автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Метод построения и исследование нейросетевых визуальных планировщиков перемещений подвижных объектов

Сиротенко Михаил Юрьевич

МЕТОД ПОСТРОЕНИЯ И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ ВИЗУАЛЬНЫХ ПЛАНИРОВЩИКОВ ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ

ОБЪЕКТОВ

05.13.01 - Системный анализ, управление и обработка информации (в машиностроении)

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

Таганрог-2009

Работа ■ выполнена в Технологическом институте Федерального государственного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.

кандидат технических наук Пшихопов Вячеслав Хасанович

доктор технических наук Капустян Сергей Григорьевич

кандидат технических наук Лукьянов Евгений Анатольевич

Ведущая организация: НИИ специального машиностроения МГТУ им.Н.Э. Баумана.

Защита состоится 22 сентября 2009 г. в 15 часов на заседании диссертационного совета Д.212.058.04 при государственном образовательном учреждении высшего профессионального образования «Донской государственный технический университет» по адресу: 344000, г. Ростов-на-Дону, площадь Гагарина, 1.

С диссертацией можно ознакомиться в научно-технической библиотеке ГОУ ВПО ДГТУ.

Автореферат разослан «21» августа 2009 г.

Научный руководитель: Официальные оппоненты:

Ученый секретарь диссертационного совета, •Н.С. Могилевская

канд. техн. наук, доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

Развитие таких областей науки как информатика, механика, микроэлектроника, ' кибернетика, позволило разработать и реализовать множество эффективных исполнительных механизмов, сенсорных устройств, средств вычислительной техники, используемых при реализации подвижных объектов (ПО). С другой стороны ключевой проблемой на пути создания автономных подвижных объектов является разработка системы управления, способной на основе данных от сенсорной системы формировать такие управляющие воздействия на исполнительные механизмы (ИМ), которые позволяли бы выполнять поставленные перед ПО задачи автономно, в априори неформализованных или частично формализованных средах. Различным аспектам этой проблемы посвящены работы как отечественных (Галушкин А.И., Каляев И.А., Капустяя С.Г., Лохин В.М., Люмельский В.Ю., Макаров И.М., Манько C.B., Носков В.П., Пшихопов В.Х., Чернухин Ю.В., Юревич Е.И.), так и зарубежных (Kavraki L. Е., Khatib О., Lamond J.-P., Latombe J.C., LaValle S.M., LeCun Y., Lindèmarm S.R.) ученых.

Для реализации такой- системы управления необходима разработка интеллектуального планировщика, способного формировать траектории движения на основе сенсорных данных в реальном режиме времени для тактического уровня системы управления в соответствии с глобальными целями и задачами ПО. На сегодняшний день планирование перемещений подвижных объектов является довольно хорошо изученной проблемой, для решения которой существует ряд методов и алгоритмов имеющих свои достоинства и недостатки.

Так, классические методы планирования перемещений голономных и неголономных подвижных объектов позволяют получить решения, минимизирующие выбранный критерий, и. подходят для сред с большим количеством статических объектов, но не применимы для планирования в реальном времени. Подходы, основанные на применении лазерных сканирующих систем, позволяют получить профиль статических и динамических препятствий и сформировать траекторию обхода этих препятствий, но в силу габаритов и стоимости этих систем их область применения ограничена. Напротив, использование довольно дешевых и малогабаритных ультразвуковых или инфракрасных дальнометрических датчиков, предоставляет слишком мало данных о внешней среде, чтобы осуществлять эффективное планирование движения. В этой связи системы технического зрения на базе телекамер позволяют получать полную информацию о внешней среде ПО, обладая сравнительно малыми габаритами, стоимостью и энергопотреблением. Именно поэтому, усилия многих научных коллективов направлены на создание систем планирования, способных на основе визуальной информации формировать траектории движения, необходимые для выполнения задач, поставленных перед подвижным объектом. Такие планировщики называют визуальными.

В диссертации решается задача разработки и исследования метода построения нейросетевых визуальных планировщиков перемещений подвижных объектов, позволяющих формировать траектории движения на основе визуальной

информации в априори неформализованных средах посредством обучения. Данный метод представляет интерес при проектировании современных автономных и автоматизированных подвижных объектов.

Тематика диссертации соответствует приоритетным направлениям развития науки, технологий и техники в Российской Федерации «Транспортные, авиационные и космические системы», «Перспективные вооружения, военная и специальная техника», а также критическим технологиям «Базовые и критические военные, специальные и промышленные технологии», «Технологии создания и управления новыми видами транспортных систем».

Целью диссертационной работы является расширение функциональных возможностей, повышение быстродействия и точности отработки заданий подвижными объектами за счет разработки метода построения, исследования и практической реализации визуальных нейросетевых планировщиков перемещений.

Объектом исследования в диссертационной работе являются системы планирования перемещений подвижных объектов.

Предметом исследования является метод и процедуры построения, обучения и моделирования визуальных нейросетевых планировщиков перемещений подвижных объектов.

Методы исследовяния. Для решения поставленных в работе задач применились методы теории искусственных нейронных сетей, нейроинформатики, систем технического зрения, вычислительных систем. Проверка полученных теоретических результатов выполнялась с использованием методов численного моделирования в среде МАТЬАВ и подтверждена результатами натурных экспериментов на автономном мобильном роботе «Скиф-3».

Наиболее существенные научные результаты, полученные лично автором, и степень их новизны:

- метод построения визуальных нейросетевых планировщиков, впервые использующий сверточные нейронные сети для интеллектуальной обработки входных данных и позволяющий на основе параметров входных и выходных данных определить структуру и состав планировщика уже на стадии его проектирования, а также, в отличие от известных подходов, исключить из структуры планировщика блоки предобработки данных, что обеспечивает возможность функционирования планировщика в реальном масштабе времени;

- метод формирования обучающей выборки для нейросетевого планировщика, отличающийся от экспертного формирования выборки использованием дополнительных сенсоров, а также наличием специальных алгоритмов, увеличивающих репрезентативность выборки, что позволяет автоматизировать процесс адаптации планировщика к изменяющимся условиям внешней среды, и, по сравнению с известными результатами, ускорить сходимость процесса обучения и снизить количество неверно распознанных ситуаций;

- метод программно-аппаратной реализации планировщиков, отличающийся использованием особенностей процесса обратного распространения ошибки в сверточных нейронных сетях, что позволяет, в сравнении с планировщиками на

базе полносвязных сетей, сократить сроки реализации систем управления и повысить' их быстродействие;

- визуальный нейросетевой планировщик перемещений подвижных объектов, не требующий, в отличие от известных решений, применения активных сенсорных устройств, отличающийся алгоритмами обучения и видом формируемых траекторий, что ' позволяет расширить функциональные возможности подвижных объектов, увеличить точность выполнения ими заданий и уменьшить их габаритные размеры.

Теоретическая значимость работы.

Представленный в диссертации метод существенно дополняет известные теоретические подходы к проектированию планировщиков перемещений для подвижных объектов, т.к. позволяет конструировать планировщики, формирующие траектории движения в виде как линейных, так и квадратичных форм базовых координат на основе только визуальной информации, без использования активных сенсоров. Кроме того, за счет использования в основе планировщика обучаемой системы, предложенные в работе структурно-алгоритмические решения позволили унифицировать разработанный метод для использования при проектировании систем управления подвижными объектами, функционирующими в существенно различных условиях (условия освещенности, текстуры фона, объектов и т.д.) и решающими существенно различные задачи (обход препятствий, слежение за объектом, движение вдоль визуальных меток).

Практическая значимость работы.

Предложенные методы и подходы позволяют перейти на качественно новый уровень проектирования систем планирования перемещений, обеспечивая повышение точности формирования ими траекторий движения подвижных объектов, степени их обучаемости, а также снижение массогабаритных и стоимостных показателей систем управления в целом. Это позволяет придать подвижным объектам на базе различных носителей (наземные роботы, летательные и подводные аппараты) свойство автономности при перемещении в априори неформализованных средах и существенно расширить их область функционирования.

Реализация результатов. Теоретические и практические разработки, выполненные в рамках данной работы использованы при создании колесного автономного мобильного робота «Скиф-3», а также при выполнении НИР «Разработка экспериментального образца интегрированной системы управления роботизированным воздухоплавательным комплексом на базе дирижабля» (шифр «Автокорд-Т»),

Достоверность полученных результатов:

- обеспечивается применением принципов и методов нейроинформатики, построения искусственных нейронных сетей, систем технического зрения, а также строгими математическими выводами;

- подтверждается результатами компьютерного моделирования, а также экспериментальной реализацией алгоритмов планирования;

- согласуется с данными экспериментов и результатами исследований других авторов, представленными в печатных изданиях.

