Назаров Х.Н. Робототехнические системы и комплексы

Подождите немного. Документ загружается.

N - число раскрытых хлопковых коробочек в соответствующем рядке

хлопкового поля ( в пределах информационного поля).

Средняя степень раскрытости хлопковых коробочек первого и второго рядков

всего информационного поля

к1

= k

∑

) j/M,

где М - число поперечных сканирований информационного поля, пересекающих

раскрытые хлопковые коробочки.

Для оценки суммы длительности

Σ∆t

числа импульсов, время появления

которых носит случайный характер, функцию А

можно логически сложить с

периодической функцией А

= f (х) так, что

где i = 0, 1, 2, ….n; n - число значений дискретной функции А

по координате Х.

Тогда длительность каждого импульса ∆t

выразится числом импульсов

функции А

, поместившихся в данном интервале ∆t

. Чтобы найти координаты

середины первого и второго хлопковых рядков, необходимо определить:

Рис.9.7. Зависимость амплитуд сигналов элементов хлопкового поля от

освещенности (а) и длины волны излучения (б): 1 - хлопковое волокно; 2 - ветви; 3 -

коробочка; 3' - зеленые листья.

вес функции, отражающий пространственное распределение хлопкового волокна

при одном поперечном сканировании информационного поля для каждого рядка на

основании выражения

∑

2/n

i·A

∑

−

2/ni

i·A

координаты середины первого и второго рядков

= B

∑

−

2/n

= B

∑

2/ni

где i = 0, 1, 2,…m; средние координаты середины первого и второго рядков на

данном информационном поле:

ср1 =

∑

−

) j/M,

ср2 =

∑

−

) j/M.

Для направленного движения ХУМ по хлопковому полю может быть

использовано технологически определенное расположение хлопковых рядков,

обеспечивающих соответствующее распределение хлопковых коробочек. Цифровой

код координаты середины между двумя соседними хлопковыми рядками

относительно продольной оси информационного поля, совпадающей со средней

продольной осью ХУМ, вследствие соответствующего расположения системы

технического зрения машины может быть использован

как сигнал управления для

направленного движения ХУМ по хлопковому полю. О распределении раскрытых

хлопковых коробочек несут информацию функции А и А

, причем функция А

учитывает размер сечения данной хлопковой коробочки в месте сканирования

информационного поля. Поперечную координату междурядья информационного

поля можно найти так же, как и координату центра рядка, только при этом

используется инверсная функция А

, соответствующая А

(А

= А

В случае совпадения оси междурядья с продольной осью информационного

поля и продольной осью ХУМ величина X

ср

соответствует поперечной координате

информационного поля X

ср

ИП

= n/2 и величина рассогласования ε используется для

коррекции движения ХУМ. В этом случае ε =

ср0

– х

ср ип

) = 0 и ХУМ движется

вдоль хлопковых рядков. При несовпадении оси междурядья с продольной осью

информационного поля СТЗ, т.е. при появлении угла между ними

l/2arctg

=α

величина может быть использована как управляющий сигнал для отработки

рассогласования исполнительными устройствами и соответственного изменения

направления движения.

Для реализации функции оценки количества и качества сбора хлопка

необходим второй канал СТ3, обеспечивающий сканирование информационного

поля после воздействия на него рабочих органов ХУМ.

Рис.9.8. Подсистема контроля и диагностики.

Оценка урожайности хлопка в первом и втором рядках информационного

поля до воздействия на него рабочих органов ХУМ определяется соответственно

как

∑

[

∑

2/n

)i],

∑

[

∑

2/ni

)i].

После прохода ХУМ из-за изменения количества хлопка на информационном

поле изменится и функция распределения амплитуды сигнала A

, соответственно,

оценки урожайности хлопка первого и второго рядов информационного поля можно

представить как

΄ =

∑

2/n

΄)i,

΄ =

∑

2/ni

΄)i.

При соблюдения условии пространственного совпадения информационных

полей, сканируемых первым и вторым каналами СТ3, которое обеспечивается их

синхронной работой, количество собранного хлопка с k-го информационного поля

будет

∆p

= p

– p

΄ ,

∆p

= p

– p

΄ .

