Нейроинтерпретатор дальномерной информации для мобильного робота тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Захарова, Нина Федоровна

• Захарова, Нина Федоровна
• кандидат технических наук
• 1998

Оглавление диссертации кандидат технических наук Захарова, Нина Федоровна

Введение

Глава 1. Разработка интерпретатора дальномерной информации на базе нейрокомпьютерной техники.

1.1. Обоснование использования нейронных структур для обработки дальномерной информации.

1.2. Общая структура интерпретатора

1.3. Выводы по материалам главы

Глава 2. Алгоритмы выделения непроходимых одиночных препятствий.

2.1. Стратегия обнаружения непроходимых одиночных препятствий.

2.2. Разработка нейросетевой модели выделения непроходимых одиночных препятствий на основе синтеза методов фильтрации и сравнения гипотез.

2.2.1. Математическая постановка задачи выделения непроходимых одиночных препятствий.

2.2.2. Оценка дальностной информации при отсутствии одиночных препятствий.

2.2.3. Разработка НС оценки дальностной информации при наличии одиночных препятствий.

2.2.4. Разработка нейроалгоритма сравнения рисков Байеса.

2.3. Разработка алгоритма выделения непроходимых одиночных препятствий с помощью обучающейся нейронной сети.

2.4. Выводы по материалам главы

Глава 3. Разработка нейроалгоритмов выделения непроходимых наклонных участков поверхности и препятствий-навесов.

3.1. Модели перехода от сферической к декартовой системе координат.

3.2. Нейроалгоритм выделения непроходимых уклонов в зоне обзора AMP.

3.3. Разработка нейроалгоритма выделения непроходимых препятствий-навесов.

3.3.1. Формализация критериев проходимости препятствий-навесов.

3.3.2. Построение нейронной сети выделения препятствий-навесов.

3.4. Формирование матрицы скорректированных высот.

• 3.5. Выводы по материалам главы

Глава 4. Разработка нейросетевых методов оконтуривания непроходимых участков поверхности и формирования выходной информации.

4.1. Нейроалгоритм обобщения информации о непроходимых участках поверхности зоны обзора AMP

4.2. Нейросетевой метод оконтуривания непроходимых участков поверхности.

4.3. Формирование результирующей матрицы

4.4. Выводы по материалам главы

Глава 5 о Экспериментальная система интерпретации даль номерной информации.

5.1. Описание программно-аппаратного комплекса для проведения экспериментальных исследований.

5.2. Модели робота и поверхности. Моделирование системы интерпретации даль номерной информации.

5.3. Выводы по материалам главы

Введение диссертации (часть автореферата) на тему «Нейроинтерпретатор дальномерной информации для мобильного робота»

Робототехника является важным показателем развития научно-технического, промышленного и военного потенциала страны [118], характеристикой ее технического прогресса. Актуальность и совершенствование этого направления науки и техники характеризуется тенденцией к автоматизации и интеллектуализации различных отраслей, применению более современных технологий, не связанных с ограничениями, налагаемыми непосредственным участием в них человека [75].

Одним из приоритетных направлений робототехники является разработка мобильных роботов (MP) , предназначенных для перемещения в разнообразных проблемных средах [43].

Область применения мобильных роботов простирается от производств с высокой степенью автоматизации, использующих технологию на основе применения гибких производственных систем (ГПС) - то есть систем, объединяющих совместно функционирующую в едином производственном процессе группу станков (или рабочих станций), управляемых с помощью ЭВМ и легко переналаживаемых под выпуск широкой номенклатуры изделий [21], до использования во враждебных или представляющих опасность для человека производствах и средах. Во втором случае, а также в особо трудных или вредных для здоровья человека условиях, например под водой, в шахтах, в космосе, в агрессивных газовых и жидкостных средах [62, 74, 7 6], возникает необходимость выполнения работ без участия человека. В таких условиях используют автономные мобильные роботы (AMP), способные самостоятельно принимать решения в процессе адаптации к изменяющимся условиям внешней среды.

В соответствии с этим разрабатываются системы управления (СУ) сельскохозяйственных роботов [108], роботов для работы в цехах заводов и фабрик [100], подводных роботов [56], роботов для шахт [93], для работы в космосе и на поверхности планет [2, 89, 136] и в других экстремальных условиях [62, 66, 68, 69].

Использование AMP позволяет решать разнообразные проблемы на различных уровнях обобщения и трудности, в областях, которые охватывают вопросы восприятия, принятия решений, реализации коммуникаций и т.д. Все эти вопросы необходимо рассматривать в совокупности с такими атрибутами, как обработка данных в режиме их поступления, функциональные возможности, надежность работы [43].

Вследствие этого ключевыми вопросами в развитии AMP являются:

• восприятие окружающей обстановки в пространстве;

• планирование и принятие решений;

• выполнение задач управления в реальном масштабе времени.

Главное отличие AMP от других типов роботов состоит в том, что AMP перемещается по практически неограниченному пространству и должен преодолевать встречающиеся на пути препятствия [14].

Существует два основных типа модели внешней среды, в которых осуществляется перемещение робота. В первом случае рассматривается работа в хорошо организованной среде. Сюда относятся модели внешней среды большинства производственных мобильных роботов, функционирующих в обстановке, приспособленной для деятельности человека, типа склад, цех, коридор и т.п. [121]. Процессы восприятия внешней проблемной среды в этом случае могут существенно опираться на априорную информацию о ее свойствах (план, описание предметов и w \ их свойств и т.п.) и на специально организованные информационные сигналы (метки-ориентиры, метки-классификаторы и т.п.).

Второй, наиболее интересный тип моделей внешней среды связан с работой в заранее неизвестной или плохо известной обстановке. Подобные задачи возникают при создании AMP, предназначенных для работы на заранее неизвестной местности. Для решения таких задач прежде всего необходимо учитывать тип движителя. В настоящее время наибольшее распространение получили следующие типы движителей MP: колесные [1, 8], шагающие [8, 39, 88], гусеничные [61], колесно-гусеничные [61], колесно-шагающие [17], прыгающие [61]. С учетом этих конструктивных особенностей разрабатываются системы управления AMP и формируются их информационные системы.

Существенная роль при разработке СУ роботов данного типа отводится получению и интерпретации информации о среде функционирования AMP, выполняемой системой технического зрения (СТЗ) [75]. Для получения информации об априорно неизвестной внешней среде функционирования AMP необходимо сенсорное устройство, позволяющее моделировать зрение человека. Сенсорная система динамического объекта, в частности, мобильного робота, должна снабжать его систему управления информацией о текущей ситуации во внешней среде (наличии, местоположении, типе и т.п. объектов воздействия, препятствий и др.). Эта информация может поступать на разные уровни СУ. Например, данные о расположении препятствий нужны на высшем уровне для построения модели рабочей среды в целях планирования действий робота; результаты классификации объекта - на стратегическом уровне для расчленения общего плана действий на конкретные манипуляционные операции, задания их последовательности и параметров; информация об отклонении фактической траектории от предусмотренной - на исполнительном уровне для выработки управляющих сигналов на приводы и т.д. [81, 95, 99] .