Апробация работы. Основные результаты исследований по теме диссертации докладывались на конференции «Перспективные системы и задачи управления» (п. Домбай, 2009 г.), международном коллоквиуме «Мехатроника-2006» (г. Новочеркасск, 2006 г.), первой Всероссийской научной конференции студентов и аспирантов (с международным участием) «Робототехника, мехатроника и интеллектуальные системы» (г. Таганрог, 2005), федеральной итоговой научно-технической конференции «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам» (г. Москва, 2004 г.), научно-технической конференции «Экстремальная робототехника» (г. Санкт-Петербург, 2004 г.), научной школы-конференции «Мобильные роботы и мехатронные системы» (г. Москва, 2003 г.).

Высокий уровень разработок по теме диссертации отмечен почетной грамотой и индивидуальным грантом Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса» («У.М.Н.И.К.», 2009 г), медалью министра образования и науки РФ за лучшую студенческую работу (2005 г.), дипломом победителя федеральной итоговой научно-технической конференции «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам» (МИЭМ, Москва, 2004), премией главы администрации (губернатора) Ростовской области за успехи в науке и др.

Публикации.

Основные результаты исследований по теме диссертации изложены в 19 печатных работах, в том числе в 6 статьях в ведущих научных изданиях, рекомендованных ВАК для публикации результатов работ по диссертациям на соискание ученой степени кандидата технических наук, в 13 статьях в материалах Всероссийских и международных конференций. Шесть работ из 19 опубликованы автором единолично.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, содержащего 140 наименований, и содержания. Текст работы изложен на 194 страницах, содержит 36 рисунков, 5 таблиц и 1 приложение.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определены цель и задачи исследований, выделены основные положения работы, имеющие новизну и практическую значимость.

В первой главе произведен анализ литературы в области планирования перемещений подвижных объектов. В результате анализа установлено, что систему управления подвижного объекта можно условно разделить на верхний и нижний уровни. Нижним уровнем является регулятор, реализующий заданный закон управления и формирующий управляющие воздействия на исполнительные механизмы подвижного объекта в соответствии с заданной траекторией. Верхним уровнем является планировщик, который, в соответствии с глобальными целями и задачами, формирует траектории в пространстве внешних координат. Данные

траектории в_ общем случае могут быть непрерывными и дискретными, представлять собой последовательность действий или же траекторию движения робота в трехмерном пространстве. Входными данными для работы планировщика являются цель, априорная информация о внешней среде и сенсорные данные.

Показано, что в связи с активным развитием мобильной робототехники появляется все больше работ в области создания интеллектуальных планировщиков перемещений, интегрированных с сенсорными системами. Большинство существующих на сегодня планировщиков перемещений при всех своих достоинствах имеют один или несколько следующих недостатков: неспособность к обучению и адаптации к внешней среде, невозможность планирования сложных траекторий (в виде квадратичных и линейных форм), невозможность функционирования системы в реальном времени, невозможность реализации системы в рамках автономного подвижного объекта, необходимость наличия дорогостоящих сканирующих сенсорных систем.

Вторая глава посвящена разработке метода построения нейросетевого визуального планировщика перемещений подвижных объектов.

В работе предлагается задавать траектории движения подвижных объектов в виде квадратичных и линейных форм внешних координат. Данные уравнения позволяют представлять траектории в виде прямых, окружностей, эллипсов, парабол в информационно минимальном виде.

В работе предложена обобщенная структура нейросетевого визуального планировщика перемещений, представленая на рисунке 1.

Входными данными для планировщика являются изображение от системы технического зрения, цель и карта. Изображение содержит данные о внешней среде в трудноформализуемом виде. Цель задается оператором и может представлять собой как некоторую точку в пространстве, к которой необходимо осуществить движение, так и траекторию вдоль которой необходимо двигаться. Карта может представлять собой априори известные сведения о внешней среде, если таковые имеются. Это может быть карта рельефа местности, или известных препятствий. В предельном случае карта может быть пустой, что означает полное отсутствие каких-либо предварительных данных о внешней среде.

Планировщик состоит из двух подсистем - глобального планировщика, осуществляющего планирование траектории на основе информации о карте и цели и локальный нейросетевой планировщик. В работе предложен алгоритм формирования глобальной траектории, состоящей из квадратичных и линейных форм, основанный на алгоритме вероятностных дорожных карт. Локальный планировщик обрабатывает визуальные данные и формирует на выходе локальные траектории движения. Глобальная и локальная траектории совмещаются в блоке постобработки данных, на основе информации о положении ПО, поступающих от навигационной системы. В том случае, если отсутствует карта, т.е. внешняя среда неопределенна, планирование осуществляется только локальным нейросегевым планировщиком.

В диссертационной работе впервые предложено использовать сверточную нейронную сеть для осуществления локального планирования траекторий на

дгшы»

Предобработка | [ сходных ..........

ДЛИНЫ* :| |

Локяяьим» I1

НЁИросвтеееи — ппаикроащии J

в&даа дмы* дакныж Г

Нлоигаиионнай система

Рис. I. Обобщенная структура нейросетевого планировщика перемещений на базе сверточных нейронных сетей основе визуальной . информации. Данный тип нейросети (ПС) имеет; ряд особенностей по сравнению с классическими НС:

1) Искусственное ограничение, наложенное на весовые коэффициенты IV, которое предполагает использование одного набора весов для различных связей (разделение весов).

2) Структура слоев, предполагающая чередование сверточного (С-)слоя, в котором происходит перемножение выходов предыдущего слоя с разделяемыми весами и субдискретизирующего (З-)слоя, понижающего размерность карты признаков на выходе предыдущего слоя.

3) Наличие полносвязного выходного слоя.

В диссертационной работе предлагается процедура выбора архитектуры сверточной нейронной сети на основе анализа входных данных. Основной принцип данной процедуры заключается в постепенном уменьшении, от слоя к слою, пространственной размерности карт признаков при одновременном увеличении их количества таким образом, чтобы выходами последнего слоя являлись вектора признаков.

Показано, что для сверточной нейронной сети выражения процесс прямого

распространения сигнала, описывается выражением: <3 ЛУм> »У Л ч

■ +^ 1

¡г=1 М=1 «=1 '

для сверточного слоя и: 5Г 5г

0)

-а

^ ' -Ч (2)

для субдискретизирующего слоя, где . - т-ая карта признаков (матрица выходов) к-то слоя, (} - количество входных карт признаков, т.е. количество

выходных карт признаков слоя А-1; И'м> и ]\;!г соответственно количество столбцов и строк матрицы разделяемых весов; А"; - д-ая карта признаков на выходе предыдущего слоя, для первого слоя =, Р - функция активации, а 5> -

степень субдискретизации.

В работе показано, что вычисление градиента ошибки для скрытых сверточных слоев можно представить следующими выражениями:

где / - номер карты признаков, т - номер ядра свертки, к - номер слоя, conv() представляет собой функцию двумерной свертки, rot 180() - функция, осуществляющая поворот матрицы на 180 градусов, convf - функция, так называемой полной двумерной свертки, которая дополняет, сворачиваемую матрицу kw-1 столбцами и kh-1 строками нулей и затем осуществляет стандартную двумерную свертку. Выражения (3), (4) отражают тот факт, что количество связей в сверточной нейронной сети значительно больше количества весов.

В работе также предложено использовать стохастическую модификацию алгоритма обучения Левенберга-Марквардта для ускорения сходимости обучения. Суть данной модификации заключается в вычислении диагональной аппроксимации матрицы Гессе путем обратного распространения второй производной, аналогично выражениям (3), (4). Предложены процедуры предварительной обработки данных и комплексирования глобальной и локальной траекторий. В зависимости от конфигурации сети и используемой аппаратной платформы предложенные процедуры позволяют повысить скорость обучения на 10-50%, а требования к памяти снизить на 100-200% по сравнению с использованием стандартного алгоритма обратного распространения ошибки.

Таким образом, разработанный в работе метод построения нейросетевых визуальных планировщиков предполагает наличие следующих этапов:

- выбор архитектуры СНС на основе анализа входных данных планировщика;

- формирование нейросетевого планировщика в соответствии со структурой, представленной на рис. 1;

- сбор обучающих данных, состоящих из изображений и желаемых траекторий, разбиение этих данных на обучающую и тестовую выборки в соответствии с процедурами, изложенными в главе 3;

- предварительная обработка обучающих данных;

- обучение нейросетевого планировщика;

- проверка качества обучения на тестовой выборке;

- программно-аппаратная реализация сконструированного планировщика.

Разработанный метод позволяет создавать нейростевые планировщики

перемещений, способные формировать траектории движения подвижных объектов в виде квадратичных и линейных форм внешних координат на основе

(3)

(4)

m

Среда Matlab

i I Класс сиертоммы* t нейронных сотой CNN I

Модуль ЗЗф/ЗК« *

сохранения ■ обучении.«* дакни*

Модуль генерации (• / окунающих денных i (

\ Модуль виэуялимцик t:

)

•МТфайп

Приложение Windows

Библиотека для реализации СНС

J

Рйс. 2. Структура программного комплекса изображений, без использования сложных процедур их предварительной обработки.

