Разработка ассоциативной памяти для систем автономного адаптивного управления на основе систем детерминированного хаоса тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат физико-математических наук Устюжанин, Андрей Евгеньевич

• Устюжанин, Андрей Евгеньевич
• кандидат физико-математических наук
• 2007

Оглавление диссертации кандидат физико-математических наук Устюжанин, Андрей Евгеньевич

Введение.

Актуальность темы.

Цель работа.

Задачи работы.

Новизна работы.

Практическая значимость работа.

Структура и объем работы.

Глава 1. Современное состояние предметной области.

Имитационный метод автономного адаптивного управления.

Детерминированный хаос. Представление о процессах обработки информации в динамических системах.

Меры близости многомерных последовательностей.

Глава 2. Построение систем ассоциативной памяти иа основе хаотического процессора. Анализ характеристик ассоциативной памяти.

Функции системы памяти.

Использование ассоциативной памяти в системах ААУ.

Мера близости пространственно-временных последовательностей.

Численное сравнение выразительности мер близости многомерных последовательностей.

База данных ироекга адаптивного протезирования кисти руки.

База данных австралийского языка глухонемых.

Результаты сравнения.

Построение подсистемы памяти на основе хаотического процессора.

Реализация хаотического процессора.

Реализация ассоциативной памяти с использованием хаотического процессора.

Глава 3. Построение системы управления на основе методологии ААУ с использованием ассоциативной памяти. система управления мобильным роботом.

Структура лабиринта.

Критерии эффективности управления мобильноым роботом.

Глава 4. Особенности реализации системы управления мобильным роботом.

Реализация модуля ассоциативной памяти.

Реализация системы имитационного моделирования мобильных роботов.

Реализация системы управления мобильным роботом.

Предобработка сигналов сенсоров.

Управление актуаторами.

Автономная Адаптиваня система управления.

Глава 5. Анализ эффекгивности работа системы управления.

Оценка ресурсоемкости и производительности хаотического процессора.

Сравнение реализаций ассоциативной памяти для задачи «Слот).

Сравнение систем управления мобильными роботами.

Введение диссертации (часть автореферата) на тему «Разработка ассоциативной памяти для систем автономного адаптивного управления на основе систем детерминированного хаоса»

АКТУАЛЬНОСТЬ ТЕМЫ

Развитие способов представления информации как средства эффективного управления искусственными и естественными системами не теряет своей актуальности с начальных этапов становления кибернетики. В наши дни управляющие системы в состоянии контролировать достаточно сложные объекты, масштабы которых варьируются от нанороботов до комплексов атомных электростанций. Значительные темпы развития демонстрирует в наши дни индустрия мобильных роботов, выполняющих разнообразные полезные функции в различных практических сферах. Примером, показавшим принципиальный скачок возможностей автономной робототехники, стал кросс непилотируемых автомобилей но аризонской пустыне в 2005 году [1]. Другими примерами мобильных роботов, завоевавших отдельную пишу па современном рынке, являются роботы, используемые в силовых ведомствах (разведка, разминирование, работы во вредных для человека средах), мобильные автономные роботы-гиды для музеев и выставок [2], роботы-пылесосы [3].

Темны развития индустрии мобильной робототехники в наши дни сопоставимы с темпами развития отрасли персональных компьютеров в начале

80-х годов: на рынке пет устоявшегося лидера и нет традиционных подходов, которые могли бы считаться безусловными авторитетами. Напротив, число проектных решений, архитектур робо тов, предлагаемых исследовательскими и производственными коллективами, изобилует разнообразием, но все они, как правило, ориентированы па решение частных задач, отличающихся определенной узостью постановки. На сегодняшний день нет общепринятых методов разработки систем управления, подходящих для роботов, особенно если речь идет об адаптивных методах управления, которые пока практически не используются. Тем не менее, тамге методы существуют, и одним из них 4 является метод Автономного Адаптивного Управления (ААУ), развиваемый в отделе Методов адаптивного управления Института системного профаммирования РАН.

