведение базисных элементов. Использова-

ние базиса позволяет рассматривать все множество временных отношений, а не ограниченный набор простейших временных отношений, что улучшает выявление внешних аномалий. Для анализа внутренних аномалий предложен усовершенствованный генетический алгоритм, основанный на базе механизма работы интронов и эксзонов, которые есть в биологической модели генетического алгоритма. С использованием предложенного алгоритма проведены эксперименты конфигурирования управляющей системы. Данная модификация генетического алгоритм позволяет наделить его памятью о предыдущих итерациях алгоритма. Внутренние состояния, с одной стороны, отслеживали качество получаемых решений некоторой задачи, а с другой, объём используемых вычислительных ресурсов.

Для проведения полноценного тестирования полученных математических моделей и алгоритмов в рамках решения первых трёх задач разработан программный комплекс, который описан в рамках четвертой главы диссертации. Данный комплекс обеспечивает интеграцию полученного математического аппарата с элементами робототехнического полигона и реализует функционал, позволяющий проводить тестирование в рамках исследуемой проблематики. С помощью разработанного программного комплекса проведено экспериментальное тестирование, которое в целом показало высокую эффективность предложенного математического аппарата.

Для задач ЭР, ЭРР и УБЬРР решение требуется только один раз для некоторого робототехнического полигона, а полученное решение может использоваться неограниченное число раз. Естественно, что поиск оптимального решения в данных случаях особо важен. Например, в случае задачи БР стоимость некоторых датчиков может быть достаточно большой, и экономия на стоимости даже одного датчика существенна. Поэтому поиск решения может производится с использованием различных вычислительных платформ, в том числе и гетерогенных кластеров. Программный комплекс построен с учётом данных особенностей.

Ввиду использования в диссертации алгоритма получения точных решений, который включает построение рассматриваемой задачи к проблеме выполнимости булевой функции и применение для полученного сведения эвристического решателя, в четвертой главе проведены сравнения эвристических алгоритмов для полученных сведений. Поэтому полученные в диссертации сведения с практической точки зрения представляют интерес только в совокупности с эвристическими алгоритмами, которые успешно решают их. Кроме того, специфика разных сведений для некоторой задачи может кардинально менять эффективность работы определённого эвристического алгоритма.

В первом разделе четвертой главы рассмотрены вопросы выбора вычислительных платформ в зависимости от решаемой задач. Программный комплекс использует три вычислительные платформы: бортовой компьютер, управляющий компьютер, суперкомпьютер. Это позволяет эффективно использовать имеющиеся вычислительные ресурсы при решении рассматриваемых задач. Во втором разделе четвертой главы представлены результаты тестирования для проблем ЭР и 8РР с помощью программного комплекса математических моделей. В частности, проведено сравнение ЭЛТ-решателей. Также было проведено тестирование интеллектуального алгоритма для проблемы 8Р, основанный на использовании модели искусственной физики и нейронных сетей Рун-ге — Кутты. Кроме того, рассмотрены приложения результатов по проблемам ЭР и ЭРР для решения конкретной прикладной задачи. А именно: рассмотрена задача информационного покрытия для обеспечения мониторинга пассажиропотока на автомобильном транспорте. Данная задача заключается в расположении видеокамер в салоне транспортного средства для обзора всех сидячих мест. Рассмотрение этой задачи представляет особый интерес с точки зрения исследуемой проблематики, поскольку данная задача позволила проверить в реальном окружении все аспекты сенсорного обеспечения окружения: покрытие минимальным количеством сенсоров-наблюдателей, размещение навигационных сенсоров и сенсоров для сбора информации. В третьем разделе четвер-

той главы представлены результаты тестирования с помощью программного комплекса математических моделей для проблемы УБЬРР. В частности, проведено сравнение БАТ-решателей для проблемы УБЬРР. В четвертом разделе четвертой главы представлены результаты тестирования системы самосознания, анализирующей внешние и внутренние аномалии. Для анализа внешних аномалий проведено тестирование алгебры временных отношений, предложенной в диссертации, с другими алгебрами. Для анализа внутренних аномалий — тестирование расширенного генетического алгоритма, оперирующего внутренними состояниями мобильного робота.

