Статья

Название статьи ПОСТРОЕНИЕ МОДЕЛИ БАЗЫ ЗНАНИЙ ДЛЯ МОБИЛЬНОГО РОБОТА, ФУНКЦИОНИРУЮЩЕГО В НЕДОСТАТОЧНО ОПРЕДЕЛЕННЫХ УСЛОВИЯХ
Автор В.А. Бархоткин, В.Ф. Петров, М.П. Кочетков
Рубрика РАЗДЕЛ V. СИСТЕМЫ И ПУНКТЫ УПРАВЛЕНИЯ
Месяц, год 01, 2015
Индекс УДК 004.93.1
DOI
Аннотация Для повышения эффективности перспективных мобильных роботов необходимо увеличивать степень их автономности. Требуется решить проблему оперативной идентификации объектов окружающей среды для обеспечения устойчивого функционирования робота при возникновении нештатных ситуаций. Методы распознавания, реализованные в существующих системах технического зрения, эффективны только для отдельных достаточно несложных объектов. Примерами являются многогранники, человеческие лица, печатные или рукописные символы, номера автомобилей. Эти методы могут применяться, если объекты наблюдаются в достаточно детерминированных условиях (определённое освещение, фон и положение объекта относительно телевизионной камеры). Перечисленные условия не соблюдаются, когда робот перемещается в недостаточно определенной среде. В связи с этим разработка новых методов и алгоритмов обработки информации для систем технического зрения мобильных роботов является актуальной научно-технической проблемой. Сложность решаемых задач предполагает построение обучаемых систем распознавания. Обучение составляет одну из важнейших проблем в теории искусственного интеллекта и является неотъемлемой составной частью процесса распознавания в условиях высокой неопределенности внешней среды. Выход за рамки статистических моделей приводит к формированию более общего подхода к распознаванию изображений. Этот подход базируется на теории нечетких множеств и нечеткой логики, что соответствует логике человеческого мышления, которое оперируют с нечеткими значениями признаков и нечеткими правилами логического вывода. Исходную информацию для создания моделей нечеткой классификации можно извлечь из обучающей выборки. В статье представлен метод определения функции принадлежности термов лингвистической переменной по обучающей выборке. Рассмотрена реализация функций нечеткого логического вывода по прецедентам. Разработан подход к построению базы знаний для распознавания объектов на основе нечеткой информации, которая содержится в обучающей выборке ограниченного объема. Этот подход позволяет упростить формализацию работы опытного оператора, который решает задачу распознавания. Полученная формализация может быть преобразована в базу знаний и в дальнейшем использоваться в системе управления робота без участия человека.