Синхронная работа обеспечивается соответствующей установкой камер

первого и второго каналов так, что при определённой скорости v ХУМ и

действительном расстоянии S между информационными полями время задержки

t=s/v (S удобнее выбирать кратным длине информационного поля).

Тогда y·k/v = kt

ск

, где t

cк

— время сканирования информационного поля

длиной y; k – коэффициент кратности.

Оценку количества хлопка, собранного с длины хлопкового поля,

вмещающего

информационных полей, для первого и второго рядов можно найти

из выражений

∆p1 =

∑

∆p

∆p2 =

∑

∆p

Общее количество хлопка в бункере при проходе

информационных полей

Количественные параметры урожайности ∆p

и ∆p

не полностью оценивают

качество сбора хлопка, поэтому необходимо ввести качественные параметры сбора

соответственно на первом и втором рядках информационного поля:

= p

΄ / p

или П

= p

/ p

= p

΄ / p

или П

= p

/ p

Тогда заданное условие оптимальных режимов работы исполнительных

органов

Таким образом, информационное хлопковое поле характеризуется

перечисленными параметрами, которые могут быть получены при помощи

реализации соответствующих функций. Каждый параметр выдается из системы в

виде цифрового кода (или числа в двоичном коде), который поступает в систему

принятия решений.

Параметр p оценки урожайности был использован для регулирования рабочей

щели между шпиндельными барабанами ХУМ,

что привело к увеличению полноты

сбора хлопка на 3,7% .

Следует заметить, что успешное решение проблемы роботизации хлопко-

уборочной машины зависит от совместной целенаправленной работы разработчиков

хлопкоуборочной машины и специалистов по робототехническим системам [4].

Глава 10. Интеллектуальные робототехнические системы

10.1. Элементы интеллекта РТК

На пути создания и совершенствования РТК и ГАП встает ряд сложных

проблем, связанных с необходимостью автоматизации не только технологических

процессов, но и целого ряда интеллектуальных операций. К ним относятся

проектирование продукции, планирование производства, программирование движе-

ний роботов, моделирование среды, распознавание объектов, диагностика

оборудования и т. п.

До последнего времени решение перечисленных задач в условиях

действующего производства считалось прерогативой человека. Однако по мере

развития методов и средств искусственного интеллекта появились предпосылки для

конструирования автоматических систем, имитирующих соответствующие

интеллектуальные функции человека. Эти системы принято называть системами

искусственного интеллекта (СИИ). Техническая реализация таких СИИ оказалась

возможной благодаря появлению в последние

годы микро- и мини-ЭВМ, а также

быстродействующих микропроцессоров [10].

Что же представляют собой современные СИИ, каковы их отличительные

черты? В широком смысле СИИ — это программно-аппаратные средства решения

интеллектуальных задач, которые позволяют ЭВМ выполнять операции,

аналогичные функциям человека, занятого умственным трудом. Поэтому под

искусственным интеллектом РТК будем подразумевать алгоритмическое и

программное обеспечение их адаптивных систем управления, позволяющее

автоматизировать технологические операции интеллектуального характера.

Отличительными признаками СИИ является наличие баз данных и банков знаний,

средств интерпретации задач и планирования их решений, а также связанных с ними

алгоритмов формирования понятий, распознавания ситуаций и принятия решений.

Решение проблемы представления знаний в памяти ЭВМ открыло принципиальную

возможность понимания СИИ естественного языка и речи. Оно позволило создать

интеллектуальные терминалы и интерфейс, обеспечивающие непосредственное

речевое или графическое (через дисплей) общение человека с ЭВМ или роботом на

естественном языке, ограниченном данной предметной областью.

СИИ с базами данных и банками знаний нацелены на решение прикладных

задач. Среди них важную роль

играют экспертные СИИ промышленного

назначения, которые уже сегодня используются, например, для выработки

рекомендаций по выбору компонент и компоновки ГАП. К числу промышленных

СИИ можно отнести и интеллектуальный человеко-машинный интерфейс.