В третьей главе описаны разработанные средства и процедуры моделирования нейросетевых планировщиков перемещений, а также процедуры сбора обучающих данных.

Для разработки, исследования и реализации нейросетевых планировщиков перемещений в рамках диссертационной работы разработан программный комплекс, структура которого представлена на рис. 2.

В качестве среды разработки использовалась распространенная и легко расширяемая среда инженерного программирования и вычислений Matlab. Для моделирования и обучения СНС в рамках среды Matlab был написан программный класс CNN, в который входят функции инициализации сети, обучения по методу стохастического градиентного спуска, стохастической диагональной аппроксимации метода Левенберга-Марквардта, нормализации обучающих данных, симуляции сети и множество утилитарных и отладочных функций.

Одной из особенностей созданного класса является его универсальность за счет использования объектно-ориентированного подхода в процессе разработки. Для подтверждения корректности работы класса CNN была выбрана широко освещенная в литературе задача распознавания рукописных символов. Используя общедоступные данные, была сформирована и обучена сверточная нейронная сеть. Ошибка распознавания после обучения составила 0,95%, что совпало с результатами полученными другими авторами, и позволило верифицировать разработанный программный комплекс.

В работе также описывается процесс реализации вспомогательных модулей и библиотеки для реализации СНС на языках высокого уровня, таких как С++.

В работе предложено два подхода к формированию обучающей выборки. Первый подход предназначен для исследования нейросетевого планировщика в режиме моделирования. Суть подхода заключается в использовании псевдореалистичной трехмерной графики для обучения сети. В частности, используя различные САПР, такие как 3D Studio Мах, Bryce, V-Realm и др. создаются объекты внешней среды, ландшафт, препятствия. Тогда генерация

Рис. 3. Результат моделирования работы НС планировщика для задачи обхода препятствия автономным мобильным роботом на базе дирижабля входных изображений заключается в формировании кадров с псевдослучайным расположением препятствий, фона и камеры. Формирование желаемой траектории производится на основе априорных знаний об истинном расположении препятствий в виртуальной среде.

Используя разработанный программный комплекс, был синтезирован и обучен нейросетевой планировщик перемещений для решения задачи обхода препятствия в трехмерном пространстве. Результаты моделирования приведены на рис. 3. Слева на рисунке 3 приводятся примеры изображений, получаемых системой технического зрения, в случае, когда автономный мобильный робот на базе дирижабля пролетает над горной местностью и встречает на пути препятствие в виде самолета. В правой части рисунка показан сам дирижабль (овал), препятствие (круг), сплошной линией показана желаемая траектория обхода препятствия, пунктирной линией показана траектория, сформированная нейросетевым планировщиком. Качество работы планировщика оценивалось по двум критериям - качество классификации и точность построения траектории. Траектория считалась верно классифицированной, если при существовании препятствия она не пересекала его плоскость, в остальных случаях, включая

Рис. 4. Автономный мобильный робот «Скиф-3»

случаи, когда препятствие отсутствовало, траектория считалась неверно классифицированной. Точность оценивалась путем вычисления среднеквадратичного отклонения (СКО) между траекторией, сформированной нейросетевым планировщиком, и траекторией, вычисленной геометрически с учетом точных знаний координат препятствия. Вычисление СКО производилось только для верно классифицированных траекторий. Проверка работы планировщика на тестовой выборке, состоящей из 500 элементов, показала, что количество неверно классифицированных траекторий составило менее 1%, а СКО сформированных траекторий составила 11% от размера препятствия.

В четвёртой главе описываются результаты экспериментального исследования разработанного метода.

В качестве платформы для отработки предложенных подходов был использован колесный мобильный робот «Скиф-3», внешний вид которого представлен на рис. 4.

Робот представляет собой колесную тележку с танковой кинематической схемой. Система управления робота состоит из микроконтроллерного блока управления на базе МК Atmel и процессорной платы на базе Intel Celeron. Микроконтроллерный блок управления (МКБУ) подает управляющие воздействия непосредственно на двигатели.

Формирование уставок для МКБУ осуществляет процессорная плата, на которой выполняются векторный регулятор и планировщик. В штатном режиме робот оснащен системой технического зрения на базе камеры Axis 206. В режиме сбора обучающих данных, как показано на рис. 4, дополнительно устанавливается двумерный лазерный сканер Sick LMS-291-S05.

С помощью установленного лазерного дальномера и СТЗ были накоплены данные профилей и изображений препятствий, на основе которых сгенерирована обучающая выборка, состоящая из 5000 образцов. В соответствии с изложенным

г

(

; - 1 |

■■ 'л*- ф ...^¿¿¿г■.-"*■;>■ -41

I ■ '.-,-■»•■. • . ■ ■■ ... >■ ...;; ■■'«г?". ' '. .■-•---.-Л' " - > -в*

выше методом был синтезирован и обучен нейросетевой планировщик. Примеры результатов тестирования его работы показаны на рис. 5. В верхней части рисунка показаны кадры видеоизображении СТЗ, в нижней соответствующая им карта дальностей и траектории обхода препятствия.Пунктиром показана траектория, сформированная алгоритмом генерации обучающих выборок с учетом данных от сканера (желаемая траектория), сплошной линией - траектория на выходе планировщика, без учета информации от сканера.

Анализ результатов эксперимента показал, что траектории обхода препятствий, сформированные планировщиком, отличаются от желаемых траекторий, но, тем не менее, позволяют роботу обходить препятствия без столкновений. Среднеквадратическая ошибка для тестового набора, состоящего из 300 образцов, составила 0,17 м, что можно учесть при проектировании подобных систем. Количество неверно классифицированных траекторий составило 4,33% от тестовой выборки. Анализ обучающей выборки показал, что данная погрешность во многом связана с неточностями и погрешностями в обучающей выборке. Сравнение полученных результатов с наиболее близкими из известных показало, что предложенный в работе метод позволяет формировать планировщики перемещений, повышающие качество классификации и точность отработки в 3-7 раз.

Заключение и выводы по работе

В работе, на основании выполненных исследований разработан метод, который позволил решить научную задачу построения нейросетевого визуального планировщика перемещений для подвижных объектов, функционирующих в

I

I.

формализованных и априори неформализованных средах, и имеющую важное хозяйственное значение:

В работы получены следующие результаты: -

1. Разработан визуальный нейросетевой планировщик перемещений подвижных объектов для априори неформализованных сред, отличающийся от известных планировщиков использованием сверточной нейронной сети в качестве основного вычислительного элемента, возможностью функционирования в реальном масштабе времени без применения активных сенсорных устройств, алгоритмами обучения и видом формируемых траекторий, что позволяет, в сравнении с известными решениями, расширить функциональные возможности подвижных объектов, увеличить точность выполнения ими заданий и уменьшить их габаритные размеры в 23 раза.

2. Разработан метод построения визуальных нейросетевых планировщиков, впервые представленный в данной работе, позволяющий на основе параметров входных и выходных данных определить структуру и состав планировщика для широкого круга задач;

3. Разработан метод формирования обучающей выборки для нейросетевого планировщика, отличающийся от экспертного формирования выборки использованием дополнительных сенсоров, а также наличием специальных алгоритмов, увеличивающих репрезентативность выборки, что позволяет автоматизировать процесс адаптации планировщика к изменяющимся условиям внешней среды, и, по сравнению с известными результатами, ускорить сходимость процесса обучения на 10-50% и снизить количество неверно распознанных ситуаций в 3-7 раз.

4. Разработан метод программно-аппаратной реализации планировщиков, отличающийся использованием особенностей процесса обратного распространения ошибки в сверточных нейронных сетях, что позволяет, в сравнении с планировщиками на базе полносвязных сетей, сократить сроки реализации систем управления и повысить их быстродействие

Указанные результаты могут быть использованы для реализации высокоэффективных подвижных объектов на базе летательных и подводных аппаратов, наземных и воздухоплавательных средств, оборудованных системами технического зрения, в задачах организации перемещений в априори неформализованных средах.

Основные публикации по теме диссертации

Публикации в журналах, рекомендованных ВАК для публикации результатов работ по диссертациям на соискание ученой степени кандидата технических наук:

1. Пшихопов В.Х., Сиротенко М.Ю. Структурно-алгоритмическая реализация системы управления автономным мобильным роботом с нейросетевым планировщиком перемещений // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». - Таганрог, 2004. - №3. - С. 185-191.

2. Пшихопов В.Х., Сиротенко М.Ю., Гуренко Б.В. Структурная организация систем автоматического управления подводными аппаратами для априори

неформализованных сред // Информационно-измерительные и управляющие системы. Интеллектуальные и адаптивные роботы. - М., - 2006. - Т.4. С. 73-79.

