АВТОМАТИЧЕСКИЙ СИНТЕЗ СЦЕНАРИЕВ ПОХОДКИ РЕКОНФИГУРИРУЕМЫХ МЕХАТРОННО-МОДУЛЬНЫХ РОБОТОВ В МОДИФИКАЦИИ ШАГАЮЩЕЙ ПЛАТФОРМЫ

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.

реконфигурируемые мехатронно-модульные роботы, самообучение, интеллектуальные системы управления, конечные автоматы

1. 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.

2. 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.

3. 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.

4. Николаенко С.Н., Тулупьев А.Л. Самообучающиеся системы. М.: МЦНМО, 2009. 288 с.

5. 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.

6. 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.

7. 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.

8. 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.

9. Kojcev R., Etxezarreta N., Hernandez A., Mayoral V. Evaluation of deep reinforcement learning methods for modular robots. arXiv preprint arXiv:1802.02395, 2018.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука, 1969. 316 с.