В последние годы созданы и начинают применяться в промышленности

интеллектуальные системы автоматизированного проектирования (САПР), СИИ для

распознавания зрительной информации и речи

, интеллектуальные системы

автоматизации программирования (САП), интеллектуальные автоматизированные

системы подготовки производства (АСПП), встроенные СИИ для диагностики

оборудования, а также ЛИСП — машины для оперативной обработки символьной

информации и ПРОЛОГ — машины для автоматического поиска логических

выводов на основе факторов и правил, хранимых в базе знаний. Это позволяет пере-

ложить на СИИ некоторую часть умственного труда, которую в условиях обычного

производства приходилось возлагать на человека. В результате повышается

производительность и степень автоматизации производства. Таким образом, сегодня

СИИ фактически вышли

на промышленный рынок. Они находят все более широкое

применение в адаптивных РТК и ГАП.

В отличие от программных роботов, которые манипулируют деталями и

инструментами, СИИ манипулируют знаниями, необходимыми для решения

возникающих задач. Тип задачи определяет особенности алгоритма ее решения.

В чем же специфика алгоритмов решения интеллектуальных задач? Для

ответа на

этот вопрос рассмотрим задачу планирования поведения робота. Решение

этой задачи, получаемое в результате интеллектуальной деятельности робота, —

есть план целенаправленных действий, т. е. конечная последовательность операций,

при фактическом выполнении которой гарантируется достижение цели. Каждую

операцию робот переводит в некоторое новое состояние, которое можно назвать

очередной подцелью. В процессе поиска плана поведения могут

использоваться как

информация, поступающая от информационной системы робота, так и ранее

накопленные знания и опыт, хранящиеся в базе знаний системы управления.

Особенности методов решения многих технологических задач гибкой

автоматизации можно представить аналогичным образом. Например, при

переналадке производства на выпуск нового изделия требуется спланировать,

скоординировать и уложить в согласованную схему технологического

процесса

множество операций: выбор необходимого оборудования, оптимизацию техно-

логических маршрутов, программирование систем управления, диагностику

инструмента, контроль качества продукции и т.п. Переход на новую технологию

может потребовать согласования основных технологических операций с вопросами

совершенно иного характера, связанными, например, с финансированием или

охраной окружающей среды. Все эти операции и вопросы взаимосвязаны и

должны

быть учтены при планировании технологического процесса. Для фактического

осуществления этого процесса нужно соответствующим образом запрограм-

мировать системы управления оборудованием ГАП, после чего может быть

получено требуемое изделие с заданными свойствами.

Таким образом, чтобы решить задачу планирования, необходимо составить

хорошо скоординированную, согласованную схему операций (логических,

математических, технологических и др.), начинающуюся

с заранее заданных

условий (предпосылок) и заканчивающуюся достижением цели. Решая такого рода

интеллектуальные задачи, СИИ постоянно ищет пути обхода препятствий и

достижения заданной цели, пытается выработать какой-то план действий, следуя

которому можно достичь эту непосредственно недоступную цель. Умение СИИ

решать интеллектуальные задачи посредством использования имеющихся знаний

приобретается путем обучения на

опыте и адаптации. Это умение и связанные с ним

навыки решения задач в известном смысле гораздо важнее для СИИ, чем

информация, хранящаяся в банке знаний, хотя, конечно, без необходимых знаний

невозможно найти и решение.

Попытаемся теперь определить, что такое интеллект РТК, в чем заключается

специфика робототехнических СИИ. Прежде всего заметим, что четкого,

общепризнанного определения этого термина в настоящее время нет. Поэтому

дадим некоторое рабочее определение существа этого понятия. Интеллектом РТК

будем называть способность его системы управления решать технологические

задачи интеллектуального характера посредством целенаправленного

преобразования информации

и знаний, обучения на опыте и адаптации к

изменяющейся производственной обстановке. Характерными чертами интеллекта

РТК, согласно данному определению, являются их способность к переработке

знаний, обучению, накоплению опыта и адаптации к заранее неизвестным и

изменяющимся условиям в процессе решения задач. Благодаря этим качествам РТК

может решать самые сложные и разнообразные технологические

задачи, а также

легко перестраиваться с решения одного класса задач на другой. Таким образом,

система управления РТК., наделенная элементами искусственного интеллекта,

является универсальным средством решения широкого круга технологических

задач. Она позволяет автоматизировать технологические операции интеллек-

туального характера.