Метод ААУ потенциально обладает широким спектром применимости. Методология Автономного Адаптивного Управления предполагает необходимость наличия в адаптивной систем управления определенною набора функциональных блоков, связанных друг с другом определенную структуру, независящую от прикладной задачи. Способ реализации каждого блока может варьироваться в зависимости от характера задач, решаемых системой в целом. Среди задач, нашедших свое решение в рамках данной методологии, присутствуют разнообразные по характеру примеры прототипов: от прогноза развития экономических систем до систем управления устройствами автомобиля и космическими аппаратами.

Для систем ААУ важную роль играет «глубина памяти» — объем сохраненной предыстории поведения управляемого объекта. Эффективность работы системы управления напрямую зависит от глубины памяти. В настоящей работе в рамках метода ААУ предлагается новый подход к построению модуля ассоциативной памяти для систем ААУ - памяти, которая способна идентифицировать протяженные во времени или в пространстве закономерности входных сигналов. В работе [3] С.Н. Гринченко указывает на системы с ассоциативной памятью, как на системы, обладающие большей «глубиной памяти». Это системы, способные эффективно распознавать сохраненный образ протяженного во времени или в пространстве явления но небольшому фрагменту, например, для того, чтобы прогнозировать ход развития ситуации в целом, обладая лишь выборочными данными о ней. Примеры, для которых наличие такой памяти необходимо, можно найти в любой области, требующей эффективного прогнозирования при управлении. Например, можно указать на следующие прикладные задачи:

• управление мобильным роботом в лабиринте,

• адаптивное управление подвеской ав томобиля,

• управление коллективом агентов

• и другие.

В качестве наиболее демонстративного случая, отражающего основные этапы обработки информации управляющими системами, мы выбрали модель мобильного робота, помещенного в замкнутый лабиринт, заполненный повторяющимися препятствиями нескольких типов. Преимуществом этого примера является его широкая популярность не только среди исследователей в области робототехники, но и популярность среди исследователей из смежных областей. В настоящее время отдел методов адаптивного управления ИСП РАН активно сотрудничает с институтом нормальной физиологии человека РАМН им К.П. Анохина по проекту исследования принципов построения и моделирования нервных систем. В качестве основной исследовательской модели выбран именно мобильный робот, поведенческие характеристики которого соотносятся с характеристиками живых существ

ЦЕЛЬ РАБОТЫ

Основной целью данной работы является разработка управляющих систем с модулем ассоциативной памяти, построенных в соответствии с методологией автономного адаптивного управления. Расширяя пример управления мобильным роботом, мы будем говорить о памяти управляющей системы в терминах образов объектов и/или процессов распознаваемой информации.

Так, мобильный робот, перемещаясь по лабирииту, в каждый момент времени воспринимает значения датчиков, которые преобразуются в некоторый образ текущей ситуации. Характерной особенностью такой системы является необходимость запоминать последовательность распознанных сигналов, которая в случае статического лабиринта отражает структуру препятствий лабиринта. То есть, об устойчивой цепочке следующих друг за другом б показаний датчиков мы можем говорить как об устойчивой информационной структуре или образе более высокого порядка сложности. Преобразованный и сохраненный поток информации от входных датчиков можно интерпретировать как некоторый опыт, накопленный системой управления. Именно на эффективное запоминание и поиск ситуаций, наиболее близких к текущей ситуации, ориентирован данный подход.

Под ассоциативностью в широком смысле мы будем понимать такое свойство памяти, которое позволяет найти некоторый сложный образ в сохраненной информации, располагая лишь некоторой частью этого сложного образа. В случае мобильного робота это свойство оказывается критическим для эффективного решения целого ряда задач, таких как распознавание протяженных в пространстве препятствий и, как следствие, задач локализации (определения своего расположения) и навигации (прокладывание пути) в лабиринте.

Задачу по разработке системы ассоциативной памяти можно сформулировать следующим образом: необходимо предложить такой способ организации накопленного опыта системы управления, который бы на основании наблюдаемых данных, распознаваемых в настоящий момент времени, давал бы эффективную возможность выполнения следующего набора операций:

• сохранение в памяти новой информации в виде последовательности зарегистрированных и накопленных к настоящему моменту времени входных сигналов;

• поиск в памяти последовательности, максимально близкой по содержанию к наблюдаемой на текущий момент последовательности входных сигналов;

• поиск возможных продолжений последовательностей, имеющих в качестве подмножества накопленную последовательность наблюдаемых сигналов.