Глава 1

Расстановка датчиков

Прародителем проблемы размещения датчиков является проблема покрытия множествами — одна из фундаментальных в теории вычислительной сложности и одна из наиболее известных и изучаемых. Интерес к рассмотрению различных модификации проблемы покрытия множествами в зависимости от практических приложений возник очень давно. В частности, следует отметить Art Gallery Problem, первые работы по которой относятся к 1970-м г. [29, 39]. В Art Gallery Problem необходимо обеспечить охрану художественной галереи минимальным количеством охранников, которые вместе должны обозревать всю галерею. С учётом модификации Art Gallery Problem является NP-трудной [89]. Представленная проблема в первоначальной постановке и на сегодняшний день вызывает существенный интерес и находит приложение в вычислительной геометрии [82]. Интерес к другим модификациям проблемы покрытия множествами не угасает до сих. Обзор различных модификаций в зависимости от практических приложений приведен в работе [73]. На сегодняшний день проблематика, связанная с покрытиями множествами, ещё далека от окончательного решения, что подтверждает, например, работа [125].

Применительно к робототехническим приложениям, использование формализации Art Gallery Problem не самый лучший вариант. В Art Gallery Problem рассматриваются многоугольники на плоскости. В многоугольнике точка обозревается, если существует такая обзорная точка, что интервал от неё до интересующей точки не пересекается с границей многоугольника. Такое определение обзорности существенно ограничивает области применения первоначальной формализации Art Gallery Problem, так как в этой проблеме рассматривается двухмерная пространство и не учитываются характерные особенности устройств, которые могут использоваться для обеспечения обзора. В частно-

сти, многие устройства могут обладать углом обзора, дальностью обзора, слепой зоной и другими не всегда очевидными характеристиками, которые в совокупности с естественными ограничениями в трехмерном пространстве могут иметь результирующие области обзора нетривиальной формы. Например, у видеокамер ограничены угол и дальность обзора [6], а ультразвуковые датчики имеют слепую зону [7], которая не позволяет увидеть объекты, находящиеся очень близко. Кроме того, использование датчиков, например, в горной местности может приводить к появление дополнительных слепых зон, связанных с особенностью рельефа местности. Также появлению дополнительных слепых зон может быть вызвано спецификой объектов наблюдения — произвольные по своей форме зоны радиоактивного поражения могут кардинально менять фактическую область обзора датчиков из-за наличия дополнительных излучений, которые нарушают корректную работу датчиков. Другим характерным примером является использование на театре военных действий технологий «Стеле» и «Аврора», которые уменьшают фактическую чувствительность датчиков или приводят к появлению фантомных объектов. Другое серьезное ограничением Art Gallery Problem — нахождение мест установки внутри исследуемой области, хотя в ряде случаев датчики не только могут находиться за её пределами, но и даже вообще не должны находиться внутри. Например, при наблюдении за зонами радиоактивного поражения необходимо минимизировать получаемое радиоактивное облучение [2].

Список литературы диссертационного исследования кандидат наук Шека, Андрей Сергеевич, 2014 год

Литература

1. Бабинов А. Б., Морнев М. JL, Окуловский Ю. С. и др. Об интеллектуальных алгоритмах управления роботами // Информационно-математические техноологии в экономике, технике и образовании. Вып. 4. Екатеринбург. УГТУ-УПИ. 2008. С. 169-175.

2. Быков А. В., Васильев А. В., Садовников Р. Н., Тырышкин С. Н. Способ определения положения точечного источника гамма-излучения // Патент на изобретение №2481597 (РФ) от 10.05.2013.

3. Морнев М. JL, Окуловский Ю. С., Попов В. Ю., Шека А. С. Проблемы интеллектуального моделирования колесных роботов / / Международная научная конференция «Информационно-математические технологии в экономике, технике и образовании». Тезисы докладов. Екатеринбург. УГТУ-УПИ. 2007. С. 229-231.

4. Окуловский Ю. С., Шека А. С. Об архитектуре роботов и интеллектуальном управлении ими // Научно-технический вестник СПбГУ ИТМО. 2008. Т. 48. С. 143-150.

5. Применение SAT решателей. URL: http://www.aloul.net/research.html (дата обращения: 03.06.2011).

6. Технические характеристики видеокамер AXIS. URL: http://www.axis. com/ru/files/cheat_sheets/us_latest.pdf (дата обращения: 22.08.2011).

7. Технические характеристики ультразвукового датчика. URL: http:// www.robotshop.com/media/files/pdf/datasheet-senl36b5b.pdf (дата обращения: 18.07.2013).

8. Эффект Маугли. URL: http://shkolazhizni.ru/archive/0/n-22277/ (дата обращения: 30.11.2010).

