mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2018-6-4-26-41mireabulletin-117Research ArticleРОБОТИЗИРОВАННЫЕ КОМПЛЕКСЫ И СИСТЕМЫ. ТЕХНОЛОГИИ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯMULTIPLE ROBOTS (ROBOTIC CENTERS) AND SYSTEMS. REMOTE SENSING AND NON-DESTRUCTIVE TESTINGАВТОМАТИЧЕСКИЙ СИНТЕЗ СЦЕНАРИЕВ ПОХОДКИ РЕКОНФИГУРИРУЕМЫХ МЕХАТРОННО-МОДУЛЬНЫХ РОБОТОВ В МОДИФИКАЦИИ ШАГАЮЩЕЙ ПЛАТФОРМЫAUTOMATIC SYNTHESIS OF GAIT SCENARIOS FOR RECONFIGURABLE MECHATRONIC MODULAR ROBOTS IN THE MODIFICATION OF THE WALKING PLATFORMМанькоС. В.MankoS. V.noemail@neicon.ruШестаковЕ. И.ShestakovE. I.shestakov.e.i@yandex.ruМИРЭА - Российский технологический университетРоссияMIREA - Russian Technological UniversityRussian Federation201828082018642641Copyright © Манько С.В., Шестаков Е.И., 20182018Манько С.В., Шестаков Е.И.Manko S.V., Shestakov E.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/117

Реконфигурируемые мехатронно-модульные роботы, главной отличительной особенностью которых является способность к адаптации своей структуры в зависимости от специфики выполняемых задач и условий окружающей обстановки, представляют большой интерес для широкого спектра различных приложений. Один из ключевых вопросов управления движением роботов такого типа заключается в необходимости использования оригинальных алгоритмов для каждой из возможных конфигураций, многообразие которых будет определяться конструкцией мехатронных модулей, их численностью и выбранным вариантом сопряжения. Некоторые типовые конфигурации мехатронно-модульных перестраиваемых роботов допускают возможность разработки алгоритмов управления движением, инвариантных к числу звеньев в составе кинематической структуры. Однако перспективный подход к решению проблемы в общем случае связан с развитием средств и методов самообучения, позволяющих обеспечить автоматизированный синтез алгоритмов управления движением многозвенного мехатронно-модульного робота с учетом его выбранной конфигурации. В настоящей статье обсуждаются результаты поисковых исследований по применению аппарата самоорганизуемых конечных автоматов для решения задачи автоматического синтеза сценариев походки реконфигурируемых мехатронно-модульных роботов в модификации шагающей платформы. Приводятся результаты модельных экспериментов, подтверждающих работоспособность и эффективность разработанных алгоритмов.

Reconfigurable mechatronic modular robots capable of adapting their structure depending on the specifics of the tasks performed and the environmental conditions are of great interest for a wide range of different applications. One of the key issues in controlling the movement of robots of this type is the need to use original algorithms for each of the possible configurations. The variety of configurations is determined by the structure of mechatronic modules, their number and the selected connection option. Some typical configurations of mechatronic modular robots allow the development of motion control algorithms invariant with respect to the number of modules in the kinematic structure. However, a promising approach to solving the problem is generally associated with the development of self-learning methods and tools for the automated synthesis of motion control algorithms of a multi-link mechatronic modular robot in case of chosen configuration. This article discusses the results of research on the use of self-organized finite-state machines for solving the problem of automatic synthesis of scenarios for the gait of reconfigurable mechatronic-modular robots in the modification of the walking platform. The results of model experiments confirming the efficiency and effectiveness of the developed algorithms are presented.