3. Пшихопов В.Х., Медведев М.Ю„ Сиротенко М.Ю., Носко О.Э., Юрченко А.С. Проектирование систем управления роботизированных воздухоплавательных комплексов на базе дирижаблей // Известия ТРТУ: Тематический выпуск. «Песпективные системы и задачи управления». - Таганрог, - 2006. - № 3 (58). -С. 160-167.

4. Сиротенко М.Ю. Синтез нейросетевого плакировщика перемещений автономного роботизированного комплекса на базе дирижабля, функционирующего в априори неформализованной среде // Известия ЮФУ. Технические науки. Тематический выпуск «Перспективные системы и задачи управления».-Таганрог,-2008.-№ 12(89).-С. 135-142.

5. Медведев М.Ю., Пшихопов В.Х., Сиротенко М.Ю. Алгоритмы адаптивного управления судном на воздушной подушке // Известия ЮФУ. Технические науки. Специальный выпуск. Материалы LIII научно-технической конференции профессорско-преподавательского состава, аспирантов и сотрудников ТТИ ЮФУ. - Тагакрог, - 2008. - № 1 (78). - С. 189-194.

6. Сиротенко М.Ю., Пшихопов В.Х. Принципы построения нейросетевых планировщиков перемещений мобильных роботов для априори неформализуемых сред // Известия ЮФУ. Технические науки. Специальный выпуск. Материалы LIII научно-технической конференции профессорско-преподавательского состава, аспирантов и сотрудников ТТИ ЮФУ .-Таганрог, - 2008. - № 1 (78). - С. 196-198.

Публикации статей:

7. Сиротенко М.Ю. Нейросетевая система планирования движения мобильного робота // Мобильные роботы и мехатронные системы: Материалы научной школы-конференции (Москва, 17-18 ноября 2003). - М., - 2004. - С. 318325.

8. Пшихопов В.Х., Сиротенко М.Ю. Нейросетевое планирование 2D-траекторий движения для автономных мобильных роботов с синергетическим позиционно-траекторным регулятором // Адаптивные роботы 2004: Труды Международной научной школы-семинара (Санкт-Петербург, июнь 2004). - М., -2004.-С. 61-64.

9. Сиротенко М.Ю. Нейросетевой ЗО-планировщик перемещений автономных мобильных роботов // Сб. тр. научно-технической конференции «Экстремальная робототехника» / Под научной ред. проф. Е.И. Юревича. - СПб., 2004. - С. 54-59.

10. Pshikhopov V., Sirotenko М. The New Approach to Structure-Algorithmic Organization Autonomous Mobile Robot Control Systems with Neural Network Motion Planner Design. Proceedings of the VIII International SAUM Conference on Systems, Automatic Control and Measurements - Belgrade, 2004.

11. Сиротенко М.Ю. Использование сверточных нейронных сетей при планировании траекторий движения мобильных роботов // Мобильные роботы и мехатронные системы: Материалы научной школы-конференции (Москва, 23-27 октября 2006 г.). Под редакцией академика РАН В.А. Садовничего. - М., - 2006. -

12. Pshikhopov V.Kh., Medvedev M.Yu., Sirotenko M.Yu. and Batchaev M.A. Structural Design of Autopilots for Mobile Objects. Proceedings of the IX International Conference on Systems, Automatic Control and Measurements SAUM'07. - Nis, Serbia, 2007, pp. 151-156. ISBN 978-86-85195-49-5.

C.174-181.

13. Сиротенко М.Ю., Шамин P.B. Программно-аппаратная система дистанционного управления автономными мобильными роботами. Первая всероссийская научная конференция студентов и аспирантов (с международным участием) «Робототехника, мехатроника и интеллектуальные системы». -Таганрог: ТРТУ, Изд-во ТРТУ - 2005 - С. 57-60.

14. M.Yu. Medvedev, V.Kh. Pshikhopov, M.Yu. Sirotenko and M.A. Batchaev. Adaptive Control Algorithms for Mobile Objects with Disturbance Estimation. Proceedings of the IX International Conference on Systems, Automatic Control and Measurements SAUM'07. - Nis, Serbia, 2007, pp. 145-151. ISBN 978-86-85195-49-5.

15. Сиротенко М.Ю.. Выбор методов и алгоритмов реализации нейросетевого регулятора для управления динамическими объектами. - Таганрог: ТРТУ - 2003. -С 66-69.

16. Сиротенко М.Ю. Система планирования перемещений автономного мобильного робота. Фундаментальные и прикладные проблемы современной техники. Ростов н/Д: Изд-во СКНЦ ВШ - 2004.

17. Корнеев И.Г., Сиротенко М.Ю., Кабанец В.А., Иванов В.Е., Цимбал И.Г. Дистанционно управляемый 'мобильный робот «Стерх» на базе мини-дирижабля для задач мониторинга и диагностики. Федеральная итоговая научно-техническая конференция «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам». Материалы итоговой конференции - М.: МИЭМ, 2004 - С. 106-109.

18. Пшихопов В.Х., Сиротенко М.Ю.. Нейросетевые технологии планирования перемещений автономных мобильных роботов на базе дирижаблей. Материалы Третьей Всероссийской научно-практической конференции «Перспективные системы и задачи управления». - Таганрог: Изд-во ТТИ ЮФУ - 2008. Т.1. -С. 7679.

19. Сиротенко М. КЗ.. Процедура реализации на ЭВМ процессов прямого и обратного распространения в многослойных нейросетях. - Ростов-на-Дону: Издательство СКНЦ ВШ - 2003. -С. 107-112.

Вклад автора в работы, выполненные в соавторстве: в работах [1,2,3,5,6,8, 10,12,14,17,18] разработан подход к созданию и реализации нейросетевого планировщика перемещений в составе системы управления подвижного объекта; в работе [13] предложена архитектура программно-аппаратной системы дистанционного управления автономным мобильным роботом.

ЛР №020565 от 23 июня 1997г. Подписано.к печати_._.09

Формат 60*84 1/16. Бумага офсетная. Печать офсетная. Усл.п.л. - 2,0. Уч.-изд.л. - 1,9. Заказ №3'OD Тираж 100 экз. «С»

Издательство Технологического института

Южного федерального университета ГСП 17А, Таганрог, 28, Некрасовский, 44 . Типография Технологического института Южного федерального университета ГСП 17А, Таганрог, 28, Энгельса, 1

ВВЕДЕНИЕ.

Глава 1. ОБЗОР МЕТОДОВ И ПОДХОДОВ К СОЗДАНИЮ

ПЛАНИРОВЩИКОВ ПЕРЕМЕЩЕНИЙ МОБИЛЬНЫХ РОБОТОВ.

1.1 Анализ задач в области планирования перемещений мобильных роботов.

1.2 Обзор существующих подходов к созданию планировщиков перемещений мобильных роботов.

1.2.1 Дискретные методы планирования пути.

1.2.2 Планирование движений в непрерывных пространствах.

1.2.3 Методы обхода препятствий.

1.2.4 Методы визуального планирования и обхода препятствий.

1.2.5 Нейросетевые планировщики.

Выводы по главе 1.

Глава 2. РАЗРАБОТКА НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ ОБЪЕКТОВ.

2.1 Постановка задачи.

2.2 Конструирование планировщика.

2.2.1 Выбор представления траекторий.

2.2.2 Синтез обобщенной структуры планировщика.

2.2.3 Глобальное планирование траекторий.

2.2.4 Нейросетевой локальный планировщик с существенной предобработкой данных.

2.2.5 Нейросетевые алгоритмы на основе сверточных нейронных сетей.

2.3 Комплексирование локальной и глобальной траекторий движения.

Выводы по главе 2.

Глава 3. МОДЕЛИРОВАНИЕ ВИЗУАЛЬНОГО НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ ОБЪЕКТОВ.

3.1. Структура программного комплекса для конструирования и моделирования и реализации неГфосетевых планировщиков перемещений

3.2. Программный модуль для реализации и моделирования нейронных сетей.

3.3. Библиотека для реализации нейросетевых планировщиков на языках высокого уровня

3.4. Моделирование визуального нейросетевого планировщика.

3.4.1. Генерация обучающей выборки.

3.4.2. Результаты моделирования.

Выводы по главе 3.

Глава 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ВИЗУАЛЬНОГО НЕЙРОСЕТЕВОГО ПЛАНИРОВЩИКА ПЕРЕМЕЩЕНИЙ ПОДВИЖНЫХ ОБЪЕКТОВ

4.1 Описание подвижного объекта для экспериментального исследования.

4.2 Сбор обучающих данных.

4.3 Обучение и результаты эксперимета.

Выводы по главе 4.