Возможное применение для такой ассоциативной памяти состоит в распознавании протяженных во времени процессов, представимых в виде последовательностей многомерных векторов. Например, при распознавании почерка — две буквы а и g начинаются почти одинаково (см.Рисунок 1), но с определенного момента они различаются, позволяя анализатору почерка на раннем этапе принять решение о вводимом символе. Работа анализирующей системы будет тем эффективней, чем раньше получится распознать отличия. На рисунке область появления отличий помечена стрелкой.

X, пиксел

220 г

200

180

160

140

120

100 б)

0 500 1000 1500 2000 2500 3000 3500 t, мс а) в)

Рисунок 1. (а) Зависимость координаты пера от времен при написании букв ang. Темная линия - траектория X(t) для буквы а (б). Светлая линия - X(t) для буквы g (в). Стрелкой отмечена точка, до которой траектории похожи друг на друга, и после которой они перестают повторять друг друга.

Принципиальным моментом, который служит одновременно привязкой теоретических разработок к практике вычислительных комплексов и основным ограничивающим фактором при сравнении сложных последовательностей, является то обстоятельство, что система управления и управляемый функциональный модуль сугь профаммы, выполняющиеся на компьютере с фон-неймановской архитектурой. Учет этого факта требует особой организации памяти, и требует определенных подходов к использованию основных ресурсов вычислительной системы. Разработка и реализация алгоритмов, позволяющих найти приемлемое компромиссное решение по производительности и ресурсоемкое™, и является основной проблемой, решаемой в данной работе. Практическая эффективность предложенного решения должна быть продемонстрирована на действующем примере сист емы управления, построенной согласно методологии ААУ.

ЗАДАЧИ РАБОТЫ

Архитектура вычислительной системы, которая реализует работу управляющей системы, не только диктует рамки, определяющие эффективность модуля памяти, но и накладывает существенные ограничения на способы обращения с данными ресурсами. Такими ограничениями являются, например, последовательное выполнение программы и линейная адресация памяти. Последнее ограничение является существенным препятствием на пути построения ассоциативной памяти, так как требует реализации особого способа представления информации, позволяющего отобразить сложное множество прообразов на линейное множество адресов оперативной памяти вычислительной системы. Поиск такого алгоритма заставляет обратиться к целому ряду современных техник и технологий, таких как вейвлет-апализ, индексирование многомерных данных, сравнение многомерных последовательностей, сжатие информации, реализация динамических систем в виде хаотических процессоров.

Продвигаясь к поставленной цели последовательно, необходимо было поставить и решить ряд задач, находящихся в непосредственной зависимости от сформулированных выше целей. В частности, теоретическая работа состояла в выборе и обосновании:

• критериев сравнения последовательностей многомерных данных,

• алгоритма поиска информации,

• способа кодирования и хранения информации,

• практических критериев качественной применимости ассоциативном памяти.

Практическая часть работы состоит в реализации:

• системы ассоциативной памяти, согласно предложенному теоретическому подходу,

• систем ассоциативной памяти, альтернативных предложенному подходу,

• демонстрационных примеров - модельных систем мобильного робота,

• систем управления мобильными роботами, реализующих алгоритмы работы ассоциативной памяти, рассматриваемые в данной работе,

• имитационного эксперимента по демонстрации эффективности предложенного подхода и сравнения вычислительных характеристик реализации предложенного подхода с альтернативными системами.

Результаты, полученные в ходе последовательного выполнения поставленных задач, свидетельствуют об успешном достижении поставленной цели.

НОВИЗНА РАБОТЫ

Научная новизна выносимых на защиту результатов работы состоит в следующем

1. Предложен и разработан метод построения ассоциативной памяти для систем управления на основе хаотических процессоров. Создание и реализация такой памяти является развитием теории ААУ, позволяющей системам управления оперировать образами качественно более сложных объектов, представимых в виде последовательности многомерных векторов.