Скачать в PDF

Ключевые слова Признак; обучающая выборка; нечеткая логика; распознавание образов.
Библиографический список 1. Pelaez A.L. (editor) The Robotics Divide. A New Frontier in the 21st Century? – Springer, 2014. – 221 p.
2. Informatics in Control, Automation, and Robotics. 9-th International Conference, ICINCO 2012 Rome, Italy, July 28-31, 2012 Revised Selected Papers. Springer. 2014. – 316 p.
3. Durrant-Whyte H., Roy N., Abbeel P. Robotics: Science and Systems VII. Massachusetts Institute of Technology, 2012. – 361 p.
4. Cook G. Mobile Robots: Navigation, Control and Remote Sensing. Wiley-IEEE Press, 2011.– 319 p.
5. Цариченко С.Г. Направления развития экстремальной робототехники МЧС России с учетом опыта практического применения // Робототехника и техническая кибернетика. – 2013. – № 1. – С. 4-6.
6. Шеремет И.Б., Рудианов Н.А., Рябов А.В., Хрущев В.С. Комченков В.И. Обоснование семейства боевых и обеспечивающих роботов для боя в городе // Известия ЮФУ. Технические науки. – 2012. – № 3 (128). – С. 37-41.
7. Чикин В.В. Состояние и перспективы развития наземных средств военной робототехники Сухопутных войск // Оборонно-промышленный комплекс России. – 2009. – № 9. – С. 161-164.
8. Sturges R.H. Practical Field Robotics: A Systems Approach. Wiley, 2015. – 200 p.
9. Gupta G.S., Bailey D., Demidenko S., Carnegie D. (eds.) Recent Advances in Robotics and Automation. Springer, 2013. – 344 p.
10. Dutta A. Robotic Systems – Applications, Control and Programming. InTech, 2012. – 628 p.
11. Ceccarelli M., Glazunov V.A. (Eds.) Advances on Theory and Practice of Robots and Manipulators. – Springer, 2014. – 573 p.
12. Santos R.A., Lengerke O., Edwards-Block A. Mobile Ad Hoc Robots and Wireless Robotic Systems. Design and Implementation. – IGI Global, 2013. – 324 p.
13. Mistry M. et al. (eds.) Advances in Autonomous Robotics Systems. 15th Annual Conference, TAROS 2014 Birmingham, UK, September 1-3, 2014 Proceedings. – Springer 2014. – 284 p.
14. Becerra H.M., Sagues C. Visual Control of Wheeled Mobile Robots: Unifying Vision and Control in Generic Approaches. – Springer, 2014. – 118 p.
15. Heaton J. Artificial Intelligence for Humans, Volume 1: Fundamental Algorithms. – N.-Y.: Create Space Independent Publishing Platform, 2013. – 222 p.
16. Burstein F., Brezillon P., Zaslavsky A. (eds.) Supporting Real Time Decision-Making. – Springer, 2011. – 402 p.
17. Vizureanu P. (ed.) Advances in Expert Systems – InTeOp, 2012. – 128 p.
18. Les Z., Les M. Shape Understanding System: Machine Understanding and Human Understanding. – Springer, 2015. – 256 p.
19. Demaagd K. et al. Practical Computer Vision with Simple CV: The Simple Way to Make Technology See. – O’Reilly Media, 2012 (August 9, 2012). – 254 p.
20. Pietikдinen M., Hadid A., Zhao G., Ahonen T. Computer Vision Using Local Binary Patterns – Springer, 2011. – 224 p.
21. Ikeuchi K. (eds.) Computer Vision: A Reference Guide. – Springer, 2014 – 898 p.
22. Dawson-Howe K. A Practical Introduction to Computer Vision with OpenCV. – John Wiley & Sons Ltd., 2014. – 235 p.
23. Klette R. Concise Computer Vision: An Introduction into Theory and Algorithms. – Springer, 2014. – 441 p.
24. Prince S.J.D. Computer Vision: Models, Learning, and Inference. – Cambridge University Press, 2012. – 598 p.
25. Forsyth D.A., Ponce J. Computer Vision: A Modern Approach. – Prеntiсe Hall, 2012. – 793 p.
26. Szeliski R. Computer Vision Algorithms and Applications. Springer. – 2011 – 812 p.
27. Favorskaya M.N., Jain L.C. (eds.) Computer Vision in Control Systems. – Springer, 2015. – 692 p.
28. Huang Y., Tan T. Feature Coding for Image Representation and Recognition. – Springer, 2014. – 90 p.
29. Kuncheva L.I. Combining Pattern Classifiers: Methods and Algorithms 2nd Edition. – Wiley, 2014. – 382 p.
30. Chen Y.-W., Jain L.C. (eds.) Subspace Methods for Pattern Recognition in Intelligent Environment. – Springer, 2014. – 210 p.
31. Salazar A. On Statistical Pattern Recognition in Independent Component Analysis Mixture Modelling. – Springer, 2013. – 200 p.
32. Webb A.R., Copsey K.D. Statistical Pattern Recognition. – John Wiley, 2011. – 668 p.
33. Fink G.A. Markov Models for Pattern Recognition: From Theory to Applications. – Springer, 2014. – 275 p.
34. Perner P. (Ed.) Machine Learning and Data Mining in Pattern Recognition. – Springer, 2012. – 682 p.
35. Cyganek B. Object Detection and Recognition in Digital Images: Theory and Practice. – John Wiley & Sons, Ltd., 2013. – 548 p.
36. Grauman K., Leibe B. Visual Object Recognition. – Morgan & Claypool, 2011. – 183 p.
37. Tian J., Chen L. Intelligent Image and Video Interpretation: Algorithms and Applications. – IGI Global, 2013. – 278 p.
38. Grauman K., Leibe B. Visual Object Recognition – Morgan & Claypool, 2011. – 183 p.
39. Di Giamberardino P., Iacoviello D., Jorge R.N., Tavares J.M. (eds.) Computational Modeling of Objects Presented in Images. Fundamentals, Methods and Applications. – Springer, 2014. – 315 p.
40. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В. и др. Обработка и анализ изображений в задачах машинного зрения. – М.: Физматкнига, 2010. – 672 с.
41. Jantzen J. Foundations of Fuzzy Control. A Practical Approach – John Wiley, 2013 –333 p.
42. Syropoulos A. Theory of Fuzzy Computation – Springer, 2014. –- 170 p.
43. Mendel J. et al. Introduction To Type-2 Fuzzy Logic Control: Theory and Applications – Wiley, 2014. – 376 p.
44. Bede B. Mathematics of Fuzzy Sets and Fuzzy Logic. – Springer, 2013. – 400 p.

Comments are closed.