Последние годы характеризуются появлением ряда работ, в которых указываются пути преодоления априорной неопределенности при решении задач приема и обработки информации. Эффективный путь решения указанной проблемы - использование адаптивных систем [3, 7, 12, 55, 69, 102, 110, 136] . При этом под адаптацией понимается обучение и самообучение, а также процесс оптимальной перестройки структуры приемного устройства в соответствии с критериями качества. Выбор критериев оптимальности, естественно, определяется назначением системы [30, 103, 137].

Роль AMP со встроенной системой технического зрения особенно существенна при расширении процесса роботизации в таких областях, как горнодобывающая промышленность, строительство, сельское и лесное хозяйство и т.п., где рабочая среда носит плохо структурированный характер. Системы технического зрения необходимы роботам, предназначенным для исследования космического и подводного пространства, используемым при стихийных бедствиях и др. В таких случаях СТЗ должна не только обеспечивать данные для непосредственной выработки сигналов обратной связи при управлении движением робота и передачу сведений об окружающей среде, но и готовить информацию для формирования роботом модели рабочей среды в целях автоматического планирования действий [42, 75, 95, 99] .

При разработке СТЗ в ряде случаев можно использовать те или иные из созданных ранее технических средств, алгоритмов или приспособить их к задачам робототехники с незначительной модификацией. Однако часто специфика робототехнических приложений требует развития оригинальных подходов к созданию СТЗ с учетом новых функциональных задач, конкретных возможностей реализации и условий работы в составе робототехнических систем.

Проблемы, связанные с техническим зрением роботов, достаточно хорошо исследованы в работах JI.H. Лупичева [67], В.И. Новожилова [67], Ю.Г. Якушенкова, B.C. Розова [51, 81] и др., где в качестве сенсорных элементов, являющихся важнейшей частью СТЗ, использовались фотометрические, ультразвуковые [60], локационные (с использованием рентгеновских и у-лучей), оптические триангуляционные, фотонные, моно- и стереотелевизионные датчики.

Создание СТЗ робота, отвечающей ее конкретному функциональному назначению, включает следующие этапы:

• постановку задачи на содержательном уровне и составление технического задания на СТЗ;

• выбор структурной и функциональной схем СТЗ;

• математическую формулировку задач функциональных блоков СТЗ;

• разработку алгоритмов решения функциональных задач;

• выбор средств реализации алгоритмов и конкретизации технических характеристик аппаратных, аппаратно-программных и программных блоков СТЗ в соответствии с техническим заданием;

• разработку аппаратного и программного обеспечения СТЗ.

Системы технического зрения робота по функциональному назначению (в зависимости от области и конкретных условий его применения) можно подразделить на много классов. Наиболее типичными функциями СТЗ являются: регистрация наличия объекта в поле зрения датчика (зоне обзора робота); подсчет числа объектов, находящихся в зоне обзора; считывание и расшифровка меток; обнаружение препятствий, мешающих движению робота; классификация (распознавание) объектов; поиск нужных объектов на рабочей сцене; измерение геометрических параметров объекта и т.д. [1, 81]. В данной работе рассматривается один из классов СТЗ, основной задачей которой является интерпретация информации, получаемой со сканирующего дальномерного устройства с целью обнаружения непроходимых участков поверхности.

Для выделения непроходимых участков поверхности необходимо составить систему условий, так называемые "критерии проходимости". Для колесного многоприводного AMP существуют следующие критерии статической непроходимости (при скорости робота, близкой к нулю) [44, 45, 46]:

1. Одиночно выступающие препятствия (камни, валуны, эскарпы, контрэскарпы) считаются непроходимыми, если высота препятствия превышает треть диаметра колеса робота;

2. Препятствие в виде рва (канавы) непроходимо, если его ширина превышает некоторую величину, определяемую расстоянием между крайними осями робота;

3. Наклонная поверхность считается непроходимой, если ее наклон превышает некоторое значение, определяемое наименьшим из критических углов крена и дифферента робота;

4. Поверхность непроходима, если возможен отрыв от поверхности хотя бы одного колеса;

5. Поверхность непроходима, если происходит касание ее днищем робота, или если робот принимает такое положение, когда крен его и дифферент превышают критические значения.

Аналогичные условия непроходимости могут быть сформулированы и для шагающего робота.

Задача проверки условий проходимости может быть решена идентификацией поверхности в зоне обзора с получением оценок ее параметров, соответствующих физическим условиям проходимости, методом расчленения сложных форм поверхности на более простые элементы (классы), исходя из критериев непроходимости [44].

К системам управления адаптивных роботов, способных эффективно функционировать в условиях недетерминированной внешней среды, в том числе AMP, предназначенных для использования в рабочей зоне с вредными и опасными для человека условиями, в военных целях и других специальных применений, предъявляются достаточно противоречивые требования [54, 55]. Такие системы должны обрабатывать большие объемы информации в реальном масштабе времени, определяемом темпом поступления информации и скоростью перемещения робота, а с другой - массогабаритные и энергетические характеристики технических средств должны удовлетворять жестким ограничениям и обеспечивать возможность функционирования на борту AMP [8 9]. Первое требование связано с обеспечением непрерывного движения на местности и глубины планирования движения.

В качестве сенсорного устройства могут выступать телевизионные [43, 81] или даль номерные [5, 18, 22, 39, 48, 81, 95, 114] датчики.

Однако, если AMP функционирует в условиях труднопроходимого рельефа, сложность задач совместного анализа последовательности изображений (поступающих с одной или нескольких телекамер), необходимого для определения пространственных координат объектов внешней среды, резко возрастает, что приводит к ограничению скорости движения робота. В частности, экспериментальный робот, созданный в рамках исследовательской программы NASA по проблемам навигации планетоходов, оснащенный двумя стереоскопическими телекамерами и вычислительной системой на базе процессора Motorola 68040, мог перемещаться со скоростью 1.5 м/с [133].

Из этих соображений очевидно, что использование дальномерных СТЗ, позволяющих получать информацию о внешней среде непосредственно в виде ее геометрических характеристик, значительно упрощает последующую обработку. При этом среди существующих и перспективных дальномерных систем требованиям, предъявляемым к бортовым системам, наилучшим образом отвечают СТЗ на основе сканирующего лазерного дальномера (СЛД), вырабатывающего данные в сферической системе координат. Существенными особенностями СЛД являются сравнительное небольшое энергопотребление, масса, они компактны, обладают достаточным быстродействием, разрешающей способностью и точностью измерений (в настоящее время разработаны СЛД с инструментальной погрешностью, составляющей 0.1-0.2 мм на расстояниях до 100 м) [22, 55].