2. Разработана система управления для мобильного робота с подсистемой ассоциативной памяти, которая позволяет оперировать качественно новыми объектами — образами протяженных во времени и пространстве наблюдаемых явлений, повышая тем самым эффективность управления.

3. На основе разработанной технологии создана прикладная система распознавания для адаптивной системы управления лучезапястиым суставом протеза руки. Такая ассоциативная самообучаемая система распознавания позволяет автоматически научиться распознавать желаемое типовое движение руки по начальной фазе его выполнения, и передавать этот результат адаптивной подсистеме принятия решений для субоптималыюго его завершения.

Одну из ключевых ролей в построении систем автономного адаптивного управления играет подсистема формирования и распознавания образов (ФРО). На сегодняшний день технологии, использованные для реализации этой подсистемы, позволяли работать лишь с образами непродолжительных во времени явлений (например, временных рядов), наблюдаемых в течение одиого-трех тактов. «Глубина» такой памяти невелика, и небольшой объем запоминаемой предыстории обусловлен тем, что основной технологией работы системы ФРО являются системы нейроноподобных элементов. Возможности отслеживать динамику и длинные последовательности наблюдаемых прообразов посредством нейроноподобных структур, наталкиваются на серьезные ограничения, вызванные тем, что пока еще не развита технология использования нейроноподобных сетей для работы с образами протяженных пространственно-временных объектов. Использование предложенного в данной диссертационной работе подхода к построению ассоциативной памяти па основе хаотических процессоров позволит значительно расширить границы применимости методологии ААУ, охватив, тем самым, более сложные с технологической точки зрения области.

Предлагаемый подход представляет ценность для самого широкого спектра задач, требующих эффективного анализа регулярных структур во временных последовательностях данных. Например, в задачах разработки систем навигации и локализации мобильных роботов существующие подходы требуют существенных ограничений для свойств лабиринта - заранее известной карты лабиринта или запрета на появление движущихся препятствий и т.п. условий. Подход, предлагаемый в данной работе, позволяет существенно ослабить такие ограничения.

ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ РАБОТЫ

Основным практическим результатом данной работы является способ построения системы управления, включающей в свой состав подсистему памяти на основе хаотических процессоров. Система памяти, организованная предложенным способом, позволяет эффективно различать и распознавать протяженные во времени и пространстве структуры. Например, такую память можно использовать в системах управления мобильными роботами, которые должны научиться распознавать препятствия лабиринта с максимальной эффективностью (минимальным числом ошибок и за минимальное время). Для мобильного робота ассоциативность памяти оказывается критическим свойством при решении целого ряда практических задач. Например, такими задачами являются распознавание протяженных в пространстве препятствий, задачи локализации (определения своего расположения) и навигации (прокладывание пути) в лабиринте.

Другим примером объектов, в которых можно использовать разработанную систему памяти, могут служить адаптивные манипуляторы и протезы. Последние могут позволить человеку повысить точность и качество выполняемых с помощью протеза операций. Актуальность разработки автоматизированных протезов конечностей очень высокая и не уменьшается со временем в связи с большим количеством трав бытового, производственного и военного характера, а также из-за большого числа ампутаций в связи с сосудистыми заболеваниями:

СТРУКТУРА И ОБЪЕМ РАБОТЫ

В 1-ой главе приводится обзор литературы, охватывающий методологии и подходы, используемые при написании работы:

• Методология Автономного Адаптивного Управления;

• Информационные потоки в динамических системах. Хаотические процессоры;

• Меры близос ти многомерных последовательностей.

Во 2-ой главе описывается подход к построению ассоциативной памяти, позволяющей запоминать протяженные во времени и пространстве цепочки данных. Работа с такими цепочками представляет наибольший интерес во многих областях современной науки, и мы приводим способ аппроксимации этих последовательностей посредством описания бассейна аттрактора многомерного преобразования. Вслед за описанием способа такой аппроксимации, мы приводим алгоритм построения хаотического процессора, реализующего данное отображение. В этом разделе также приводятся общепринятые критерии оценки применимости предложенного способа аппроксимации. На основе проведенных имитационных экспериментов и данных критериев делается вывод о целесообразности предложенного подхода.