Сегодня представляется несомненным, что РТК в принципе могут обладать

всеми основными чертами интеллектуальных систем

. Более того, некоторые

современные РТК (вместе с соответствующим алгоритмическим и программным

обеспечением их системы управления) уже обладают, по крайней мере частично,

этими чертами. Такие РТК и связанные с ними СИИ легко и быстро справляются с

решением отдельных интеллектуальных задач.

Главная трудность при создании робототехнических СИИ заключается не в

отсутствии адекватной

элементной базы и средств вычислительной техники, на

которых их можно построить, а скорее в не разработанности или несовершенстве

алгоритмического и программного обеспечения, определяющего уровень интеллекта

РТК.

Необходимо подчеркнуть, что возможности интеллекта РТК, (как, впрочем, и

возможности интеллекта человека) принципиально ограничены. Это связано с тем,

что объем памяти, скорость запоминания и считывания

информации в системах

управления РТК на практике ограничены. Кроме того, далеко не всегда удается

найти эффективные алгоритмы решения интеллектуальных задач. Тем не менее,

благодаря способностям к обучению и адаптации робототехнические СИИ обладают

большой гибкостью и могут быстро осваивать новые «профессии», автоматизируя

соответствующие интеллектуальные функции человека.

Первые экспериментальные образцы СИИ появились

в лабораториях ученых в

70-х годах XX в. Сегодня на базе накопленного научно-технического задела

создаются промышленные варианты СИИ для РТК и ГАП. Они быстро

тиражируются и внедряются большими сериями. Нет сомнений, что по мере

развития робототехнических СИИ они будут играть все возрастающую роль в

совершенствовании ГАП [10].

10.2. Интеллектуальные модели и задачи теории робототехнических систем

Рассматриваются алгебраическая модель искусственного интеллекта,

формализованные виды интеллектуальной задачи, интеллектуальные модели

проблемной области, отличающиеся универсальностью и наглядностью [6].

Современные достижения моделирования на ЭВМ, автоматизация

проектирования и новой информационной технологии требуют рассмотрения

основных задач (описания, анализа и синтеза) теории робототехнических систем с

общих позиций теории алгебраических систем и искусственного интеллекта. Анализ

и синтез

сводится к выбору типа алгебры и выполнению процедур, связанных с

прямыми отображениями исследуемой системы (объекта) в множестве состояний

объекта, модели состояний объекта в носителе алгебры через операции алгебры и

алгебраической модели в совокупности новых данных и знаний об объекте и

обратными отображениями (рис.10.1).

Рис.10.1. Составные части интеллектуальной модели.

Если в прямых методах анализа (синтеза) систем используют прямые

отображения

,то в непрямых методах анализа (синтеза) и прямые и

обратные отображения (

. Поэтому методы анализа и синтеза

цепей и систем главным образом, различаются типами моделей состояний, алгебр

и используемыми видами отображений, что и определяет

главенствующее место моделей состояний, алгебр и способов реализации

отображений в теории цепей и систем.

Алгебраическая модель (алгебра

), с выделенными в ее носителе (Η)

моделями состояний) объекта, является наиболее подходящей моделью для

реализации на ЭВМ, но несмотря на наличие в ней мощного набора операций (в том

числе, программ, процедур) над моделями состояний объектов для решения

вычислительных задач, она становится бессильной для автоматического решения

интеллектуальных задач (задач с априори неизвестными алгоритмами решения).

Этого можно избежать, дополнив алгебраическую модель объекта

интеллектуальными знаниями. Последнее в системах искусственного интеллекта

составляет содержание планировщика, призванного имитировать элементы

мыслительной деятельности человека. Полученные таким образом модели объектов

в работе названы интеллектуальными. В них модели

целевых, исходных и

промежуточных состояний объекта соответствуют базе данных и целей, а

выражения операций — базе знаний интеллектуальных систем.