Актуальность темы.

Развитие таких областей науки как информатика, механика, микроэлектроника, кибернетика, позволило разработать и реализовать множество эффективных исполнительных механизмов, сенсорных устройств, средств вычислительной техники, используемых при реализации подвижных объектов (ПО). С другой стороны ключевой проблемой на пути создания автономных подвижных объектов является разработка системы управления, способной на основе данных от сенсорной системы формировать такие управляющие воздействия на исполнительные механизмы (ИМ), которые позволяли бы выполнять поставленные перед ПО задачи автономно, в априори неформализованных или частично формализованных средах. Различным аспектам этой проблемы посвящены работы как отечественных (Галушкин А.И., Каляев И.А., Капустян С.Г., Лохин В.М., Люмельский В.Ю., Макаров И.М., Манько С.В., Носков В.П., Пшихопов В.Х., Чернухин Ю.В., Юревич Е.И.), так и зарубежных (Kavraki L. Е., Khatib О., Lamond J.-P., Latombe J.C., LaValle S.M., LeCun Y., Lindemann S.R.) ученых.

Для реализации такой системы управления необходима разработка интеллектуального планировщика, способного формировать траектории движения на основе сенсорных данных в реальном режиме времени для тактического уровня системы управления в соответствии с глобальными целями и задачами ПО. На сегодняшний день планирование перемещений подвижных объектов является довольно хорошо изученной проблемой, для решения которой существует ряд методов и алгоритмов имеющих свои достоинства и недостатки.

Так, классические методы планирования перемещений голономных и неголономных подвижных объектов позволяют получить решения, минимизирующие выбранный критерий, и подходят для сред с большим количеством статических объектов, но не применимы для планирования в реальном времени. Подходы, основанные на применении лазерных сканирующих систем, позволяют получить профиль статических и динамических препятствий и сформировать траекторию обхода этих препятствий, но в силу габаритов и стоимости этих систем их область применения ограничена. Напротив, использование довольно дешевых и малогабаритных ультразвуковых или инфракрасных дальнометрических датчиков, предоставляет слишком мало данных о внешней среде, чтобы осуществлять эффективное планирование движения. В этой связи системы технического зрения на базе телекамер позволяют получать полную информацию о внешней среде ПО, обладая сравнительно малыми габаритами, стоимостью и энергопотреблением. Именно поэтому, усилия многих научных коллективов направлены на создание систем планирования, способных на основе визуальной информации формировать траектории движения, необходимые для выполнения задач, поставленных перед подвижным объектом. Такие планировщики называют визуальными.

В диссертации решается задача разработки и исследования метода построения нейросетевых визуальных планировщиков перемещений подвижных объектов, позволяющих формировать траектории движения на основе визуальной информации в априори неформализованных средах посредством обучения. Данный метод представляет интерес при проектировании современных автономных и автоматизированных подвижных объектов.

Тематика диссертации соответствует приоритетным направлениям развития науки, технологий и техники в Российской Федерации «Транспортные, авиационные и космические системы», «Перспективные вооружения, военная и специальная техника», а также критическим технологиям «Базовые и критические военные, специальные и промышленные технологии», «Технологии создания и управления новыми видами транспортных систем».

Целью диссертационной работы является расширение функциональных возможностей, повышение быстродействия и точности отработки заданий подвижными объектами за счет разработки метода построения, исследования и практической реализации визуальных нейросетевых планировщиков перемещений.

Объектом исследования в диссертационной работе являются системы планирования перемещений подвижных объектов.

Предметом исследования является метод и процедуры построения, обучения и моделирования визуальных нейросетевых планировщиков перемещений подвижных объектов.

Методы исследования. Для решения поставленных в работе задач применились методы теории искусственных нейронных сетей, нейроинформатики, систем технического зрения, вычислительных систем. Проверка полученных теоретических результатов выполнялась с использованием методов численного моделирования в среде MATLAB и подтверждена результатами натурных экспериментов на автономном мобильном роботе «Скиф-3».

Наиболее существенные научные результаты, полученные лично автором, и степень их новизны:

- метод построения визуальных нейросетевых планировщиков, впервые использующий сверточные нейронные сети для интеллектуальной обработки входных данных и позволяющий на основе параметров входных и выходных данных определить структуру и состав планировщика уже на стадии его проектирования, а также, в отличие от известных подходов, исключить из структуры планировщика блоки предобработки данных, что обеспечивает возможность функционирования планировщика в реальном масштабе времени; - метод формирования обучающей выборки- для нейросетевого планировщика, отличающийся от экспертного/формирования выборки . использованием дополнительных сенсоров, а также наличием специальных алгоритмов, увеличивающих репрезентативность выборки, что позволяет автоматизировать процесс адаптации планировщика к изменяющимся условиям внешней среды, и, по сравнению с известными результатами, ускорить сходимость процесса обучения и снизить количество неверно распознанных ситуаций; . , ,: г метод программно-аппаратной, реализации планировщиков, отличающийся использованием особенностей процесса обратного; ' распространения, ошибки в сверточных нейронных сетях,' что позволяет, в сравнении с планировщиками на базе полносвязных сетей, сократить сроки • , реализации систем управления и повысить их быстродействие; : .

- визуальный нейросетевой планировщик перемещений подвижных объектов, не: требующий, в отличие от известных, решений, применения активных сенсорных, устройств,; отличающийся алгоритмами» обучения и i видом формируемых траекторий, что позволяет расширить функциональные ; возможности подвижных обт>ектов, увеличить точность выполнения ими заданий и уменьшить их габаритные размеры. . ■ Теоретическая значимость работы.

Представленный в диссертации метод существенно дополняет известные теоретические подходы к проектированию планировщиков ; перемещений для подвижных объектов, т.к. позволяет конструировать планировщики, формирующие траектории движения в виде как линейных, так и квадратичных форм базовых координат на основе только визуальной информации, без использования активных сенсоров. Кроме того, за счет использования в основе планировщика обучаемой системы, предложенные в , работе структурно-алгоритмические решения , позволили унифицировать разработанный метод доя использования при проектировании систем управления подвижными объектами, функционирующими в существерщо различных условиях (условия освещенности, текстуры фона, объектов и т.д.) и решающими существенно различные задачи (обход препятствий, слежение за объектом, движение вдоль визуальных меток).

Практическая значимость работы.

Предложенные методы и подходы позволяют перейти на качественно новый уровень проектирования систем планирования перемещений, обеспечивая повышение точности формирования ими траекторий движения подвижных объектов, степени их обучаемости, а также снижение массогабаритных и стоимостных показателей систем управления в целом. Это позволяет придать подвижным объектам на базе различных носителей (наземные роботы, летательные и подводные аппараты) свойство автономности при перемещении в априори неформализованных средах и существенно расширить их область функционирования.

Реализация результатов. Теоретические и практические разработки, выполненные в рамках данной работы использованы при создании колесного автономного мобильного робота «Скиф-3», а также при выполнении НИР «Разработка экспериментального образца интегрированной системы управления роботизированным воздухоплавательным комплексом на базе дирижабля» (шифр «Автокорд-Т»).

Достоверность полученных результатов: обеспечивается применением принципов и методов нейроинформатики, построения искусственных нейронных сетей, систем технического зрения, а также строгими математическими выводами; подтверждается результатами компьютерного моделирования, а также экспериментальной реализацией алгоритмов планирования; согласуется с данными экспериментов и результатами исследований других авторов, представленными в печатных изданиях.

Апробация работы. Основные результаты исследований по теме диссертации докладывались на конференции «Перспективные системы и задачи управления» (п. Домбай, 2009 г.), международном коллоквиуме «Мехатроника-2006» (г. Новочеркасск, 2006 г.), первой Всероссийской научной конференции студентов и аспирантов (с международным участием) «Робототехника, мехатроника и интеллектуальные системы» (г. Таганрог, 2005), федеральной итоговой научно-технической конференции «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам» (г. Москва, 2004 г.), научно-технической конференции «Экстремальная робототехника» (г. Санкт-Петербург, 2004 г.), научной школы-конференции «Мобильные роботы и мехатронные системы» (г. Москва, 2003 г.).

Высокий уровень разработок по теме диссертации отмечен почетной грамотой и индивидуальным грантом Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса» («У.М.Н.И.К.», 2009 г), медалью министра образования и науки РФ за лучшую студенческую работу (2005 г.), дипломом победителя федеральной итоговой научно-технической конференции «Всероссийского конкурса на лучшие научные работы студентов по естественным, техническим наукам (в области высоких технологий) и инновационным научно-образовательным проектам» (МИЭМ, Москва, 2004), премией главы администрации (губернатора) Ростовской области за успехи в науке и др.

Публикации.