Подавляющее большинство лазерных дальномеров (ЛД) , используемых в настоящее время, содержит твердотельный лазер с оптической накачкой в качестве источника передаваемой мощности [106] .

Лазеры являются источниками света от инфракрасного до ультрафиолетового излучения. Частично они излучают непрерывно, частично в виде отдельных импульсов. Почти всегда излучение монохроматично и сильно сфокусировано. Посредством твердотельных лазеров достижима очень высокая импульсная мощность, что приобретает особое значение в науке и технике. При помощи их удается создавать и излучать отдельные световые вспышки особо высокой энергии (лазер с нечетким импульсом). Такая световая вспышка, как только она отразится от любого объекта, снова может приниматься фотодиодом. Оба процесса - излучение и прием - можно записать во времени, благодаря своей взаимосвязи они способствуют созданию метода быстрого и точного измерения дальности [71].

В качестве лазерных источников могут использоваться твердотельные лазеры (содержат рабочее тело, способное создавать оптическое усиление в резонаторе, в котором возникает положительная обратная связь), газовые лазеры (с непрерывным излучением), полупроводниковые лазеры (используются в точных дальномерах и в датчиках при дальности 10-100 м) [106].

I Измерение дальности представляет собой информацию • об относительном движении между дальномерным устройством и объектом измерения. Время прохождения лазерного импульса до цели и обратно определяет измеряемое оптическое расстояние, которое отличается от геометрического расстояния в результате воздействия рефракции, дисперсии и турбулентности атмосферы. Это различие в основном зависит от температуры и давления атмосферы [116] .

Современный (классический) метод измерения дистанции основан на оптическом дистанционном измерении, триангуляции. При переходе к большим длинам необходимо считаться со значительным увеличением погрешности, обусловленным неточностью системы [71].

При известной скорости распространения, которая может приниматься постоянной по всему участку, можно с достаточной точностью определить дальность. Искомая дальность R получается из простой связи между временем рассеяния импульса At и скоростью распространения света С0 [71]:

2 0

Наряду с самостоятельным применением все большее значение придается СЛД в качестве составной части комплексной электротехнической системы измерения и наблюдений, при помощи которой, кроме точного опознавания объекта, осуществляется надежное, быстрое и точное измерение (в частности, СЛД использовался для слежения за мишенями с целью мгновенного определения положения высокоскоростных летательных аппаратов, для измерения дальности до Луны и до искусственных спутников Земли и т.п. [106]). Устройства такого рода имеют типичный радиус действия до 10 км (он определяется выбором параметров устройства). При неблагоприятных условиях погоды он может уменьшаться, так как потери на поглощение в атмосфере и обратное рассеяние излучения в парах воды, промышленных отходящих газах и мельчайших частицах пыли означает снижение интенсивности, возрастающее с дальностью. Влияние этого коэффициента снижения на максимально возможный радиус действия и его связь с соответствующими энергетическими параметрами и параметрами измерения объекта может быть представлено уравнением [71]:

R2 где:

РЕ - мощность принимаемого сигнала;

Ps - излучаемая мощность;

Д - постоянная поглощения воздуха;

R - искомая дальность;

Fe - площадь в месте приема; rz - коэффициент отражения цели.

Использование СЛД требует разработки соответствующего алгоритмического обеспечения систем технического зрения.

В работе предполагается, что сканирование зоны обзора лучом лазерного дальномера может быть проведено как в условиях "прямоугольной", так и в условиях "косоугольной" съемки. В этих условиях при априори неизвестном виде и распределении препятствий важно обеспечить необходимую плотность замеров. Наиболее целесообразной при этом считается равномерная плотность замеров, то есть такое сканирование, при котором на ровной поверхности точки замеров отстоят на приблизительно одинаковом расстоянии друг от друга, достаточном для выявление мелких непроходимых препятствий.

Прежде чем начать анализ какого-либо явления или объекта, нужно получить о них определенную, каким-либо способом упорядоченную информацию. Такая информация представляет собой характеристику объектов или явлений [20] .

Опыт автоматизации сложных объектов показал, что необходимо использовать все возможности классической теории управления, но там, где это невозможно, следует где:

РЕ - мощность принимаемого сигнала;

Ps - излучаемая мощность;

Д - постоянная поглощения воздуха;

R - искомая дальность;

Fe - площадь в месте приема; rz - коэффициент отражения цели.

Использование СЛД требует разработки соответствующего алгоритмического обеспечения систем технического зрения.

В работе предполагается, что сканирование зоны обзора лучом лазерного дальномера может быть проведено как в условиях "прямоугольной", так и в условиях "косоугольной" съемки. В этих условиях при априори неизвестном виде и распределении препятствий важно обеспечить необходимую плотность замеров. Наиболее целесообразной при этом считается равномерная плотность замеров, то есть такое сканирование, при котором на ровной поверхности точки замеров отстоят на приблизительно одинаковом расстоянии друг от друга, достаточном для выявление мелких непроходимых препятствий.

Прежде чем начать анализ какого-либо явления или объекта, нужно получить о них определенную, каким-либо способом упорядоченную информацию. Такая информация представляет собой характеристику объектов или явлений [20] .

Опыт автоматизации сложных объектов показал, что необходимо использовать все возможности классической теории управления, но там, где это невозможно, следует органа манипулятора, прямые и обратные задачи кинематики и динамики. СУ мобильными роботами, автомобилем [122], автономными подводными аппаратами в настоящее время также разрабатываются на НС.

Так как AMP должен обладать способностью адаптироваться к произвольной реальной среде функционирования, а также вырабатывать управляющие воздействия в реальном масштабе времени, то целесообразно разрабатывать как его систему управления в целом, так и подсистему интерпретации дальномерной информации в нейросетевом логическом базисе.

При разработке нейросетевых моделей решения различных задач используются, как правило, два различных подхода. Первый состоит в том, чтобы переложить на нейронную сеть уже существующие хорошо зарекомендовавшие себя классические (традиционные) последовательные алгоритмы. Но, как правило, данный подход не приносит ожидаемого эффекта, так как методы, применяемые в разработках, реализованных на микропроцессорных ЭВМ, используют лишь небольшую часть возможностей НС и зачастую оказываются громоздкими и малоэффективными при реализации в нейрокомпьютерном логическом базисе. Поэтому наиболее часто используется второй подход, состоящий в разработке новых алгоритмов решения непосредственно в нейросетевом исполнении с учетом достоинств существующих методов.

В нашей стране и за рубежом уже продолжительное время ведутся работы по созданию AMP с СТЗ [43, 126, 133, 135] .