По отношению к интеллектуальной модели (рис.10.1) задача является

неинтеллектуальной (элементарной) если в наборе операций (в базе знаний) модели

имеется соответствующая алгоритму решения поставленной задачи операция (схема

решения, программа, процедура). В противном случае

задача воспринимается

моделирующей системой интеллектуальной, в виду отсутствия в базе знаний модели

готовой схемы решения задачи. В дальнейшем будем полагать, что при построении

интеллектуальных моделей в базу знаний введены все известные в данной

предметной области алгоритмы. Тогда к интеллектуальным относятся те задачи, для

которых не существует готовых схем решения в рассматриваемой

предметной

области.

Формально интеллектуальную задачу в области теории робототехнических

систем будем представлять четверкой

где

- модель целевых состояний объекта, моделирования; - модель

исходного состояния объекта; - набор операции в множестве состояний

объекта моделирования, используемых для решения данной задачи; ρ - план

(алгоритм, программа, схема решения) задач.

Μи представляется в виде непустого набора выражений некоторого языка Я,

на котором представлен носитель (Η) алгебраической модели (рис.10.3). Мц может

быть задана либо как множество моделей состояний, либо как модель

единственного

состояния. В последнем случае Мц представляется как непустой набор выражений

на языке Я (т.е. на том же уровне представления, что и Ми). В случае задания Мц

как множество моделей, она может быть представлена либо перечислением

элементов Мц, представленных на языке Я, либо указанием свойства множества Мц

на языке более высокого уровня, чем язык представления Ми.

Элементы набора операций

также как другие элементы набора

операций алгебраической модели (рис.10.3) задаются в форме "операнды -

результат", где операнды и результат - подмножества множества моделей состояний,

представленных на языке Я.

План ρ представляется как упорядоченная совокупность пар имен операций и

операндов. Она в интеллектуальной задаче всегда априори неизвестна и находится в

результате моделирования задачи.

Интеллектуальные задачи, в зависимости от используемых уровней

языков

для представления Μц и Μи, могут быть одноуровневыми или двухуровневыми.

Это определяется степенью известности Μц и Μи - задачами с одним (когда

известна Мц либо Ми) или с двумя (когда известны Μц и Ми) закрепленными

концами. В задачах с двумя закрепленными концами новым знанием в результате

моделирования является схема решения задачи, а в задачах с одним закрепленным

концом - новыми

знаниями и данными будут и схема решения задачи, и найденное

неизвестное состояние объекта (Мц или Ми).

Интеллектуальная модель должна содержать предметные и интеллектуальные

знания. Предметные знания условимся представлять набором операций

множестве состояний объектов предметной области. Другими, неотъемлемыми

компонентами интеллектуальной модели, являются наличные условия (Ми, Μц)

решаемой в процессе моделирования интеллектуальной задачи, которые являются

подмножествами или элементами объединения множеств состояний объектов

предметной области. Последнее рассматривается как основное множество (носитель

Η) некоторой алгебры, операции которой отображают предметные знания.

На основе

приведенных соображений интеллектуальную модель будем

представлять как

При этом предполагается существование некоторого многоуровневого языка

Я, для задания компонента интеллектуальной модели. Здесь Н, Ми, операнды и

результаты операций из

представляются выражениями языка Я на едином

уровне. Уровень задания Мц в общем случае отличается от уровня задания носителя

Н алгебры, лишь для одноуровневых задач с двумя закрепленными концами он

задается на одном уровне с Ми.

К интеллектуальным знаниям Зи будем относить правила вывода (Π) моделей

состояний, правила

применения правил вывода из Π и операций из ;

последние содержат также процедуры, отображающие методы и стратегии поиска

решений задач, которые могут быть как универсальными, так и проблемно-

ориентированными. Как правило, интеллектуальные знания задаются на уровне,

отличном от уровней задания Ми и Μц. С учетом этих соображений

интеллектуальная модель представляется в виде шестерки

где

- алгебра, - алгебраическая модель, -

интеллектуальные знания.

В составе набора правил вывода (Π) интеллектуальные модели в качестве

универсальных используются правила замены, подстановки и заключения,

аналогичные дедуктивным правилам вывода в исчислениях высказываний,

предикатов и означивания.

Правило заключения в интеллектуальной модели имеет вид

Здесь

- посылки правила вывода, - заключение.