Основные результаты исследований по теме диссертации изложены в 19 печатных работах, в том числе в 6 статьях в ведущих научных изданиях, рекомендованных ВАК для публикации результатов работ по диссертациям на соискание ученой степени кандидата технических наук, в 13 статьях в материалах Всероссийских и международных конференций. Шесть работ из 19 опубликованы автором единолично.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, содержащего 140 наименований, и содержания. Текст работы изложен на 194 страницах, содержит 36 рисунков, 5 таблиц и 1 приложение.

Выводы по главе 4

В четвертой главе представлены результаты практической реализации и проведенных экспериментов по обучению визуального нейросетевого планировщика перемещений подвижных объектов. Поскольку прямых аналогов представленного в диссертации планировщика нет, в таблице 4.1 представлено сравнение с наиболее близкими результатами, полученными другими авторами.

ЗАКЛЮЧЕНИЕ

В работе, на основании выполненных исследований разработан метод, который позволил решить научную задачу построения нейросетевого визуального планировщика перемещений для подвижных объектов, функционирующих в формализованных и априори неформализованных средах, и имеющую важное хозяйственное значение.

В работы получены следующие результаты:

1. Разработан визуальный нейросетевой планировщик перемещений подвижных объектов для априори неформализованных сред, отличающийся от известных планировщиков использованием сверточной нейронной сети в качестве основного вычислительного элемента, возможностью функционирования в реальном масштабе времени без применения активных сенсорных устройств, алгоритмами обучения и видом формируемых траекторий, что позволяет, в сравнении с известными решениями, расширить функциональные возможности подвижных объектов, увеличить точность выполнения ими заданий и уменьшить их габаритные размеры в 2-3 раза.

2. Разработан метод построения визуальных нейросетевых планировщиков, впервые представленный в данной работе, позволяющий на основе параметров входных и выходных данных определить структуру и состав планировщика для широкого круга задач;

3. Разработан метод формирования обучающей выборки для нейросетевого планировщика, отличающийся от экспертного формирования выборки использованием дополнительных сенсоров, а также наличием специальных алгоритмов, увеличивающих репрезентативность выборки, что позволяет автоматизировать процесс адаптации планировщика к изменяющимся условиям внешней среды, и, по сравнению с известными результатами, ускорить сходимость процесса обучения на 10-50% и снизить количество неверно распознанных ситуаций в 3-7 раз.

4. Разработан метод программно-аппаратной реализации планировщиков, отличающийся использованием особенностей процесса обратного распространения ошибки в сверточных нейронных сетях, что позволяет, в сравнении с планировщиками на базе полносвязных сетей, сократить сроки реализации систем управления и повысить их быстродействие Указанные результаты могут быть использованы для реализации высокоэффективных подвижных объектов на базе летательных и подводных аппаратов, наземных и воздухоплавательных средств, оборудованных системами технического зрения, в задачах организации перемещений в априори неформализованных средах.

1. Лантратов К. 25 лет Луноходу-1 // Новости Космонавтики. — 1995. -№23-25.

2. Юревич Е. И. Роботы ЦНИИ РТК на Чернобыльской АЭС и развитие экстремальной робототехники. — СПб.: Изд. СПбГПУ, 2003.

3. Девянин Е.А. Интеллектуальные мобильные роботы // Политехнические чтения. Кибернетика — ожидание и результаты.- М.: Знание. Вып. 2. - 2002.

4. Мартыненко Ю.Г. Управление движением м обильных к олёсных роботов // Фундаментальная и прикладная математика. 2005. - Т. 11. — № 8.- С. 29-80.

5. Siciliano В. Khatib О. Springer Handbook of Robotics. 1611 p. 1375 illus., 422 in color. With DVD., Hardcover. 2008. ISBN: 978-3-540-23957-4.

6. Lavalle S. M. Planning Algorithms. Cambridge University Press. 8421. P

7. Laumond J. P. Robot Motion Planning and Control. Springer-Verlag Telos,- 1998.-343 p.

8. Чип и Дип. Мастер электроники. Сеть профессиональных магазинов. Электронный ресурс.: база данных электронных компонентов — Электрон, дан.— М., [199-?] — Режим доступа: http://www.chip-dip.ru/product0/307950080.aspx, свободный. — Загл. с экрана.

9. Миниатюрные Автономные Комплексы Слежения. Электронный ресурс.: описание продукции — Электрон, дан.— [М.?], [199-?] — Режим доступа: http://www.radiocam.ru/ZT-802.htm, свободный. — Загл. с экрана.

10. Proceedings IEEE/RSJ International of Conference on Intelligent Robots and Systems, 2007. IROS 2007.

11. Cormen Т. H., Leiserson С. E., Rivest R. L. and Stein C. Introduction to Algorithms (2nd Ed.). MIT Press, Cambridge, MA, 2001.

12. Dijkstra E. W. A note on two problems in connexion with graphs. Numerische Mathematik, 1:269-271,-1959.

13. Pearl J. Heuristics. Addison-Wesley, Reading, MA, 1984.

14. Likhachev M., Ferguson D., Gordon G., Stentz A., Thrun S. Anytime dynamic A*: An anytime, replanning algorithm. Proceedings of the International Conference on Automated Planning and Scheduling (ICAPS), 2005.

15. Lozano-P'erez T. Spatial planning: A configuration space approach. // IEEE Transactions on Computing, C-32(2). 1983. - P. 108-120.

16. Udupa S. Collision detection and avoidance in computer controlled manipulators. Ph.D. // Thesis Dept. of Electical Engineering, California Institute of Technology, 1977.

17. Lozano-Perez T. Spatial planning // A configuration space approach, IEEE Trans. Comput. C-32(2). 1983. - P. 108-120.

18. Reif J.H. Complexity of the mover's problem and generalizations, IEEE Symp. Found. Comput. Sci, 1979. - P. 421-427.

19. Schwartz J.T., Sharir M. On the piano movers' problem // III Coordinating the motion of several independent bodies, Int. J. Robot. Res. 2(3). 1983.-P. 97-140.

20. Schwartz J.T., Sharir M. On the piano movers' problem: V. The case of a rod moving in three dimensional space amidst polyhedral obstacles, Commun. Pure Appl. Math. 37, 1984. P. 815-848.

21. Halperin D., Sharir M. A near-quadratic algorithm for planning the motion of a polygon in a polygonal environment, Discrete Comput. Geom. 16., -1996.-P. 121-134.

22. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. — М.: Издательский дом «Вильяме», 2006.- 1408 с.

23. Gonzalez-Banos Н.Н., Hsu D., Latombe J.C. Motion planning: Recent developments. In: Automous Mobile Robots: Sensing, Control, Decision-Making and Applications, ed. by S.S. Ge, F.L. Lewis, CRC, Boca Raton, 2006.

24. Kavraki L.E., Svestka P., Latombe J.C., Overmars M.H. Probabilistic roadmaps for path planning in high-dimensional configuration spaces, IEEE Trans. Robot. Autom. 12(4),- 1996.-P. 566-580.

25. Amato N.M., Bayazit O.B., Dale L.K., Jones C., Vallejo D. OBPRM: an obstacle-based PRM for 3D workspaces, Workshop Algorith. Found. Robot,- 1998.-P. 155-168.

26. Boor V., Overmars M.H., van der Stappen A.F. The Gaussian sampling strategy for probabilistic roadmap planners, IEEE Int. Conf. Robot. Autom, 1999.-P. 1018-1023.

27. LaValle S.M., Branicky M.S., Lindemann S.R. On the relationship between classical grid search and probabilistic roadmaps, Int. J. Robot. Res. 23(7/8), 2004. P. 673-692.

28. Simeon Т., Laumond J.-P., Nissoux C. Visibility based probabilistic roadmaps for motion planning, Adv. Robot. 14(6), 2000. P. 477-493.

29. Hsu D., Jiang Т., Reif J., Sun Z. The bridge test for sampling narrow passages with probabilistic roadmap planners, IEEE Int. Conf. Robot. Autom, 2003.

30. Pettersson P. O., Doherty P. Probabilistic roadmap based path planning for an autonomous unmanned helicopter, Journal of Intelligent and Fuzzy Systems, Volume 17.-№4.-2006.-P. 395-405.

31. LaValle S.M., Kuffner J.J. Rapidly-exploring random trees: progress and prospects. In: Algorithmic and Computational Robotics: New Direction, ed. by B.R. Donald, K.M. Lynch, D. Rus, A. K. Peters,Wellesley, 2001. - P. 293-308.

32. Bekris K.E., Chen B.Y., Ladd A., Plaku E., Kavraki L.E. Multiple query probabilistic roadmap planning using single query primitives, IEEE/RSJ Int. Conf. Intell. Robot. Syst, 2003.

33. Strandberg M. Augmenting RRT-planners with local trees, IEEE Int. Conf. Robot. Autom, 2004. - P. 3258- 3262.

34. Nilson NJ. A mobile automaton: an application of artificial intelligence techniques, 1st Int. Joint Conf. Artif. Intell, 1969. - P. 509-520.