Основные содержательно-демонстрационные примеры приводятся в 3-ей главе. Их описание включает перечень основных объектов среды, мобильного робота, сенсоров и актуаторов, а также описание основных критериев успешности его работы. В главе приведены три типа задач, с которыми сталкивается мобильный робот, требующие от него следующих способностей:

• умения работать с искаженными данными,

• умения распознавать препятствия по фрашентарной информации,

• умения прогнозировать будущий поток информации по имеющимся данным.

Количественные характеристики поведения системы управления в имитационных экспериментах служат основанием для сравнения предлагаемой системы памяти с ее альтернативами в 5-ой главе.

В 4-ой главе приводится описание реализации ассоциативной памяти, описание реализации системы имитационного моделирования мобильных роботов и описание реализации системы управления мобильными роботами. В описание включены основные компоненты, интерфейсы и протоколы, реализованные в ходе работ. Также в этой главе приводится краткое описание библиотек сторонних производителей, и программного обеспечения, используемого в ходе реализации.

Результаты имитационного моделирования приводятся в 5-ой главе. Приводится описание сравнительных тестов подсистем ассоциативной памяти, и выполняется сравнение ассоциативной памяти на базе хаотического процессора с альтернативными подходами. Сравниваются различные системы управления мобильными роботами. Система ААУ с модулем ассоциативной памяти сопоставляется с альтернативными системами управления. Подчеркиваются сильные и слабые стороны предлагаемого подхода. В заключении приводятся выводы о применимости предлагаемого подхода и перечисляются полученные результаты работы.

Общий объем работы составляет 129 страниц. Список литературы включает 94 наименования.

Список литературы диссертационного исследования кандидат физико-математических наук Устюжанин, Андрей Евгеньевич, 2007 год

1. DARPA Grand Challenge, http://www.darpa.mil/grandchallenge/index.asp

2. Гринченко C.H. Системная память живого (как основа его метаэволюции и периодической структуры). М.: ИПИРАН, Мир, 2004

3. Жданов А. А., Метод автономного адаптивного управления // Известия Академии Наук. Теория и системы управления, 1999, № 5, с. 127-134

4. Жданов А.А. Об одном имитационном подходе к адаптивному управлению. Сб. "Вопросы кибернетики". Научный совет по комплексной проблеме "Кибернетика" РАН. Вып. 2. М., 1996.

5. Жданов А.А. О понятии автономного искусственного интеллекта // Сб. научи, тр. Искусственный интеллект в технических системах. М.: Гос.ИФТП. 1997.

6. Zhdanov A. A. About an Autonomous Adaptive Control Methodology. ISIC/CIRA/(ISAS'98), NIST, Gaithersburg, Maryland. September 14-17, 1998.

7. Жданов А. А., Метод автономного адаптивного управления // Известия Академии Наук. Теория и системы управления, 1999, № 5, с. 127-134

8. Рядовиков А. В., Жданов А. А., О некоторых формальных моделях нейронов. // Сб. научн. тр. Всероссийской научн.-техн. конференции "Нейроинформатика-99", ч. 1. М.: МИФИ. 1999.

9. Жданов А.А., Беляев Б.Б., Мамаев В.В. Использование принципа автономного адаптивного управления в системе угловой стабилизации космического аппарата «Спектр РГ» // Сб. научи, тр. Информационная бионика и моделирование. М.: ГосИФТП, 1955. - С. 87 -114.

10. Wiegerinck W. and Tennekes Н. On the information flow for one-dimensional maps. Phsy. Lett. A, 1990, vol. 144, no 3

11. Шустер Г. Детерминированный хаос. Введение. М: Мир, 1988

12. Atmanspacher Н., Scheingraber Н. Global scaling properties of the chaotic attractor reconstructed from the experimental data. — Phys. Rev. A, 1988, vol. 37, pp 1314-1322

13. Дмитриев А.С. Запись и восстановление информации в одномерных динамических системах. — Радиотехника и электроника. 1991, т. 36, N1, С101-108