Впервые исследования в области производства MP были начаты в Стэнфордском исследовательском институте в конце 60-х годов [43] . В 1968 и 1971 гг. были созданы две версии автономного мобильного робота SHAKEY. Этот робот имел два свободных колеса и два независимо управляемых колеса, имеющих приводы от шаговых двигателей; был оснащен телекамерой, оптическим дальномером и несколькими датчиками касания.

В университете Беркли в 1970-1975 годах был создан робот JASON, у которого в качестве датчиков выступали ультразвуковой сканирующий дальномер и 8 инфракрасных дальномеров на светоизлучающих диодах. В 1975-1979 годах для исследования планет солнечной системы был создан робот Mars ROVER, представляющий собой тележку небольшого размера [126].

Относительная сложность функциональных задач СТЗ характеризуется рядом признаков, таких как размерность рассматриваемой сцены (дву- или трехмерные), степень изолированности объектов, однородность объектов, стационарность рабочей сцены, число элементов изображения, число градаций яркости, спектральный состав видеосигнала.

Задачи распознавания объектов реального трехмерного мира, наблюдаемых в естественных условиях, составляют отдельную область приложения методов распознавания образов и методов искусственного интеллекта [20]. Объемность рассматриваемых объектов заметно увеличивает трудность решения задач по сравнению с более традиционными задачами распознавания одно- и двухмерных объектов.

В конце 70-х годов разрабатывался мобильный робот HILARE, предназначенный для функционирования в среде, представляющей собой гладкую (или почти гладкую) поверхность, окруженную стенами, которые образуют комнаты, холлы, коридоры; в них могут находиться различные перемещаемые объекты, мобильные и неподвижные препятствия. HILARE представлял собой трехколесную транспортную тележку, оснащенную ультразвуковой сенсорной системой и видеодатчиками (лазерным дальномером и телекамерой), имеющую вес 400 кг, размеры 1100x1100x700 и достигающую максимальную скорость 1 м/с.

Под руководством профессора К.Н. Шена (США) построен макет автономного колесного транпортного робота, оснащенного лазерной СТЗ, с б-ю неповоротными мотор-колесами, предназначенного для исследования планеты Марс [136].

Значительных результатов достиг коллектив, возглавляемый Д.Е. Охоцимским и А.К. Платоновым, разработавший действующие макеты шестиногого шагающего и четырехколесного роботов, снабженных СТЗ на базе полупроводникового лазерного дальномера. Построен программно-аппаратный комплекс для управления этими макетами. Исследованы теоретические и практические проблемы, связанные со сбором и обработкой информации, поступающей с дальномера, и необходимой для обеспечения движения робота [88].

Коллективом под руководством A.JI. Кемурджиана построены робот с неповоротными мотор-колесами и колесно-шагающий робот с системой технического зрения (СТЗ) на основе полупроводникового лазерного дальномера [2, 57] . СТЗ позволяет прогнозировать профильную проходимость на полкорпуса вперед.

Обработка информации производится на аналоговом устройстве.

Коллективом под руководством Н.М. Амосова и Э.М. Куссуля создан трехколесный робот "ТАИР", снабженный СТЗ на базе триангуляционного оптического дальномера. Обработка информации ведется на устройстве, построенном на основе М-сетей [8].

В институте проблем управления (ИПУ) построен транспортный робот "Кентавр" с восемью неповоротными колесами и СТЗ на основе ТВ-камеры и полупроводникового лазерного дальномера [16, 17].

Для вышеперечисленных AMP СТЗ были основаны на алгоритмах, предназначенных для реализации на последовательной технике, что ведет к существенным ограничениям в скорости обработки информации, которая должна быть проанализирована и интерпретирована.

Подход к разработке СТЗ, основанной на использовании однородных нейроподобных структур, был предложен при построении AMP коллективом под руководством А. В. Каляева [54] . Его недостатками является сложная организация СТЗ и недостаточно большая глубина просмотра.

Из последних работ следует отметить комплексную реализацию системы управления автономным транспортным роботом "MAVIN" (Mobile Adaptive Visual Navigator) специалистами Бостонского университета с использованием динамических нейронных сетей. Его СТЗ основана на классических методах обработки информации [119].

Аналогичные работы проводились в Германии, Японии и др. странах [108, 129, 130].

• Разработка нейроалгоритма и построение нейросетевой модели выделения непроходимых одиночных препятствий в зоне обзора AMP.

• Выбор критериев проходимости и разработка адекватного нейросетевого метода для выделения препятствий-навесов.

• Выделение непроходимых уклонов на поверхности зоны обзора AMP с целью выявления тех участков поверхности, на которых робот может перевернуться.

• Оконтуривание всех определенных непроходимых участков поверхности.

• Формирование выходной информации в виде результирующей матрицы, содержащей информацию о всех непроходимых участках зоны обзора робота с учетом оконтуривания.

Поставленные задачи решаются с учетом критериев статической проходимости на основе применения классических нейросетевых парадигм и разработки специализированных НС. Используются методы классификации областей, методы прямого и обратного распространения информации по НС, метод обучения НС с учителем.

Для исследования синтезируемых алгоритмов и их нейросетевой реализации широко применялось моделирование на ПЭВМ. Окончательные исследования нейросетевого обеспечения проводились на многопроцессорном комплексе LNEURO 1.0.

Очевидна практическая ценность разработанного нейросетевого комплекса, являющегося необходимой частью адаптивной системы управления AMP. Полученные результаты могут быть применены в реальных робототехнических системах.

Полученные в работе результаты были использованы в научно-исследовательской разработке и внедрены в Научном центре нейрокомпьютеров (НЦН), о чем свидетельствует соответствующий акт.

Результаты работы докладывались и были обсуждены на:

• научно-технической конференции-конкурсе студентов, аспирантов и молодых специалистов (Москва, МГИЭМ, 1994 г.);

• международной студенческой школе-семинаре "Новые информационные технологии'' (Крым, 1994, 1995, 1996 гг.);

• межвузовской научно-технической конференции "Микроэлектроника и информатика" (Москва, МГИЭТ, 1996 г.);

• научном семинаре "Управление" под руководством проф. А. А. Первозванского (Санкт-Петербургский государственный технический университет, 1996 г.)

• школе-семинаре "Нейрокомпьютинг" под руководством проф. Б.Н. Оныкия (МИФИ, 1996 г.)

• научно-практическом семинаре "Новые информационные технологии" (МГИЭМ, 1998 г.);

• научном семинаре "Управление и устойчивость" кафедры Кибернетика МГИЭМ под руководством проф. В.Н. Афанасьева, проф. В. Р. Носова, проф. В.Б. Колмановского (МГИЭМ, 1998 г.)