9. Alberti M., Bertoni A., Campadelli P. et al. A neural algorithm for MAX-2SAT: Performance analysis and circuit implementation // Neural Networks. 1997. Vol. 10. No. 3. P. 555-560.

10. Alissandrakis A., Nehaniv C., Dautenhahn K. Action, State and Effect Metrics for Robot Imitation. 2006. P. 232-237.

11. Allen J. F. An Interval-Based Representation of Temporal Knowledge // Proceedings of the 7th international joint conference on Artificial intelligence -Volume 1. 1981. Vol. 1. P. 221-226.

12. Anastassiou G., Duman O. Towards Intelligent Modeling: Statistical Approximation Theory. Springer, 2011. P. 236.

13. Andersen G., Burnheimer A., Cicirello V. et al. Intelligent systems demonstration: The Secure Wireless Agent Testbed (SWAT) // Proceedings of the National Conference on Artificial Intelligence. 2004. P. 1004-1005.

14. Aranda S., Martinez S., Bullo F. On optimal sensor placement and motion coordination for target tracking // Proceedings of the IEEE International Conference on Robotics and Automation. 2005. P. 4544-4549.

15. Armando A., Giunchiglia E. Embedding complex decision procedures inside an interactive theorem prover // Annals of Mathematics and Artificial Intelligence. 1993. Vol. 8. No. 3-4. P. 475-502.

16. Artificial Intelligence Journal. URL: http://www.journals.elsevier.com/ artificial-intelligence/ (дата обращения: 17.09.2012).

17. Asano Т., Williamson D. Improved approximation algorithms for MAX SAT // Journal of Algorithms. 2002. Vol. 42. No. 1. P. 173-202.

18. Autonomous Rotorcraft Testbed for Intelligent Systems. URL: http://www.

dlr.de/ft/en/desktopdefault.aspx/tabid-1387/1915_read-15851/ (дата обращения: 23.01.2012).

19. Barto A. G., Mahadevan S. Recent Advances in Hierarchical Reinforcement Learning // Discrete Event Dynamic Systems. 2003. Vol. 13. No. 4. P. 341-379.

20. Bautista J., Pereira J. A GRASP Algorithm to Solve the Unicost Set Covering Problem // Comput. Oper. Res. 2007. Vol. 34. No. 10. P. 3162-3173.

21. Bellman R. Dynamic Programming. Princeton University Press, 1957. P. 340.

22. Bessiere C., Hebrard E., Walsh T. Local consistencies in SAT // Sixth International Conference on Theory and Applications of Satisfiability Testing, Santa Margherita Ligure, Italy. 2003. P. 400-407.

23. Boden M. The Philosophy of Artificial Intelligence. Oxford University Press, 1990. P. 464.

24. Bongard J., Zykov V., Lipson H. Resilient machines through continuous self-modeling // Science. 2006. Vol. 314. No. 5802. P. 1118-1121.

25. Bozkurt E., Erzin E., Erdem С. E., Erdem A. Automatic emotion recognition for facial expression animation from speech // Proceedings of Signal IEEE 17th Processing and Communications Applications Conference. 2009. P. 989—992.

26. Budnicki Z. Modern Control Theory. Springer, 2005. P. 423.

27. Busoniu L., Babuska R., De Schutter В., Ernst D. Reinforcement Learning and Dynamic Programming Using Function Approximators. CRC Press, 2010. P. 280.

28. Biittner M., Rintanen J. Satisfiability planning with constraints on the number of actions // Proceedings of the Fifteenth International Conference on Automated Planning and Scheduling, Monterey, California, USA. 2005. P. 292-299.

29. Chvatal A. A combinatorial theorem in plane geometry // Journal of Combinatorial Theory, Series B. 1975. Vol. 18. No. 1. P. 39-41.

30. Cohen P. Fluent learning: Elucidating the structure of episodes // Proceedings of the fourth Symposium on Intelligent Data Analysis. 2001. P. 268-277.

31. Cohen P., Sutton C., Burns B. Learning effects of robot actions using temporal associations // Proceedings of the 2nd International Conference on Development and Learning. 2002. P. 96-101.

32. Davis M., Logemann G., Loveland D. A machine program for theorem proving // Communications of the ACM. 1962. Vol. 5. No. 7. P. 394-397.

33. Efrat A., Har-Peled S., Mitchell J. Approximation algorithms for two optimal location problems in sensor networks // Proceedings of the 2nd International Conference on Broadband Networks, Boston, Massachusetts, USA. 2005. Vol. 1. P. 714-723.