14. Dmitriev A.S., Panas A.L., and Strakov S.O. Storing and recognition information based on stable cycles of one-dimensional maps. Phys. Lett. A., 1991, vol.155, pp 494-499

15. Andreev Yu.V., Dmitriev A.S. and Starkov S.O. Information processing in 1-D systems with chaos. IEEE Transaction on circuit and systems, 1997, vol. 44, pp. 21-28

16. Андреев Ю.В., Вельский Ю.Л., Дмитриев А.С. Запись и восстановление информации с использованием устойчивых циклов двумерных и многомерных отображений. Радиотехника и электроника, 1994, т.39, с. 114-123

17. Шустер Г. Детерминированный хаос. Введение. М: Мир, 1988

18. Шарковский А.Н., Майстренко Ю.Л., Романенко Е.Ю. Разностные уравнения и их приложения. Киев: Наукадумка, 1986

19. Edward Ott, Tim Sauer, James A. Yorke. Coping with Chaos: Analysis of Chaotic Data and The Exploitation of Chaotic Systems, Wiley-Interscience, 1994

20. RAgrawal, C.Faloutsos, A.Swami. Efficient Similarly Search in Sequence Databases. In Proc. Of the 4th FODO, pages 69-84, Oct.1993.

21. A.Gionis, P. Indyk, R. Motwani. Similarity search in high dimensions via hashing. In Proc. Of 25th VLDB, pages 518-529,1999.

22. B.-K. Yi, C. Faloutsos. Fast Time Sequence Indexing for Arbitrary Lp Norms.

23. Proceedings of VLDB, Cairo Egypt, Sept. 2000.118

24. K.Chuand, M.Wong. Fast Time-Series Searching with Scaling and Shifting. ACM Principles of Database Systems, pages237-248,June 1999.

25. D.Rafiei, A.Mendelzon. Querying Time Series Data Based on Similarity. IEEE Transactions on Knowledge and Data Engineering, Vol.12, No 5, pages 675-693,2000.

26. D.Goldin, P.Kanellakis. On Similarity Queries for Time-Series Data. In Proceedings of CP'95, Cassis, France, Sept. 1995.

27. C. S. Myers, L. R. Rabiner. A comparative study of several dynamic time-warping algorithms for connected word recognition. The Bell System Technical Journal, 60(7):1389-1409, September 1981.

28. H.Sakoe, S.Chiba. Dynamic programming algorithm optimization for spoken word recognition. IEEE Trans. Acoustics, Speech and Signal Processing, ASSP-26(1):43^9, Feb. 1978.

29. D.Berndt, J.Clifford. Using Dynamic Time Warping to Find Patterns in Time Series. InProc. Of KDD Workshop, 1994.

30. S.Park, W.Chu, J.Yoon, C.Hsu. Efficient Searches for Similar Subsequences of Different Lengths in Sequence Databases. In Proceedings of ICDE, pages 23-32,2000.

31. E.Keogh, M.Pazzani. Scaling up Dynamic Time Warp-ing for Datamining Applications. In Proc. 6th Int. Conf. on Knowledge Discovery and Data Mining, Boston, MA, 2000.

32. R.Agrawal, K.Lin, H.S.Sawhney, K.Shim. Fast Similarity Search in the Presence of Noise, Scaling and Translation in Time-Series Databases. In Proc of VLDB, pages 490-501, Sept. 1995.

33. B.Bollobas, G.Das, D.Gunopulos, H.Mannila. Time-Series Similarity Problems and Well-Separated Geometric Sets. In Proc of the 13th SCG, Nice, France, 1997.

34. T.Bozkaya, N.Yazdani, M.Ozsoyoglu. Matching and Indexing Sequences of Different Lengths. InProc. Of the CIKM, Las Vegas, 1997.

35. G.Das, D.Gunopulos, H.Mannila. Finding Similar TimeSeries. InProc. Of the first PKDD Symp., pages 88-100, 1997.

36. C.Faloutsos, H.Jagadish, A.Mendelzon, T.Milo. Signature technique for similarity-based queries. In SEQUENCES 97, 1997.