• ряде Всероссийских и Международных конференций и рабочих совещаний, в том числе:

- International Workshop "New Computer Technologies in Control Systems" (Pereslavl-Zalessky, August 13-19 1995; 29 July - 2 August 1996);

- Всероссийской конференции "Нейрокомпьютеры и их применение (НКП)" (Москва, 1995, 1996, 1998 гг.);

- Научно-технической конференции "Экстремальная робототехника" (С.-Петербург, 17-19 апреля 1996 г.; 16-18 апреля 1997 г.);

- Украинской конференции "Моделирование и исследование устойчивости систем (моделирование систем)" (Киев, 15-19 мая 1995 г.; 20-24 мая 1996 г.);

- Втором Международном симпозиуме "Интеллектуальные системы" (С.-Петербург, 1-4 июля 1996 г.);

- International Workshop "Symbolic-Numeric Analysis of Differential Equations (SNADE-97)"

Prague, 16-18 June 1997);

- Third International Workshop "Singular Solutions and Perturbations in Control Systems (SSPCS-97)" (Pereslavl-Zalessky, July 7-11 1997).

Основные положения диссертационной работы изложены в 17 публикациях, из них 4 на иностранных языках.

Диссертация состоит из введения, пяти глав, заключения, списка литературы и приложения. Объем работы: 136 печатных страниц текста, включая рисунки. Библиография содержит 140 наименований, из них 22 на иностранных языках.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Захарова, Нина Федоровна

Основные результаты диссертационной работы:

1. Разработана целостная структура нейроинтерпретатора дальномерной информации, предназначенного для выделения непроходимых препятствий в зоне обзора AMP.

2. Предложены процедуры предварительной параллельной обработки сенсорной информации.

3. Трансформирован эвристический алгоритм выделения непроходимых одиночных препятствий на основе синтеза фильтрации Калмана и байесовского сравнения статистических гипотез для реализации на параллельных структурах. Разработан нейросетевой комплекс, адекватный этому алгоритму.

4. Предложен и реализован альтернативный нейроалгоритм выделения одиночных непроходимых препятствий на базе нейросети обучения с учителем.

5. Предложена стратегия определения непроходимых уклонов поверхности и разработан соответствующий нейроалгоритм.

6. Предложены критерии проходимости в условиях наличия препятствий-навесов. Разработан нейросетевой алгоритм выделения препятствий-навесов.

7. Предложены и реализованы нейроалгоритмы объединения информации обо всех рассматриваемых в работе типах непроходимых препятствий в бинарную матрицу, характеризующую непроходимость участков поверхности, а также оконтуривания непроходимых участков поверхности зоны обзора. Разработана параллельная процедура формирования результирующей матрицы реальных высот, включающей информацию о непроходимости точек поверхности зоны обзора робота.

8. Разработан эмулятор предложенного нейросетевого комплекса на ПЭВМ. Проведено моделирование предложенного нейросетевого комплекса интерпретации дальномерной информации на нейрокомпьютере LNEURO. Эксперименты подтвердили правильность теоретических и практических результатов диссертационной работы, а также возможность практической реализации разработанного нейроинтерпретатора и его способность достоверно определять все непроходимые участки зоны обзора AMP в соответствии с заданными критериями статической проходимости (с учетом введенных ограничений).

Заключение

Список литературы диссертационного исследования кандидат технических наук Захарова, Нина Федоровна, 1998 год

1. Автономное управление и машинное зрение транспортных роботов // Сб. научных трудов под ред. Лупичева Л.Н.- М.: ИФТП, 1990.-112 с.

2. Авотин Е.В., Волховитинов И.С., Кемурджиан А. Л. и др. Динамика планетохода (под ред. Б.Н.Петрова).- М.: Наука, 1979.- 440 с.

3. Агари Е. Интеллектуализация транспортных средств: Пер. с яп.- М.: ВЦП, 1984.- 25 с.

4. Агеев Д.А., Ильиченкова З.В. Решение систем линейных уравнений на нейронных структурах // Нейрокомпьютер, NN 1-2, 1997, с. 35-38

5. Албертс Б., Брей Д., Льюис Дж., Рэфф М., Роберте К., Уотсон Дж. Молекулярная биология клетки (в 3-х томах): Пер. с англ. М.: Мир, 1994.

6. Амосов Н.М., Касаткин A.M., Касаткина Л.М., Талаев С.А. Автоматы и разумное поведение.- Киев: Наук, думка, 1973.- 374 с.

7. Амосов Н.П., Куссуль Э.М., Фоменко В.Д. Транспортный робот с сетевой системой управления//Труды IV МОКИИ, Т.9.-М.: 1975, с. 1-10

8. Андреев Ю.Н. Управление конечномерными линейными объектами. М.: Наука, 1976.

9. Араи М., Нисимура К. Нейросети и их применение: Пер. с яп.- М.: ВЦП, 1990. 18 с.

10. Баер Ж.-Л., Барлоу Р., Вудворд М. и др. Системы параллельной обработки: Пер. с англ./ Под ред. Д.Ивенга. М.: Мир, 1985. - 416 с.

11. Беренштейн Б.З. Нейрональные сети обработки изображений: Пер. с нем.- М.: ВЦП, 1990.- 3 с.

12. Бондарь Т.А., Логовский А.С. Нейрокомпьютеры в управлении // Зарубежная радиоэлектроника, 1997, N 2. с. 57-71

13. Брайсон А., Хо Ю-Ши. Прикладная теория оптимального управления. М.: Мир, 1972.- 544 с.

14. Буйволов Г.А., Лупичев Л.И., Потапов В.В. и др. Синтез системы управления интегрального робота "Кентавр" // В кн.: Тезисы докладов Всесоюзного совещания по робототехническим системам. М. : Наука, 1978, с. 116

15. Буйволов Г. А., Потапов В.В. Оптимизация размеров обзора и выбора режима движения транспортного робота в условиях пересеченной местности // В кн.: Тезисы докладов II Всесоюзного совещания по робототехническим системам, ч.2. Минск, 1981, с. 9394

16. Буль Р. Обзор дальномеров для измерения малых расстояний: Пер. с нем. М.: ВЦП, 1979. - 11 с„

17. Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ. М. : Радио и связь, 1987. - 240 с.

18. Васильев В.И. Распознающие системы. Киев: Наукова думка, 1969.

19. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики. -Киев: Наукова думка

20. Вопросы разработки дальномерных систем и их метрологического обеспечения // Сб. научных трудов под ред. B.C. Купко. Л.: 1990. - 121 с.

21. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: Основа, 1997. - 111 с.

22. Габриелян А. Р., Михайлов Б. Б. Усовершенствованный алгоритм выделения кромок объекта //В кн. Экстремальная робототехника. VII научно-техническая конференция. Материалы конференции. С.-Петербург: Издательство СПбГТУ, 1996.- с. 252-256

23. Галушкин А.И. Итоги развития теории многослойных сетей (1965 1995) в работах научного центра нейрокомпьютеров и ее перспективы. - М.: Изд-во НЦН, 1996. - 78 с.

24. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974.

25. Галушкин А.И. Многослойные системы распознавания образов. М.: 1970.

26. Галушкин А.И. Введение в теорию систем распознавания на септронах (уч. пособие). М.: 1970.

27. Галушкин А „И. Нейрокомпьютеры в разработках военной техники США. Обзор по материалам открытой печати. М.: НЦН РАН, 1995. - 152 с.

28. Галушкин А.И., Зак Л.С., Тюхов Б.П. К сравнению критериев оптимизации адаптивных систем распознавания образов // Кибернетика, 1970, N б. с. 122-130

29. Галушкин А.И., Иванов В.В., Картамышев М.Г., Симоров С.Н., Черевков К.В. Некоторые концептуальные вопросы развития нейрокомпьютеров / / Зарубежная радиоэлектроника: Успехи современной радиоэлектроники, 1997, N 2, с. 3-10

30. Галушкин А.И., Кирсанов Э.Ю. Нейронные системы памяти. Часть 1.: Учебное издание. М. : Изд-во МАИ, 1991. - 180 с.

31. Галушкин А.И., Судариков В.А. Адаптивные нейросетевые алгоритмы решения задач линейной алгебры // Нейрокомпьютер, 1992, N2, с. 21-28

32. Галушкин А.И., Судариков В.А., Шабанов Е.В. Нейроматематика: методы и алгоритмы решения задач в нейросетевом логическом базисе // Математическое моделирование, 1991, N 8

33. Галушкин А.И., Фомин Ю.И. Нейронные структуры как линейные последовательные машины: Учеб. изд. М.: Изд-во МАИ, 1991. - 78 с.

34. Горбань А.Н. Обучение нейронных сетей. М. : СП "Параграф", 1990. - 160 с.

35. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. - 276 с.

36. Грачев Л.В., Резницкий И.В. Синтез систем распознавания с переменной структурой на базе трехслойных нейронных сетей // Нейрокомпьютер, 1992, N 1, с. 9-15

37. Гурфинкель Е.В. Использование дальномера для управления макетом шагающего аппарата // В кн.: Тезисы докладов Всесоюзного совещания по робототехническим системам. М.: Наука, 1978, с.86-87

38. Дертоузос М. Пороговая логика: Пер. с англ. -М.: Мир, 1967. 343 с.

39. Ежов А. Чечеткин В. Нейронные сети в медицине // Открытые системы, N 4, 1997. с. 34-37

40. Ефремов Д.А. Системы управления роботами и робототехническими комплексами: Учеб. пособие. Воронеж, ВГТУ, 1997. 84 с.

41. Жира Ж. Мобильные роботы: Пер. с англ. М. : ВЦП, 1986. - 37 с.

42. Жуков С. А. Алгоритмическое обеспечение дальномерной системы технического зрения транспортного робота: Диссертационная работа на соискание ученой степени кандидата технических наук. М. : б. м., 1985. - 223 с.

43. Жуков С. А. Обнаружение контуров одиночных препятствий в окружающей проблемной среде транспортного робота // В кн. : Тезисы конференции "Теория систем и разработка АСУ". М.: 1982, с. 61

44. Захарова Н.Ф., Ильиченкова З.В. Использование алгоритмов с высокой степенью параллелелизма в задачах управления // Труды Второго Международного симпозиума "Интеллектуальные системы", С.-Петербург, 1-4 июля 1996, т. 1, с. 117-119

45. Захарова Н.Ф., Истратов А.Ю. Нейросетевая реализация алгоритма выделения непроходимых одиночных препятствий в зоне обзора автономного транспортного робота // Нейрокомпьютер, N 3-4, 1996, с. 19-28

46. Зурин М.В., Иванцев В.Е. и др. Нейросетевая система обработки изображений с когерентно-оптическим выделением признаков //В сб. Нейрокомпьютер как основа мыслящих ЭВМ. Под ред. А. А. Фролова, Г. И. Шульгина. М.: Наука, 1993. - 239 с

47. Иванов В.В., Порошин Н.О., Северьянов В.М. Возможность применения нейронной сети для отборасобытий с В-мезонами в калориметрическом триггере. -Дубна: ОИЯИ, 1992. 12 с.

48. Измерительные сканирующие приборы / Под ред. Розова B.C. М.: Машиностроение, 1980. - 198 с.

49. Ито Т., Фукусима К., Миякэ С. Исследование методов реализации нейронных сетей с помощью параллельной ЭВМ: Пер. с яп. М.: ВЦП, 1990. - 22 с.

50. Кавамура Ю., Икай Т., Косако X. Обучение методом обратного распространения ошибки в нейронной сети со взаимными связями. Рассмотрение с точки зрения динамических систем: Пер. с яп. М.: ВЦП, 1991.-29 с.

51. Каляев И. А., Носков В. П. и др. Об одной системе управления адаптивным роботом // В кн.: Тезисы докладов III Всесоюзного совещания по робототехническим системам, ч. III. Воронеж:б. м., 1954, с. 84

52. Катыс Г.П. Оптические информационные системы роботов-манипуляторов. М. : Машиностроение, 1977. -272 с.

53. Кемурджиан A.JI. Проблемы автономности транспортных роботов // В кн.: Тезисы докладов III Всесоюзного совещания по робототехническим системам, ч.1. Воронеж, 1984, с. 27

54. Кирсанов Э.Ю. Цифровые нейрокомпьютеры. Архитектура и схемотехника. Казань: КГТУ, 1995. -131 с.

55. Клини С. К. Представление событий в нервных сетях и конечных автоматах // Нейрокомпьютер, 1993, N 1-2, с. 45-75

56. Кондратьев Ю. А., Пряничников В. Е., Зезинова JI. В. Ультразвуковой датчик безопасности мобильных роботов // В кн.: Тезисы докладов III Всесоюзного совещания по робототехническим системам, ч. Ш.Воронеж, 1984. 76с.

57. Кринецкий И. И., Драновский А. И. Автоматическое вождение колесных и гусеничных машин попостоянным трассам. М. : Машиностроение, 1971. 168с.

58. Лакота Н. А. Робототехника для экстремальных сред. //В сб. Робототехника: новый этап развития.-М.: Наука, 1993. с. 26-34

59. Левин Б.Р. Теоретические основы статистической радиотехники. -М.: Советское радио, 1974 (кн.1), 1975 (кн.2). 392 с.