реконфигурируемые мехатронно-модульные роботысамообучениеинтеллектуальные системы управленияконечные автоматыreconfigurable modular robotsself-learningintelligent control systemsfinitestate machineReferencesJing G., Tosun T., Yim M., Kress-Gazit H. An end-to-end system for accomplishing tasks with modular robots / In: Proceedings of Conference Robotics: Science and Systems, 2016.Jing G., Tosun T., Yim M., Kress-Gazit H. An end-to-end system for accomplishing tasks with modular robots / In: Proceedings of Conference Robotics: Science and Systems, 2016.Макаров И.М., Лохин В.М., Манько С.В.. Романов М.П., Кадочников М.В. Алгоритмы управления движением мехатронно-модульных роботов с адаптивной кинематической структурой // Мехатроника, автоматизация, управление. 2008. № 3. С. 1-10.Makarov I.M., Lokhin V.M., Manko S.V., Pomanov M.P., Kadochnikov M.V. Algoritms of control by motion of multilinkmechatronic-Modular robots with adaptive kinematic structure // Mehatronika, Avtomatizatsiya, Upravlenie (Mechatronics, Automation, Control). 2008. № 3. P. 1–10. (in Russ.).Лохин В.М., Манько С.В., Диане С.А.К., Панин А.С., Александрова Р.И. Механизмы интеллектуальных обратных связей, обработки знаний и самообучения в системах управления автономными роботами и мультиагентными робототехническими группировками // Мехатроника, автоматизация, управление. 2015. Т. 16. № 8. С. 545-555.Lokhin V.M., Manko S.V., Alexandrova R.I., Diane S.A.K., Panin A.S. Intelligent feedback, knowledge processing and self learning in control systems of autonomous robots and multi-agent robotic groups // Mehatronika, Avtomatizatsiya, Upravlenie (Mechatronics, Automation, Control). 2015. V. 16. № 8. P. 545–555. (in Russ.).Николаенко С.Н., Тулупьев А.Л. Самообучающиеся системы. М.: МЦНМО, 2009. 288 с.Nikolaenko S.N., Tulupyev A.L. Self-Learning Systems. Moscow: MTSNMO Publ., 2009. 288 р. (in Russ.).Макаров И.М., Лохин В.М., Манько С.В., Кадочников М.В., Ситников М.С. Использование генетических алгоритмов для автоматического формирования базы знаний интеллектуальной системы управления автономным мобильным роботом // Мехатроника, автоматизация, управление. 2008. № 6. С. 18-23.Makarov I.M., Lokhin V.M., Manko S.V., Kadochnikov M.V., Sitnikov M.S. Use of genetic algorithms for automatic formation of base of knowledges of intellectual control system by autonomous mobile robot // Mehatronika, Avtomatizatsiya, Upravlenie (Mechatronics, Automation, Control). 2008. № 5. P. 18–23. (in Russ.).Busch J., Ziegler J., Aue C., Ross A., Sawitzki D., Banzhaf W. Automatic generation of control programs for walking robots using genetic programming / In: Foster J.A., Lutton E., Miller J., Ryan C., Tettamanzi A. (eds.) Genetic Programming. European Conference on Genetic Programming EuroGP, 2002. Lecture Notesin Computer Science, book series. Springer, Berlin, Heidelberg. V. 2278. Р. 258-267.Busch J., Ziegler J., Aue C., Ross A., Sawitzki D., Banzhaf W. Automatic generation of control programs for walking robots using genetic programming / In: Foster J.A., Lutton E., Miller J., Ryan C., Tettamanzi A. (eds.) Genetic Programming. European Conference on Genetic Programming EuroGP, 2002. Lecture Notesin Computer Science, book series. Springer, Berlin, Heidelberg. V. 2278. Р. 258–267.Kober J., Peters J. Reinforcement learning in robotics: A survey // In: Reinforcement Learning / Wiering M., van Otterlo M. (eds.). Adaptation, Learning, and Optimization. V. 12. Springer, Berlin, Heidelberg, 2012. Р. 579-610.Kober J., Peters J. Reinforcement learning in robotics: A survey // In: Reinforcement Learning / Wiering M., van Otterlo M. (eds.). Adaptation, Learning, and Optimization. V. 12. Springer, Berlin, Heidelberg, 2012. Р. 579–610.Лохин В.М., Манько С.В., Диане С.А.К., Панин А.С., Александрова Р.И. Механизмы самообучения в мультиагентных робототехнических группировках на основе эволюционного леса деревьев классификации // Мехатроника, автоматизация, управление. 