34. Ernst M., Millstein Т., Weld D. Automatic SAT-compilation of planning problems // Proceedings of the Fifteenth International Joint Conference on Artificial Intelligence, Nagoya, Japan. 1997. P. 1169-1176.

35. Ertel W. Introduction to Artificial Intelligence. Springer, 2011. P. 316.

36. Eurobot. URL: http://www.eurobot.org/ (дата обращения: 16.03.2012).

37. Fernanda В., Garcia F., Takada I. et al. Development of a testbed to intelligent systems on software defined radio // SBMO/IEEE MTT-S International Microwave and Optoelectronics Conference Proceedings. 2005. P. 259—262.

38. Ferreira C. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence. Springer, 2006. P. 498.

39. Fisk S. A short proof of Chvatal's Watchman Theorem // Journal of Combinatorial Theory, Series B. 1978. Vol. 24. No. 3. P. 374.

40. Fitzgibbons J. B., Fujimoto R. M., Guensler R. et al. Distributed Simulation Test Bed for Intelligent Transportation Systems Design and Analysis // Proceedings of the National Conference on Digital Government Research, Seattle, Washington, USA. 2004. P. 308-309.

41. Frisch A., Peugniez T. Solving non-boolean satisfiability problems with stochastic local search // Proceedings of the 17th International Joint Conference on Artificial Intelligence, Seattle, Washington, USA. 2001. P. 282-288.

42. Frisch A., Peugniez T., Doggett A., Nightingale P. Solving non-boolean satisfiability problems with stochastic local search: A comparison of encodings // Journal of Automated Reasoning. 2005. Vol. 35. No. 1-3. P. 143-179.

43. Genesereth M., Nourbakhsh I. Time-saving tips for problem solving with incomplete information //In Proceedings of the National Conference on AI. 1993. P. 724-730.

44. Gilbert W. Why genes in pieces? // Nature. 1978. Vol. 271. No. 5645. P. 501.

45. Goemans M., Williamson D. New 3/4-approximation algorithms for the maximum satisfiability problem // SIAM Journal on Discrete Mathematics. 1994. Vol. 7. No. 4. P. 656-666.

46. Gold K., Scassellati B. Using probabilistic reasoning over time to self-recognize // Robotics and Autonomous Systems. 2009. Vol. 57. No. 4. P. 384-392.

47. Gorbenko A., Lutov A., Mornev M., Popov V. Algebras of stepping motor programs // Applied Mathematical Sciences. 2011. Vol. 5. No. 33-36. P. 1679-1692.

48. Gorbenko A., Popov V. A genetic algorithm with expansion and exploration operators for the maximum satisfiability problem // Applied Mathematical Sciences. 2013. Vol. 7. No. 21-24. P. 1183-1190.

49. Gorbenko A., Popov V. Clustering algorithm in mobile ad hoc networks // Advanced Studies in Theoretical Physics. 2012. Vol. 6. No. 25-28. P. 1239-1242.

50. Gorbenko A., Popov V. On Starting Population Selection for GSAT //CD Proceedings of the 2nd International Conference on Machine Design and Manufacturing Engineering, 1-2, May, 2013, Jeju Island, South Korea. P. 190-193.

51. Gorbenko A., Popov V. On the problem of sensor placement // Advanced Studies in Theoretical Physics. 2012. Vol. 6. No. 21-24. P. 1117-1120.

52. Gorbenko A., Popov V. SAT solvers for the problem of sensor placement // Advanced Studies in Theoretical Physics. 2012. Vol. 6. No. 25-28. P. 1235-1238.

53. Gorbenko A., Popov V. Task-resource scheduling problem // International Journal of Automation and Computing. 2012. Vol. 9. No. 4. P. 429-441.

54. Gorbenko A., Popov V. The force law design of artificial physics optimization for starting population selection for GSAT // Advanced Studies in Theoretical Physics. 2013. Vol. 7. No. 1-4. P. 131-134.

55. Gorbenko A., Popov V. The force law design of artificial physics optimization for robot anticipation of motion // Advanced Studies in Theoretical Physics. 2012. Vol. 6. No. 13-16. P. 625-628.

56. Gorbenko A., Popov V. The problem of selection of a set of partially distinguishable guards // Applied Mathematical Sciences. 2013. Vol. 7. No. 13-16. P. 651-654.