60. Литвинов Е. Г. Нейроимитатор как новый инструмент нейрокомпьютинга // Нейрокомпьютер, 1993, N 3-4. с. 33-38

61. Логовский А. С. Методы решения обыкновенных дифференциальных уравнения в нейросетевом базисе // Нейрокомпьютер, 1992, N 2. с. 15-20

62. Лупичев Л. Н., Новожилов В. И. Организация измерений и идентификация препятствий при исследовании поверхности движущимся автоматическим аппаратом // Управление в пространстве, т.2.- М. : Наука, 1976, с. 202-207

63. Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности: Пер. с англ. // Сб. "Автоматы". М. : Изд-во иностр. литературы, 1959.

64. Мангольд Т. Измерение дальности лазерными лучами: Пер. с нем. М.: ВЦП, 1974. - 11 с.

65. Мариук Г. И. Методы вычислительной математики. М.: Наука, 1989. - 608 с.

66. Масалович А. Нейронные сети новый этап в создании искусственного интеллекта // Деловой мир, 1995, N 1. - с. 14-15

67. Мейстел А. Автономные мобильные роботы: Пер. с англ.- М.: ВЦП, 1988.- 53 с.

68. Меркулов А. П. Что могут роботы. М. : Машиностроение, 1991. - 192 с.7 6. Миеран X.Б., Гелхауз П.И. Подвижные роботы для работы в опасных средах: Пер. с яп.- М. : ВЦП, 1986. 14 с.

69. Минский М. Фреймы для представления знаний: Пер. с англ. М.: Энергия, 1979. - 152 с.

70. Минский М.Л. Некоторые универсальные элементы для конечных автоматов // Нейрокомпьютер, 1993, N 34.- с. 59-70

71. Минский М., Пейперт С. Персептроны: Пер. с англ. М.: Мир, 1971.- 264 с.

72. Мкртчян С. О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов и нейронных сетей). М.: Энергия, 1971. - 232 с.

73. Мошкин В. И., Петров А. А., Титов В. С., Якушенков Ю. Г. Техническое зрение роботов. М. : Машиностроение, 1990. - 226 с.

74. Нейрокомпьютеры и интеллектуальные роботы. / Под ред. Н.М. Амосова. Киев: Наукова думка, 1991.271 с.

75. Нейроподобные сети и нейрокомпьютеры // Сб. науч. трудов / АН СССР, Институт Кибернетики им. В.М. Глушкова / под ред. Э.М. Куссуля. Киев: 1991. -77 с.

76. Обработка изображений нейросетями. / Под ред. А.А. Веденова.- М.: б.м., 1991. 146 с.

77. Окамото Д. и др. О стабильности рекурсивных трехслойных нейронных сетей, обладающих линейными и сигмоидными характеристиками: Пер. с яп.- М. : ВЦП,1990.- 32 с.

78. Оныкий Б.Н., Синицын С.В., Щербаков И.Б. Перспективы использования нейрокомпьютеров в бортовых интеллектуальных системах // Вычислительные системы на базе транспьютеров и парал. вычисления: Матер, семин. М.: О-во "Знание", 1992. - с. 28-41

79. Ортега Дж. Введение в параллельные и векторные методы решения линейных систем. М. : Мир,1991.

80. Охоцимский Д.Е., Платонов А.К. Алгоритм управления шагающим аппаратом, способным преодолевать препятствия // Техническая кибернетика, 1973, N 5.- с. 3-10

81. Планетоходы / под ред. A. J1. Кемурджиана. -М.: Машиностроение, 1982. 319 с.

82. Поллак Д. Нейронные сети: прошлое, настоящее и будущее: Пер. с англ. М.: ВЦП, 1990. - 28 с.

83. Поляков Г. И. О принципах нейронной организации мозга. М.: МГУ, 1965.

84. Риччьярди JT. М. Кибернетика и биология: классические методы моделирования нейронных сетей: Пер. с англ. М.: ВЦП, 1985. - 34 с.

85. Рогаченко П. И., Чайковский Э. Г., Поллер Б. 3. Восприятие внешней обстановки шахтным транспортным роботом // В кн. : Тезисы докладов III Всесоюзного совещания по робототехническим системам, ч.III. Воронеж, 1984. - 36с.

86. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга: Пер. с англ. / Под ред. С.М. Осовца. М.: Мир,1965. - 480 с.

87. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение) / Под ред. А.Н. Писаревского. JT. : Машиностроение, 1988. -424 с.

88. Сколник М. Введение в технику радиолокационных систем: Пер. с англ. М.: Мир, 1965. - 747 с.

89. Судариков В. А. Исследование адаптивных ней-росетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютер, 1992, NN 3-4. с. 13-20

90. Судариков В.А. Об одном подходе к построению нейросетевых алгоритмов аппроксимации функций вещественного аргумента // Нейрокомпьютер, 1992, N 1.-с. 29-37

91. Сырский Г. В. Система технического зрениямобильного робототехнического комплекса // В кн.:

92. Экстремальная робототехника. VII научно-техническая конференция. Материалы конференции. С.-Петербург: Издательство СПбГТУ, 1996. - с. 239-243

93. Тимофеев А. В. Управление роботами. JI.: Изд-во Ленинградского университета, 1986. - 210 с.

94. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998. - 376 с.

95. Уидроу Б. Распознавание образов и адаптивное управление // Зарубежная радиоэлектроника, N 9, 1965, с. 87-111

96. Уидроу В., Стирнз С. Адаптивная обработка сигналов: Пер. с англ.- М. : Радио и связь, 1989.440 с.

97. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ. М.: Мир, 1992, - 240 с.

98. Фадеев Д.К., Фадеева В.Н. Вычислительные методы линейной алгебры. М. : Гос. изд-во ф.-м. литры, 1963. - 734 с.

99. Форрестер П., Халм К. Обзор лазерных дальномеров: Пер. с англ. М.: ВЦП, 1984. - 72 с.

100. Чупупал В. Я. Модели нейронных сетей в распознавании речи. // В сб. Нейрокомпьютер как основа мыслящих ЭВМ. Под ред. А.А. Фролова, Г.И. Шульгина. -М.: Наука, 1993. 239 с.

101. Цумура Т. Современные тенденции в развитии транспортных роботов: Пер. с яп. М. : ВЦП, 1984 .22 с.

102. Цыганков В. Д. Нейрокомпьютер и его применение. / Под ред. В. А. Львова. М.: Сол Систем, 1993.117 с.

103. Цыпкин Я. 3. Адаптация и обучение в автоматических системах. М.: Наука, 1968. - 399 с.

104. Цыпкин Я.З. Основы теории обучающих систем. М.: Наука, 1970. - 251 с.

105. Шенебург Э., Хансен Н. Исторический аспект развития нейрональных сетей: Пер. с нем. М. : ВЦП, 1990. - 4 с.