37. S.Perng, H.Wang, S.Zhang, D.S.Parker. Landmarks: a New Model for Similarity-based Pattern Querying in Time Series Databases. In Proceedings of ICDE, pages33-42,2000.

38. Y.Qu, C.Wang, X.Wang. Supporting Fast Search in Time Series for Movement Patterns in Multiple Scales. In Proc of the ACMCIKM, pages 251-258,1998.

39. H.V.Jagadish, A.O.Mendelzon, T.Milo. Similarity-based queries. InProc. Of the 14th ACMPODS, pages36-45, May 1995.

40. S.-L.Lee, S.-J.Chun, D.-H.Kim, J.-H.Lee, C.W.Chung. Similarity Search for Multidimensional Data Sequences. In Proceedings of ICDE, pages 599-608, 2000.

41. C.Faloutsos, M.Ranganathan, I.Manolopoulos. Fast Subsequence Matching in Time Series Databases. In Proceedings of ACMSIGMOD, pages419^29, May 1994.

42. T.Bozkaya, N.Yazdani, M.Ozsoyoglu. Matching and Indexing Sequences ofDifferent Lengths. InProc. Of the CIKM, Las Vegas, 1997.120

43. S.Gaffncy, P.Smyth. Trajectory Clustering with Mix-tures of Regression Models. InProc. Of the 5th ACMSIGKDD, SanDiego, CA, pages63-72, Aug.1999.

44. P.KAgarwal, L.Arge, J.Erickson. Indexing moving points. InProc. Of the 19th ACM Symp.on Principles of Database Systems (PODS), pages 175-186,2000.

45. G.Kollios, D.Gunopulos, V.Tsotras. On Indexing Mo-bile Objects. InProc. Of the 18th ACM Symp. On Principles of Database Systems (PODS), pages261-272, Junel 999.

46. S.Saltenis, C.Jensen, S.Leutenegger, M.A.Lopez. Indexing the Positions of Continuously Moving Objects. In Proceedings of the ACMSIGMOD, pages 331-342, May 2000.

47. D.Pfoser, C.Jensen, Y.Theodoridis. Novel Approaches in Query Processing for Moving Objects. In Proceedings of VLDB, CairoEgypt, Sept. 2000.

48. The First Computers: History and Architectures, edited by Raul Rojas and Ulf Hashagen, MIT Press, 2000.

49. From Dits to Bits.: A Personal History of the Electronic Computer, Herman Lukoff, 1979. Robotics Press

50. John Bayko, Great Microprocessors of the Past and Present, 2003 (http://www.sasktelwebsite.net/jbayko/cpu.html)

51. Jeffrey Richter, Advanced Windows, Microsoft Press 2000

52. Ершова Н.Ю., Соловьев A.B., Организация вычислительных систем, ИНТУИТ.ру, 2006

53. D. Berndt and J. Clifford. Using Dynamic Time Warping to Find Patterns in Time Series. In Proc. of KDD Workshop, 1994

54. M. Vlachos, G. Kollios, and D. Gunopulos. Discovering similar multidimensional trajectories. In Proc. of ICDE, 2002.

55. G. Das, D. Gunopulos, and H. Mannila. Finding Similar Time Series. In Proc. of the First PKDD Symp., pages 88-100,1997.

56. S. Park, W. Chu, J. Yoon, and C. Hsu. Efficient Searches for Similar Subsequences of Different Lengths in Sequence Databases. In Proceedings of ICDE, pages 23-32,2000.

57. Ю.В. Андреев, А.С. Дмитриев, ДА. Кумииов, Хаотические процессоры, Москва. Успехи современной радиоэлектроники, N10,1997

58. А. А. Жданов, А.Е. Устюжанин, Возможности использования технологии детерминированного хаоса в системах автономного адаптивного управления, Москва, сборник трудов ИСП РАН, с141-180, 2001

59. Yu. V. Andreyev, A. S. Dmitriev, D. A. Kuminov, V. V. Pavlov. Information processing in 1-d and 2-d map: recurrent and cellular neural networks implementation, CNNA'96, Seville, Spain, 1996

60. Guttman A., 'R-trees: A Dynamic Index Structure for Spatial Searching', Proc. ACM SIGMOD Int. Conf. on Management of Data, Boston, MA, 1984, pp. 47-57.