57. Gorbenko A., Popov V., Sheka A. Localization on discrete grid graphs // Lecture Notes in Electrical Engineering. 2012. Vol. 107. P. 971-978.

58. Gu J., Purdom P., Franco J., Wah B. Algorithms for the satisfiability(SAT) problem: A survey // DIMACS Series in Discrete Mathematics and Theoretical Computer Science. 1997. Vol. 35. P. 19-151.

59. Han X., Cao X., Lloyd E., Shen C.-C. Fault-tolerant relay node placement in heterogeneous wireless sensor networks // IEEE Transactions on Mobile Computing. 2010. Vol. 9. No. 5. P. 643-656.

60. Haykin S. Neural Networks and Learning Machines. Prentice Hall, 2008. P. 936.

61. Hoos H. SAT-encodings, search space structure, and local search performance // Proceedings of the Sixteenth International Joint Conference on Ar-ticial Intelligence. 1999. P. 296-302.

62. Hoppner F. Discovery of temporal patterns — Learning rules about the qualitative behaviour of time series // Lecture Notes in Computer Science. 2001. No. 2168. P. 192-203.

63. Hoppner F., Klawonn F. Finding informative rules in interval sequences // Lecture Notes in Computer Sciences. 2001. Vol. 2189. P. 123-132.

64. Hsu W.-H., Chiang Y.-Y., Wu J.-S. Integrating weighted LCS and SVM for 3D handwriting recognition on handheld devices using accelerometers // WSEAS Transactions on Computers. 2010. Vol. 9. P. 235-251.

65. ISHM Testbeds and Prototypes. URL: http://csrp.psu.edu/files/ishm2005/ ishm_duncavage.pdf (дата обращения: 15.01.2010).

66. Isler V., Khanna S., Spletzer J., Taylor C. Target tracking with distributed sensors: The focus of attention problem // Computer Vision and Image Understanding. 2005. Vol. 100. No. 1-2. P. 225-247.

67. Jakkula V., Crandall A., Cook D. Knowledge discovery in entity based smart environment resident data using temporal relation based data mining // Proceedings of the Seventh IEEE International Conference on Data Mining Workshops. 2007. P. 625-630.

68. Jenkins О. Sparse control for high-DOF assistive robots // Intelligent Service Robotics. 2008. Vol. 1. No. 2. R 135-141.

69. Kautz H. SATPLAN04: Planning as satisfiability // International Planning Competition. 2004. P. 44-45.

70. Kawamura K., Dodd W., Ratanaswasd P., Gutierrez R. Development of a robot with a sense of self // Proceedings of IEEE International Symposium on Computational Intelligence in Robotics and Automation, CIRA. 2005. P. 211—217.

71. Kilani Y., Bsoul M., Alsarhan A., Al-Khasawneh A. A Survey of the Satisfiability-problems Solving Algorithms // Int. J. Adv. Intell. Paradigms. 2013. Vol. 5. No. 3. P. 233-256.

72. Kober J., Peters J. Reinforcement Learning in Robotics: A Survey. 2012. Vol. 12. P. 579-610.

73. LaValle S. M. Sensing and Filtering. A Fresh Perspective Based on Preimages and Information Spaces. Now Publishers Inc., 2012. P. 134.

74. Lee-Johnson C., Carnegie D. Mobile robot navigation modulated by artificial emotions // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. 2010. Vol. 40. No. 2. P. 469-480.

75. Lin P., Thapa N., St. Omer I. et al. Feature selection: A preprocess for data perturbation // IAENG International Journal of Computer Science. 2011. Vol. 38. No. 2. P. 168-175.

76. Lin Y., McCool M., Ghorbani A. Time series motif discovery and anomaly detection based on subseries join // IAENG International Journal of Computer Science. 2010. Vol. 37. No. 3. URL: http://www.iaeng.org/IJCS/issues_v37/ issue_3/IJCS_37_3_08.pdf (дата обращения: 05.03.2013).

77. Lorrentz P. Classification of incomplete data by observation // Engineering Letters. 2010. Vol. 18. No. 4. URL: Http://www.engineeringletters.com/issues_ vl8/issue_4/EL_18_4_01.pdf (дата обращения: 12.08.2012).

78. Maciejewski R., Woo I., Chen W., Ebert D. Structuring feature space: A non-parametric method for volumetric transfer function generation // IEEE Transactions on Visualization and Computer Graphics. 2009. Vol. 15. No. 6. P. 1473-1480.