2017. Т. 18. № 3. С. 156-165.Lokhin V.M., Manko S.V., Diane S.A.K., Panin A.S., Aleksandrova R.I. Self-learning mechanisms in the multi-robot systems based on the evolution forests and classification trees // Mehatronika, Avtomatizatsiya, Upravlenie (Mechatronics, Automation, Control). 2017. V. 18. № 3. P. 159–165. (in Russ.).Kojcev R., Etxezarreta N., Hernandez A., Mayoral V. Evaluation of deep reinforcement learning methods for modular robots. arXiv preprint arXiv:1802.02395, 2018.Kojcev R., Etxezarreta N., Hernandez A., Mayoral V. Evaluation of deep reinforcement learning methods for modular robots. arXiv preprint arXiv:1802.02395, 2018.D’Angelo M., Weel B., Eiben A.E. Online gait learning for modular robots with arbitrary shapes and sizes // In: Dediu A.H., Martín-Vide C., Truthe B., Vega-Rodríguez M.A. (eds) Second International Conference on the Theory and Practice of Natural Computing (TPNC 2013), № 8273 in LNCS. Springer, Berlin. P. 45-56.D’Angelo M., Weel B., Eiben A.E. online gait learning for modular robots with arbitrary shapes and sizes // In: Dediu A.H., Martín-Vide C., Truthe B., Vega-Rodríguez M.A. (eds) Second International Conference on the Theory and Practice of Natural Computing (TPNC 2013), № 8273 in LNCS. Springer, Berlin, Р. 45–56.Varshavskaya P., Kaelbling L.P., Rus D. Learning distributed control for modular robots // In: Intelligent robots and systems, 2004. Proceedings of the 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 28 Sept.-02 Oct. 2004. Sendai, Japan. V. 3. P. 2648-2653.Varshavskaya, P., Kaelbling, L.P., Rus, D. Learning distributed control for modular robots // In: Intelligent robots and systems, of the 2004. Proceedings 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 28 Sept.–02 Oct. 2004. Sendai, Japan. V. 3. P. 2648–2653.Zhang J., Springenberg J.T., Boedecker J., Burgard W. Deep reinforcement learning with successor features for navigation across similar environments // Intelligent Robots and Systems (IROS), 2017 IEEE/RSJ International Conference. P. 2371-2378.Zhang J., Springenberg J.T., Boedecker J., Burgard W. Deep reinforcement learning with successor features for navigation across similar environments // Intelligent Robots and Systems (IROS), 2017 IEEE/RSJ International Conference. P. 2371–2378.Mnih V., Badia A.P., Mirza M., Graves A., Lillicrap T.P., Harley T., Silver D., Kavukcuoglu K. Asynchronous methods for deep reinforcement learning // Proceedings of the 33rd International Conference on Machine Learning, PMLR. 2016. P. 1928-1937.Mnih V., Badia A.P., Mirza M., Graves A., Lillicrap T.P., Harley T., Silver D., Kavukcuoglu K. Asynchronous methods for deep reinforcement learning // Proceedings of the 33rd International Conference on Machine Learning, PMLR. 2016. P. 1928–1937.Yoshida E., Murata S., Kamimura A., Tomita K., Kurokawa H., Kokaji S. Evolutionary synthesis of dynamic motion and reconfiguration process for a modular robot M-TRAN // Proceedings of the 2003 International Symposium on Computational Intelligence in Robotics and Automation. 2003. P. 1004-1010.Yoshida E., Murata S., Kamimura A., Tomita K., Kurokawa H., Kokaji S. Evolutionary synthesis of dynamic motion and reconfiguration process for a modular robot M-TRAN // Proceedings of the 2003 International Symposium on Computational Intelligence in Robotics and Automation. 2003. P. 1004–1010.Demin A.V., Vityaev E.E. Adaptive control of modular robots // In: Samsonovich A., Klimov V. (eds) Biologically Inspired Cognitive Architectures (BICA) for Young Scientists. BICA 2017. Advances in Intelligent Systems and Computing. Springer, Cham., 2018. V. 636. P. 204-212.Demin A.V., Vityaev E.E. Adaptive control of modular robots // In: Samsonovich A., Klimov V. (eds) Biologically Inspired Cognitive Architectures (BICA) for Young Scientists. BICA 2017. Advances in Intelligent Systems and Computing. Springer, Cham., 2018. V. 636. P. 204–212.Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука, 1969. 316 с.Tsetlin M.L. Studies on the Theory of Automata and Modeling of Biological Systems. Moscow: Nauka (Science) Publ., 1969. 316 p. (in Russ.).

The authors declare that there are no conflicts of interest present.