35. Lumelsky V., Stepanov A. Path planning strategies for a point mobile automation moving admist unknown obstacles of arbitrary shape, Algorithmica 2, 1987.-P. 403—430.

36. Chatila R. Path planning and environmental learning in a mobile robot system, Eur. Conf. Artif. Intell, 1982.

37. Khatib O. Real-time obstacle avoidance for manipulators and mobile robots, Int. J. Robot. Res. 5, 1986. - P. 90-98.

38. Krogh B.H., Thorpe C.E. Integrated path planning and dynamic steering control for autonomous vehicles, IEEE Int. Conf. Robot. Autom, 1986. -P. 1664-1669.

39. Borenstein J., Koren Y. Real-time obstacle avoidance for fast mobile robots, IEEE Trans. Syst. Man Cybern. 19(5), 1989. - P. 1179-1187.

40. Azarm K., Schmidt G. Integrated mobile robot motion planning and execution in changing indoor environments, IEEE/RSJ Int. Conf. Intell. Robots Syst.-1994.-P. 298-305.

41. Masoud A., Masoud S., Bayoumi M. Robot navigation using a pressure generated mechanical stress field, the biharmonical potential approach, IEEE Int. Conf. Robot. Autom. 1994. - P. 124-129.

42. Borenstein J., Koren Y. The vector field histogram-fast obstacle avoidance for mobile robots, IEEE Trans. Robot. Autom. 7, 1991. — P. 278-288.

43. Minguez J. The obstacle restriction method (ORM): obstacle avoidance in difficult scenarios, IEEE Int. Conf. Intell. Robot Syst, 2005.

44. Fox D., Burgard W., Thrun S. The dynamic window approach to collision avoidance, IEEE Robot. Autom. Magaz. 4(1), 1997. - P. 23-33.

45. Fiorini P., Shiller Z. Motion planning in dynamic environments using velocity obstacles, Int. J. Robot. Res. 17(7), 1998. - P. 760-772.

46. Minguez J., Montano L. nearness diagram (ND) navigation: collision avoidance in troublesome scenarios, IEEE Trans. Robot. Autom. 20(1), — 2004. -P. 45-59.

47. Minguez J., Montano L. Extending reactive collision avoidance methods to consider any vehicle shape and the kinematics and the dynamic constraints. IEEE Trans. Robot, (in press).

48. Minguez J., Montano L. Robot navigation in very complex dense and cluttered indoor/outdoor environments, 15th IF AC World Congress, 2002.

49. Quinlan S., Khatib O. Elastic bands: Connecting path planning and control, IEEE Int. Conf. Robot. Autom. 1993. - P. 802-807.

50. Brock O., Khatib O. Real-time replanning in highdimensional configuration spaces using sets of homotopic paths, IEEE Int. Conf. Robot. Autom. -2000. -P. 550-555.

51. Brock O., Khatib O. High-speed navigation using the global dynamic window approach, IEEE Int. Conf. Robot. Autom. 1999. - P. 341-346.

52. Minguez J., Montano L. Sensor-based motion robot motion generation in unknown, dynamic and troublesome scenarios, Robot. Auton. Syst. 52(4), -2005.-P. 290-311.

53. Marin-Hernandez A., Devy M. and Ayala-Ramirez V. Visual Planning for Autonomous Mobile Robot Navigation. MICAI 2005: Advances in Artificial1.telligence. Springer Berlin / Heidelberg. Volume 3789/2005. ISBN 978-3-54029896-0.

54. Burschka D., Geiman J. and Hager G. Optimal landmark configuration for vision-based control of mobile robots. Pro c. of 2003 IEEE ICRA, Taipei, Taiwan, September 14-19, 2003. - P. 3917-3922.

55. Hayet J.B., Lerasle F. and Devy M. Visual Landmarks Detection and Recognition for Mobile Robot Navigation, in Proc. 2003 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR'2003), Vol. II, , Madison, Wisconsin, USA, -2003.-P. 313-318.

56. Jurie F., Dhome M. Hyperplane Approximation for Template Matching, in IEEE. Trans, on Pattern Analysis and Machine Intelligence, vol. 24. -2002.-№ 7.-P. 996-1000.

57. Ralf Moller. Perception through Anticipation An Approach to Behaviour-based Perception, in Proc. New Trends in Cognitive Science, Vienna, 1997.-P. 184-190.

58. Tarabanis K.A., Tsai R.Y. and Kaul A. Computing occlusion-free view-points. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(3), 1996.-P. 279-292.

59. Klein K., Sequeira V. View planning for the 3D modelling of Real World Scenes. 2000 IEEE/RS JIROS, vol. II, 2000. - P. 943-948.

60. Nilsson NJ. Shakey the Robot. Technical Note 323, SRI International,1984.

61. Horswill I. Visual Collision Avoidance by Segmentation. In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, 1994.-P. 902-909.

62. Turk M.A., Marra M. Color Road Segmentation and Video Obstacle Detection, In SPIE Proceedings of Mobile Robots, Vol. 727, Cambridge, MA, 1986.-P. 136-142.

63. Lourakis M.I.A., Orphanoudakis S.C. Visual Detection of Obstacles Assuming a Locally Planar Ground. Technical Report, FORTH-ICS, TR-207, 1997.

64. Lorigo L. M., Brooks R. A., Grimson W. E. L. Visually-Guided Obstacle Avoidance in Unstructured Environments. In proceedings of IEEE Conference on Intelligent Robots and Systems, 1997. P. 373 — 379.

65. Bellhi C., Panzieri S., Pascucci F. A real-time architecture for low-cost vision based robots navigation. Proceedings of the 15th IF AC World Congress, 2002.-P. 479-484.

66. Zhang H., Ostrowski J. P. Visual Motion Planning for Mobile Robots. IEEE Transactions on Robotics and Automation, Vol. 18, — № 2, — 2002. -P. 199-208.

67. Coombs D. Roberts K. "Bee-bot": using peripheral optical flow to avoid obstacles. In Intelligent Robots and Computer Vision Boston, MA, SPIE 1825:714-721, 1992.

68. Santos-Victor J. Sandini G. Uncalibrated obstacle detection using normal flow, 1995.

69. Santos-Victor J., Sandini G., Curotto F. Garibaldi S. Divergent stereo in autonomous navigation: from bees to robots. Int'l Journal of Computer Vision, 1995.-P. 159-177.

70. Coombs D., Herman M., Hong Т., Nashman M. Real-time Obstacle Avoidance Using Central Flow Divergence and Peripheral Flow. IEEE Transactions on Robotics and Automation, 1995. P. 276 - 283

71. Каляев И.А., Гайдук A.P. Однородные нейроподобные структуры в системах выбора действий интеллектуальных роботов. М.: Янус-К, -2000.-280 с.

72. Чернухин Ю.В., Пшихопов В.Х., Писаренко С.Н., Трубачев О.Н. Иерархическое нейросетевое управление мобильными роботами впрограммной среде // Труды 1-й Международной конференции по мехатронике и робототехнике МиР-2000. Т. 2. - СПб., 2000. - С. 375-379.

73. Glasius R., Komoda A., Gielen S. Neural Network Dynamics for Path Planning and Obstacle Avoidance. Neural Networks, Vol. 8, Issue 1, 1995. - P. 125-133.

74. Yang S.X., Meng M.Q.-H. Real-time collision-free motion planning of a mobile robot using a Neural Dynamics-based approach. IEEE Transactions on Neural Networks, Vol. 14, Issue 6, 2003. - P. 1541 - 1552.

75. Marin L. О., Roisenberg М., Roberto De Pieri Е. A neural architecture for online path learning in maze navigation. Robot Control, — Vol. 8, — Part 1.

76. Jochem Т., Pomerleau D., Thorpe C. Vision-based neural network road and intersection detection and traversal. In Proc. IEEE Conf. Intelligent Robots and Systems, volume 3, 1995. P. 344-349.

77. Dean A. Pomerleau. Knowledge-based training of artificial neural netowrks for autonomous robot driving. In J. Connell and S. Mahadevan, editors, Robot Learning. Kluwer Academic Publishing, 1993.

78. Goldberg S. В., Maimone M., Matthies L. Stere о vision and rover navigation software for planetary exploration. In IEEE Aerospace Conference Proceedings, March 2002.

79. Kelly A., Stentz A. Stereo vision enhancements for low-cost outdoor autonomous vehicles. In International Conference on Robotics and Automation, Workshop WS-7, Navigation of Outdoor Autonomous Vehicles, (ICRA '98), 1998.

80. Kriegman D.J., Triendl E., Binford Т.О. Stereo vision and navigation in buildings for mobile robots. IEEE Trans. Robotics and Automation, 5(6):792-803, 1989.