61. Eamonn J. Keogh, Shruti Kasetty. On the Need for Time Series Data Mining Benchmarks: A Survey and Empirical Demonstration. In International Conference on Knowledge Discovery and Data Mining, pages 102-111, Edmonton, Canada, July 2002.

62. База данных слов австралийского языка глухонемых, http://kdd.ics.uci.edu/databases/auslan/auslan.html

63. Chen, L. and R. Т. Ng, On The Marriage of Lp-norms and Edit Distance, Proc. Ind. Conf. on Very Large Data Bases (VLDB). pp. 792—803,2004

64. Chen L., Ozsu M., Oria V., Robust and fast similarity search for moving object trajectories, Proc. of ACM SIGMOD international conference on Management of data, pp 491-502,2005

65. S. Thurn, Robotic mapping: a survey, Technical report, CMU-CS-02-111, School of computer science, Carnegie Mellon University, Pittsburg, PA, 2002

66. I.J. Cox and J.J. Leonard. Modeling a dynamic environment using a Bayesian multiple hypothesis approach. Artificial Intelligence, 66:311-344, 1994.

67. M. Bosse, P. Newman, M. Soika, W. Feiten, J. Leonard, and S. Teller. An adas framework for scalable mapping. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), 2003.

68. T. Bailey. Mobile Robot Localization and Mapping in Extensive Outdoor Environments. PhD thesis, University of Sydney, Sydney, NSW, Australia, 2002.

69. AIBO (Artificial Intelligent roBOt), http://en.wikipedia.org/wiki/Aibo

70. RoboCup official site, http://robocup.org/

71. Micromouse Maze Competition, http://www.np.edu.sg/~adp-alpha/micromouse/micemain.htm

72. Российская олимпиада роботов, http://www.robosport.ru/

73. Соревнование роботов-пожарников, Trinity College, Hartford, Connecticut, http://www.trincoll.edu/events/robot/

74. Часто задаваемые вопрос и ответы по робототехнике, http://robots.net/rcfaq.html

75. А.В. Сыцко, Система управления автономным мобильным роботом на основе адаптивного резонанса Материалы XXIX Академических чтений по космонавтике, 2005 год. М.: 2005. с. 93.

76. А.А. Жданов, М.В. Крьгжаиовский, Н.Б. Преображенский. Бионическая интеллектуальная автономная адаптивная система управления мобильным роботом (часть 1): Мехатроника, 2004, N1, С. 21-30.

77. Э. Гамма, Р. Хелм, Р. Джонсон, Дж. Влиссндес, Приемы объектно-ориентированного проектирования. Паттерны проектирования, Питер, 2001

78. Thomas Seidl, Hans-Peter Kriegel, 'Optimal Multi-Step k-Nearest Neighbor Search', Proceedings of the ACM SIGMOD, 1998

79. King Lum Cheung, Ada Wai-chee Fu:, 'Enhanced nearest neighbor search on the R-tree', SIGMOD Record, vol. 27, num. 3,1998

80. Marioh Hadjieleftheriou, Spatiallndex Library, http://u-foria.org/marioh/spatialindex/

81. Brian Gerkey, Kasper Stoy, Richard T. Vaughan, Player Robot Server. Technical Report IRIS-00-392, Institute for Robotics and Intelligent Systems, School of Engineering, University of Southern California, November 2000

82. Проект моделирования мобильных роботов Player/Stage, http: / / playerstage.sourceforge.net/

83. Библиотека Java-player, проект взаимодействия с сервером player для пользовательских приложений на языке Java. http://java-player.sourceforge.net/

84. Устюжанин А.Е., Ассоциативная память контурных объектов на основе вейвлет представлений // Процессы и методы обработки информации. М., 2005.

85. Библиотека управления мобильными роботами в среде Player/Stage па языке Java: http://java-player.sourceforge.net/

86. Anargyos Krikelis, Charles С. Weems (editors) (1997) Associative Processing and Processors, IEEE Computer Science Press. ISBN 0-8186-7661-2