106. Широков Ф. В. Нейрон и доллар. Нейротехноло-гия в сфере моделирования финансовых услуг // Деловой партнер, пилотный номер, 1995. с. 31-44

107. Шмитц X. Имитатор для сетей с возвратным распространением: Пер. с нем. М.: ВЦП, 1990. - 10 с.

108. Шнейдер М. Измерение дальности лазерными дальномерами до искусственных спутников Земли и Луны. Возможности и перспективы : Пер. с англ. М. : ВЦП, 1983. - 16 с.

109. Щербаков М. А. Искусственные нейронные сети: Конспект лекций. Пенза: ПГТУ, 1996. - 45 с.

110. Юревич Е. И. Анализ потребностей Вооруженных сил России в средствах робототехники // В кн.: Экстремальная робототехника. VII научно-техническаяконференция. Материалы конференции. С.-Петербург: Издательство СПбГТУ, 1996. - с. 5-9

111. Baloch, A. A., Waxman, А. М. (1991) "Visual Learning, Adaptive Expectations, and Behavioral Conditioning of the Mobile Robot MAVIN" // Neural Networks, Vol.4, 1991, p.271-302

112. Bohrer S., Lutgendorf A., and Mempel M. Using inverse perspective mapping as a basis for two concurrent obstacle avoidance schemes. Artifical Neural Networks: Proc. Int. Conf., Espoo, 24-28 June, 1991, v. 1, pp. 1233-1236

113. Cahn D. F., Phillips S. R. ROBNAV: A Range-Based Robot Navigation avd Obstacle Avoidance Algorithm // IEEE Transactions on system, man, and cybernetics, September 1975, vol. SMC-5, N 5, pp.544551

114. Gaudill M. Driving solo in a autonomous automobile. The Magazine of Artifical Intelligence in practice. Sept. 1991, v. 6, N 9, pp. 26-30

115. Grossberg S. Neural Networks and Natural Intelligence. Cambridge: MIT Press, 1988. - 380 p.

116. Hebb D.O. Organization of behavior. New York: Science Edition, 1949. - 320 p.

117. Hopfield J., Tank D. Computing with Neural Circuits: a model // Science. 1986, vol. 233.- pp. 625-633

118. Koelle, D. E., Kokott W. and Sehultre (Messerschmitt Bolkow Blohw, GmbH) . A Mars Rover Concept for Future Lander Missions.- Jn: International Symposium on Planetary Exploration, Heidelberg, West Germany, Feb.15, 16, 1974, Paper 17-007, p. 17.

119. Kohonen Т. Self-Organization and Associative Memory. Berlin: Springer-Verlag Press, 1984. - 250 P°

120. McCulloch W. S. Embodiments of Mind, Cambridge (Mass.), MIT Press, 1964.

121. Nagata, S., Sekiguchi, M., Asakawa, K. (1990), "Mobile Robot Control by a Structured Hierarchical Neural NetWork" // IEEE Conf. Syst. Mag., 1990, 10, No 3, p. 69-76

122. Nicewarner, K.E. (1989) "An Artificial Neural NetWork Control System for a Six-legged Autonomous Robot" // Control and Computers, Vol.17, No.2, 1989, p. 37-41.

123. Rashevsky N.P. Mathematical Biophysics, Physico-mathematical Foundations of Biology, New York, vol. 1,2, 1960.

124. Roberts L.G. Machine perception of three dimensional solids, in optical and electrooptical information processing, M.I.T. Press, 1965, p. 159-197

125. Robotics vehicles for planetary exploration / B. Wilcox, L. Matt-hies, D. Gennery, B. Cooper, T. Nguyen, T. Litwin, A. Mishkin, H. Stone // Proc. IEEE Inter. Conf. Rob and Autom., Nice. France, May 12-14, 1992. Vol.1. p. 175-180

126. Rosenblatt F. Analytic techniques for the study of Neural nets // IEEE Trans, of Appl. and Industry, 1964, Sept., vol. 83.74, p. 285-292

127. Schultze E.R., Bohrer S., Dose M., and Fuhrtmann S. An active vision system for navigation in a natural environment. IJCNN-90, San Diego, Calif., 1990, v.2, pp. 729-734

128. Shen C.N. and Thompson A. Computer Results of Two-Dimentional Spline Function in Terrain Modeling Optimization.- In: ASM 1975 Computer Science Conference, Washington, Febr., 1975, p. 86

129. Widrow В., Groner G.F., Hu M.I. Practical application for adaptive data processing systems. -Wescon Techn., Pap., 1963, 11/4, N 7, p. 118-131

130. Zadeh L. A. Fuzzy Sets. Univ. of California, Berkley, Memo. ERL, No.64 - 44, 1964.

131. Zaharova N. F. An Obstacles Definition by Neurosimilar Structures in the Environment Analysis // International Workshop "Symbolic-Numeric Analysis of Differential Equations (SNADE-97)": Proc., 16-18 June 1997, Prague, p. 22

132. Zakharova N. F., Ilyichenkova Z. V. The Several Aspects of Robot Control System Realization in Real-Time // Second International Workshop "New Computer Technologies in Control Systems (NCTCS-95)": Proc., August 13-19 1995, Pereslavl-Zalessky, p. 76

133. УТВЕРЖДАЮ проФ., директор Научногокомпьютеров, а науки России yg^^KTVT. Галушкин1998 г.1. АКТо внедрении результатов диссертационной работы

134. Захаровой Нины Федоровны "Нейроинтерпретатор дальномерной информации для мобильного робота" на соискание ученой степени кандидата технических наук по специальности 05.13.01 "Управление в техническихсистемах".

135. Комиссия в составе: председателя к.т.н., зам. директора НЦН по науке А.И. Крысанова и членов -к.т.н., зам. директора НЦН по учебной работе JI.A. Кузьмина, начальника лаборатории НЦН

136. А.С. Логовского, начальника лаборатории НЦН

137. Работа посвящена разработкера информации с дальномера дляорганизации адаптивного выделения непроходимыхуравнений, один из параметров которых соответствует характеристике изменения профиля поверхности.

138. В соответствии с принятой математической моделью использование синтеза методов фильтрации Калмана и байесовского сравнения статистических гипотез позволяет выделять непроходимые одиночные препятствия и непроходимые уклоны поверхности зоны обзора робота.

139. Программно-аппаратная эмуляция нейросетевого комплекса показала эффективность разработанной модели и возможность его использования при создании систем управления мобильными роботами. Результатыдиссертационной работы внедрены в НЦН.

140. Настоящий акт не является основанием для финансовых расчетов.

141. К.т.н., зам. дир$£тррф;НЦН по науке

142. К.т.н., зам. директора НЦН по учебной работе Начальник лаборатории НЦН Начальник лаборатории НЦН1. А.И. Крысанов

143. J1.A. Кузьмин А.С. Логовский Д.Ж. Якушев