79. Martinez S., Bullo F. Optimal sensor placement and motion coordination for target tracking // Automatica. 2006. Vol. 42. No. 4. P. 661-668.

80. McCulloch W., Pitts W. A logical calculus of the ideas immanent in nervous activity // The Bulletin of Mathematical Biophysics. 1943. Vol. 5. No. 4. P. 115-133.

81. Michael N., Fink J., Kumar V. Experimental Testbed for Large Multirobot Teams // Robotics Automation Magazine, IEEE. 2008. —March. Vol. 15. No. 1. P. 53-61.

82. Michael Т., Pinciu V. Art gallery theorems for guarded guards // Computational Geometry. 2003. Vol. 26. No. 3. P. 247-258.

83. Michel P., Gold K., Scassellati B. Motion-based robotic self-recognition // 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2004. Vol. 3. P. 2763-2768.

84. Morisset В., Ghallab M. Learning how to combine sensory-motor functions into a robust behavior // Artificial Intelligence. 2008. Vol. 172. No. 4-5. P. 392-412.

85. Nakanishi J., Cory R., Mistry M. et al. Operational Space Control: A Theoretical and Empirical Comparison // International Journal of Robotics Research. 2008. Vol. 27. No. 6. P. 737-757.

86. Nourbakhsh I. Robot information packet // Distributed at the AAAI-96 Spring Symposium on Planning with Infomplete Information for Robot Problems. 1996. P. 86-94.

87. Novianto R., Williams M.-A. The role of attention in robot self-awareness // Proceedings of the IEEE International Workshop on Robot and Human Interactive Communication. 2009. P. 1047-1053.

88. Oates T., Cohen P. Learning planning operators with conditional and probabilistic effects // Planning with Incomplete Information for Robot Problems: Papers from the 1996 AAAI Spring Symposium. 1996. P. 86-94.

89. O'Rourke J. Art Gallery Theorems and Algorithms. New York, NY, USA: Oxford University Press, Inc., 1987. P. 282.

90. Osmani A. Design and Evaluation of New Intelligent Sensor Placement Algorithm to Improve Coverage Problem in Wireless Sensor Networks // Journal of Basic and Applied Scientific Research. 2012. Vol. 2. P. 1431-1440.

91. Papadimitriou C. Computational Complexity. Addison-Wesley, 1994. P. 523.

92. Park C., Yoo J., Howard A. Transfer of skills between human operators through haptic training with robot coordination // Proceedings of the IEEE International Conference on Robotics and Automation. 2010. P. 229—235.

93. Peters J., Mulling K., Kober J. et al. Towards Motor Skill Learning for Robotics. 2011. Vol. 70. P. 469-482.

94. Plemenos D., Miaoulis G. Artificial Intelligence Techniques for Computer Graphics. Springer, 2008. P. 214.

95. Popov V. A genetic algorithm with expansion operator for the 3-satisfiability problem // Advanced Studies in Theoretical Physics. 2013. Vol. 7. No. 5-8. P. 359-361.

96. Popov V. Arc-preserving subsequences of arc-annotated sequences // Acta Uni-versitatis Sapientiae. Informatica. 2011. Vol. 3. No. 1. P. 35—47.

97. Popov V. Genetic algorithms with exons and introns for the satisfiability problem // Advanced Studies in Theoretical Physics. 2013. Vol. 7. No. 5-8. P. 355-358.

98. Popov V. GSAT with adaptive score function // Advanced Studies in Theoretical Physics. 2013. Vol. 7. No. 5-8. P. 363-366.

99. Popov V. Partially distinguishable guards // Applied Mathematical Sciences. 2012. Vol. 6. No. 129-132. P. 6587-6591.

100. Popov V. Sorting by prefix reversals // IAENG International Journal of Applied Mathematics. 2010. Vol. 40. No. 4. P. 1-4.

101. Popov V. The Longest Common Subsequence Problem for Arc-Annotated Sequences // International Mathematical Forum. 2011. Vol. 6. No. 43. P. 2133-2141.

102. Qadir O., Liu J., Tempesti G. et al. From Bidirectional Associative Memory to a noise-tolerant, robust Protein Processor Associative Memory // Artificial Intelligence. 2011. Vol. 175. No. 2. P. 673-693.

103. Rainsford C., Roddick J. Adding temporal semantics to association rules // Principles of Data Mining and Knowledge Discovery. 1999. Vol. 1704. P. 504-509.