81. Thorpe C., Herbert M., Kanade Т., Shafer S. Vision and navigation for the carnegie-mellon navlab. IEEE Trans. Pattern Analysis and Machine Intelligence, 10(3):362-372, 1988.

82. Zhang L., Seitz S.M. Estimating optimal parameters for mrf stereo from a single image pair, IEEE Trans. Pattern Anal. Mach. Intell. 29(2), 331-342, 2007.

83. LeCun Y., Muller U., Ben J., Cosatto E. and Flepp B. Off-Road Obstacle Avoidance through End-to-End Learning, Advances in Neural. Information Processing Systems (NIPS 2005), MIT Press, 2005.

84. Роджерс Д., Адаме Дж. Математические основы машинной графики. -М.: Мир, 2001.

85. Ефимов В.Н. Квадратичные формы и матрицы. М.: Изд-во «Наука», 1964.-160 с.

86. Пшихопов В.Х. Позиционно-траекторное управление подвижными объектами. Таганрог: Изд-во ТТИ ЮФУ, 2009. - 183 с.

87. Пшихопов В.Х. Аттракторы и репеллеры в конструировании систем управления подвижными объектами // Известия ТРТУ. Тематический выпуск «Перспективные системы и задачи управления». — Таганрог, 2006. -№3 (58)-С. 117-123.

88. Gottschalk S., Lin M.C. and Manocha D. Obbtree: A hierarchical structure for rapid interference detection. In Proc. of the 23rd Int'l. Conf. on Computer graphics and interactive techniques, 1996. P. 171-180.

89. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. — М.: Наука. Главная редакция физико-математической литературы, 1984.

90. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. -М.: Финансы и статистика, 2002. 344 с.

91. Форсайт, Девид А., Понс, Жан. Компьютерное зрение. Современный подход: Пер. с англ. — М.: Издательский дом «Вильяме», 2004. 928 с.

92. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Systems, Man, and Cybernetics, 9(1), 1979. P. 62-66.

93. Сиротенко М.Ю. Нейросетевая система планирования движения мобильного робота. Мобильные роботы и мехатронные системы // Материалы научной школы-конференции (Москва, 17-18 ноября 2003). М.: Изд-во Моск. ун-та, 2004. - С. 318-325.

94. Сиротенко М.Ю. Система планирования перемещений автономного мобильного робота. Фундаментальные и прикладные проблемы современной техники. Ростов н/Д: Изд-во СКНЦ ВШ, 2004.

95. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я.А. Фурман, А.В. Кревецкий, А.К. Передреев, А.А. Роженцов, Р.Г. Хафизов, И.Л. Егошина, А.Н. Леухин // Под ред. Я.А. Фурмана. М.: ФИЗМАТЛИТ, 2002. - 592 с.

96. Le Cun Y., Bengio Y. Convolutional networks for images, speech, and time series. In Michael A.Arbib, editor, The Handbook of Brain Theory and Neural Networks, MITPress, Cambridge, Massachusetts, 1995. -P. 255-258.

97. LeCun Y., Huang F.-J., Bottou L. Learning Methods for Generic Object Recognition with Invariance to Pose and Lighting, Proceedings of CVPR'04, IEEE Press, 2004.

98. Huang F.-J., LeCun Y. Large-Scale Learning with SVM and Convolutional Nets for Generic Object Categorization, Proc. Computer Vision and Pattern Recognition Conference (CVPR'06), IEEE Press, 2006.

99. LeCun Y., Bengio Y. Word-level training of a handwritten word recognizer based on convolutional neural networks, in IAPR (Eds), Proc. of the International Conference on Pattern Recognition, 11:88-92, IEEE, Jerusalem, 1994.

100. Lawrence S. Tsoi A. C., Back A. D. Face recognition: A convolutional neural network approach. IEEE Transactions on Neural Networks, 1997. — P. 98 — 113.

101. Nowlan S. J., Piatt J. C. A convolutional neural network hand tracker. Advances in Neural Information Processing Systems, Morgan Kaufmann, 1995. — P. 901-908.

102. Browne M., Ghidary S. S. Convolutional neural networks for image processing: an application in robot vision. In to appear at Australian Joint Conference on Artificial Intelligence, 2003. — P. 641 652.

103. Sukittanon S., Surendran A.C., Piatt J.C., Burges C.J. C. Convolutional networks for speech detection, 1995.

104. Choi S., Cichocki A., Korea C., Cascade neural networks for multichannel blind deconvolution, Electronics Letters, 1998, Vol. 34. — P. 1186 -1187.

105. LeCun Y., Denker J. S., Solla S., Howard R. E., Jackel L. D.: Optimal Brain Damage, in Touretzky, David (Eds), Advances in Neural Information Processing Systems 2 (NIPS*89), Morgan Kaufinan, Denver, CO, 1990.

106. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11):2278-2324, 1998.

107. Huang F. J., LeCun Y. Large-scale Learning with SVM and Convolutional Nets Large-scale Learning with SVM and Convolutional Nets. Proc. Computer Vision and Pattern Recognition Conference (CVPR'06), IEEE Press, 2006

108. Neubauer C. Evaluation of Convolutional Neural Networks for Visual Recognition. IEEE Transactions on neural networks, vol. 9, no. 4, 1998.

109. Саймон X. Нейронные сети. Полный курс. Издательство: Вильяме, 2006.-1104 с.

110. Уоссермен Ф. Нейрокомпьютерная техника : Теория и практика. -М.: Мир, 1992.

111. Le Cun Y., Bottou L., Orr G. and Muller K. Efficient BackProp. in Orr, G. and Muller K. (Eds), Neural Networks: Tricks of the trade, Springer, 1998.

112. Роджерс Д. Алгоритмические основы машинной графики. — М.: Мир, 1989.

113. Константайн Л., Локвуд Л. Разработка программного обеспечения. СПб.: Питер, 2004. - 592 с.

114. Дьяконов В. П. Matlab R2006/2007/2008. Simulink 5/6/7. Основы применения. М: Солон-Пресс, 2008. — 800 с.

115. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6.- М.: Диалог-МИФИ, 2005. 496 с.

116. Lush. Электронный ресурс.: Домашняя страница объектно-ориентированного инженерного языка программирования / авт. LeCun Y. — Электрон. дан. — [New York?], [199-?] — Режим доступа: http://lush.sourceforge.net7, свободный. — Загл. с экрана. — Яз. англ.

117. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного программирования. Паттерны проектирования. — СПб: Питер, 2001.-368 с.

118. Лафоре Р. Объектно-ориентированное программирование в С++.- СПб.: Питер, 2007. 928 с.

119. Ляпин А.И., Половов A.B. Реализация нейронных сетей с переменной структурой на ПЛИС // Нейрокомпьютеры: разработка, применение. 2007. -№ 11. С. 35-37.

120. Загл. с экрана. —Яз. англ.

121. Peter Thoman. Multigrid Methods on GPUs. VDM Verlag Dr. Mueller e.K. 2008.-72 p.

122. Berna L. Massingill, Beverly A. Sanders, Timothy G. Mattson Patterns for Parallel Programming. Addison-Wesley Professional; 1 edition, 2004. — 384 p.

123. A Neural Network on GPU. Электронный ресурс.: Описание iреализации нейронной сети с использованием CUDA / авт. Сопап В., Chen К.

124. Электрон, дан. California?., 2008 — Режим доступа: http://www.codeproject.com/KB/graphics/GPUNN.aspx, свободный. —: Загл. с экрана. — Яз. англ.

125. Официальный курс обучения пакету 3ds max. Издательство: НТ Пресс, 2007.-1072 с.

126. Lyshevski S. Е. Engineering and Scientific Computations Using MATLAB. Wiley-Interscience, 2003.-240 p.

127. Сиротенко М.Ю. Процедура реализации на ЭВМ процессов прямого и обратного распространения в многослойных нейросетях. — Ростов-на-Дону: Издательство СКНЦ ВШ, 2003. С. 107-112.

128. Ю. И. Иванов, В. А. Кабанец, Н. А. Кавешников. Структурно-алгоритмическая реализации системы тактического управления АРМ «Скиф» // Материалы научной школы-конференции «Мобильные роботы и мехатронные системы», — М.: Изд-во МГУ, 2003.

129. AXIS 206 Network Camera. Электронный ресурс.: Технические характеристики камеры Axis 206 — Электрон, дан. — 2008 — Режим доступа:http://vvww.axis.com/files/datasheet/ds20633168en0904lo.pdf, свободный. — Загл. с экрана. — Яз. англ.

130. Операционная система реального времени QNX Neutrino 6.3. Системная архитектура. СПб.: БХВ-Петербург, 2006. — 336 с.

131. Castleman K.R. Digital Image Processing. Second ed., Englewood Cliffs, New Jersey: Prentice-Hall, 1996.