104. Rashidi P., Cook D., Holder L., Schmitter-Edgecombe M. Discovering activities to recognize and track in a smart environment // IEEE Transactions on Knowledge and Data Engineering. 2011. Vol. 23. No. 4. P. 527-539.

105. Robocup. URL: http://www.robocup.org/ (дата обращения: 07.06.2013).

106. SAT Format. URL: http://www.cs.ubc.ca/~hoos/SATLIB/Benchmarks/SAT/ satformat.ps (дата обращения: 28.12.2011).

107. SAT solvers. URL: http://people.cs.ubc.ca/~hoos/SATLIB/index-ubc.html (дата обращения: 12.08.2010).

108. Schaal S., Atkeson C. G., Vijayakumar S. Scalable Techniques from Nonpara-metric Statistics for Real Time Robot Learning // Applied Intelligence. 2002. Vol. 17. No. 1. P. 49-60.

109. Scherrer K., Spohr G., Granboulan N. et al. Nuclear and cytoplasmic messenger-like RNA and their relation to the active messenger RNA in polyribosomes of HeLa cells // Cold Spring Harbor Symposium. 1970. Vol. 35. P. 539-554.

110. Spears W., Spears D., Hamann J., Heil R. Distributed, physics-based control of swarms of vehicles // Autonomous Robots. 2004. Vol. 17. No. 2-3. P. 137-162.

111. Spears W., Spears D., Heil R. et al. An overview of physicomimetics // Lecture Notes in Computer Science. 2005. Vol. 3342. P. 84-97.

112. Spletzer J., Taylor C. Dynamic sensor planning and control for optimally tracking targets // International Journal of Robotics Research. 2003. Vol. 22. No. 1. P. 7-20.

113. Stoytchev A. Self-detection in robots: A method based on detecting temporal contingencies // Robotica. 2011. Vol. 29. No. 1. P. 1-21.

114. Sumpeno S., Hariadi M., Purnomo M. Facial emotional expressions of life-like character based on text classifier and fuzzy logic // IAENG International Journal of Computer Science. 2011. Vol. 38. No. 2. P. 122-133.

115. Susca S., Bullo F., Martinez S. Monitoring environmental boundaries with a robotic sensor network // IEEE Transactions on Control Systems Technology. 2008. Vol. 16. No. 2. P. 288-296.

116. Sutton R. S., Barto A. G. Introduction to Reinforcement Learning. 1st edition. Cambridge, MA, USA: MIT Press, 1998. P. 322.

117. Suzuki Т., Inaba K., Takeno J. Conscious robot that distinguishes between self and others and implements imitation behavior // Proceedings of the 18th international conference on Innovations in Applied Artificial Intelligence. 2005. P. 101-110.

118. Takeno J., Inaba K., Suzuki T. Experiments and examination of mirror image cognition using a small robot // Proceedings of the IEEE International Symposium on Computational Intelligence in Robotics and Automation, CIRA. 2005. P. 493-498.

119. Tamosiunaite M., Asfour Т., Worgotter F. Learning to reach by reinforcement learning using a receptive field based function approximation approach with continuous actions // Biological Cybernetics. 2009. Vol. 100. No. 3. P. 249-260.

120. Tekdas O., Isler V. Sensor placement for triangulation-based localization // IEEE Transactions on Automation Science and Engineering. 2010. Vol. 7. No. 3. P. 681-685.

121. The Connected Vehicle Test Bed. URL: http://www.its.dot.gov/factsheets/ connected_vehicle_testbed_factsheet.htm (дата обращения: 08.04.2012).

122. Tovey С., Koenig S. Gridworlds as testbeds for planning with incomplete information // Proceedings of the seventeenth national conference on artificial intelligence. 2000. P. 819-824.

123. Tovey C., Koenig S. Localization: Approximation and performance bounds to minimize travel distance // IEEE Transactions on Robotics. 2010. Vol. 26. No. 2. P. 320-330.

124. Vosse Т., Kempen G. The Unification Space implemented as a localist neural

net: Predictions and error-tolerance in a constraint-based parser // Cognitive Neurodynamics. 2009. Vol. 3. No. 4. P. 331-346.

125. Wang T., Zhang C., Xiong J., Shi Y. Eagle-eye: A Near-optimal Statistical Framework for Noise Sensor Placement. 2013. P. 437—443.

126. Wang Y.-J., Lin C.-T. Runge Kutta Neural Network for identification of continuous systems // Proceedings of the IEEE International Conference on Systems, Man and Cybernetics. 1998. Vol. 4. P. 3277-3282.

127. Watson J. Detection of self: The perfect algorithm // Self-awareness in animals and humans: Developmental perspectives. 1994. P. 131—148.

128. Witkowski M., Randell D., Shanahan M. Deriving fluents from sensor data for mobile robots // Anchoring Symbols to Sensor Data in Single and Multiple Robot Systems, Proceedings of the 2001 AAAI Fall Symposium. 2001. P. 44-51.

129. Xie L., Zeng J. The performance analysis of artificial physics optimization algorithmdriven by different virtual forces // ICIC Express Letters. 2010. Vol. 4. No. 1. P. 239-244.

130. Zadeh S., Shouraki S., Halavati R. Using Decision Trees to Model an Emotional Attention Mechanism // Proceeding of the 2008 Conference on Artificial General Intelligence. 2008. P. 374-385.

131. Zhang W., Xue G., Misra S. Fault-tolerant relay node placement in wireless sensor networks: Problems and algorithms // Proceedings - IEEE INFOCOM. 2007. P. 1649-1657.

Список публикаций

132. Брусянин Д. А., Вихарев С. В., Шека А. С. Интеллектуальная система анализа пассажиропотоков с использованием технического зрения // Транспорт Урала. 2012. Т. 2(33). С. 86-89. (по перечню ВАК).

133. Шека А. С. Экспериментальный анализ алгебр отношений для идентификации отказов мобильных роботов // Транспорт Урала. 2013. Т. 3(38). С. 53-57. (по перечню ВАК).

134. Gorbenko A., Mornev М., Popov V., Sheka A. The problem of sensor placement // Advanced Studies in Theoretical Physics. 2012. Vol. 6. No. 20. P. 965-967. (по перечню ВАК).

135. Gorbenko A., Mornev M., Popov V., Sheka A. The problem of sensor placement for triangulation-based localisation // International Journal of Automation and Control. 2011. Vol. 5. No. 3. P. 245-253. (по перечню ВАК).

136. Gorbenko A., Popov V., Sheka A. Robot self-awareness: Exploration of internal states // Applied Mathematical Sciences. 2012. Vol. 6. No. 14. P. 675-688. (по перечню ВАК).

137. Gorbenko A., Popov V., Sheka A. Robot self-awareness: Temporal relation based data mining // Engineering Letters. 2011. Vol. 19. No. 3. P. 169-178. (по перечню ВАК).

138. Sheka A. On the Valid Deterministic Localization Plan Problem // Applied Mathematical Sciences. 2013. Vol. 7. No. 97. P. 4829-4838. (по перечню ВАК).

139. Sheka A. Problems of Sensor Placement for Intelligent Environments of Robotic Testbeds // International Journal of Mathematical Analysis. 2013. Vol. 7. No. 47. P. 2333-2339. (по перечню ВАК).

140. Брусянин Д. А., Вихарев С. В., Горбенко А. А., Попов В. Ю., Шека А. С. Интеллектуальная система мониторинга пассажиропотока транспортного комплекса региона // Инновационный транспорт. 2012. Т. № 2(3). С. 41—43.

141. Горбенко А. А., Морнев М. Л., Попов В. Ю., Шека А. С. Об организации стационарного визуального наблюдения // Материалы всероссийской молодежной школы-конференции «Современные проблемы математики» (31.01.2011 - 6.02.2011). С. 311-314.

142. Горбенко А. А., Попов В. Ю., Шека А. С. Автономное подключение к источникам питания для мобильных роботов // Материалы всероссийской молодежной школы-конференции «Современные проблемы математики» (29.01.2012 - 5.02.2012). С. 214-216.

Патенты и свидетельства о регистрации

программ

143. Брусянин Д. А., Вихарев С. В., Горбенко А. А., Попов В. Ю., Шека А. С. Интеллектуальная система мониторинга пассажиропотока с использованием технического зрения // Патент на полезную модель №121628 (РФ) от 27.10.2012.

144. Вихарев С. В., Шека А. С. Система управления мобильным роботом // Патент на полезную модель №123362 (РФ) от 27.12.2012.

145. Горбенко А. А., Шека А. С. Управляющая программа гусеничного робота Кигта-П // Свидетельство о государственной регистрации программы для ЭВМ №2012616119 от 4.06.2012.

146. Шека А. С. Управляющая программа колесного робота Кигта-1 // Свидетельство о государственной регистрации программы для ЭВМ №2012611028 от 24.01.2012.