|
В настоящее время все больше значение приобретает встроенных систем управления на основе искусственного интеллекта.
Разработка фиксированных алгоритмов не позволяет создавать действительно гибкие универсальные системы, поэтому растет интерес к системам с нечеткой логикой и нейронным сетям.
Эти системы работают по принципам, заложенным в человеческую систему мышления. Способ обработки информации мозгом в корне отличаются от методов, применяемых в обычных цифровых компьютерах. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьтер (систему обработки информации). Он обладает способностью организовать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнять конкретные задачи (распознавание образов, обработка сигналов органов чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие компьютеры.
Принципиальное отличие мозга от современных компьютеров заключается в том, что мозг можно рассматривать как параллельную вычислительную структуру (ВС), в то время как современные микропроцессоры явлются последовательными ВС. В соответствии с эмперическим законом Мура, мощность вычислительных устройств растет экспоненциально, и эта тенденция сохраняется уже около 50 лет. Так же неуклонно уменьшается их стоимость, что позволило перейти к использованию искусственных нейронных сетей (ИНС), реализуемых на последовательных ВС.
В фундаментальной монографии [1] рассматриваются основные принципы построения искусственных нейронных сетей и строгое математическое обоснование принципов, лежащих в их основе применительно к широкому спектру прикладных задач. Следует подчеркнуть, что в настоящее время ведутся исследования в области использования ИНС для обработки видеоизображений [1].
Дипломная работа посвящена разработке программно-инструментальной среды 'Phonix-2', в первую очередь ориентированной на проведение исследований в области использования ИНС в качестве систем управления мобильным автономным объектом, использующим для ориентации в пространстве изображения с бортовых видеокамер. Более конкретно, разрабатываемая система ориентирована на ИНС, настраиваемых по методике "обучение с учителем".
В силу простоты структуры систем управления на базе нейронных систем и доступности их эффективной реализации на современной элементной базе ключевым аспектом использования нейронных сетей является процесс обучения. Под процессом обучения в соответствии с определением, использованным в [1] понимается процесс, в котором свободные параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена. Тип обучения определяется способом определения этих параметров.
На рис. В.1. показана блочная диаграмма, иллюстрирующая форму обучения с учителем.
Концептуально участие учителя можно рассматривать как наличие знаний об окружащей среде, представленных в виде пар "вход-выход". При этом сама среда неизвестна обучаемой нейронной сети. Когда учителю и сети подается обучающий вектор из окружающей среды, учитель на основе своих знаний может сформировать и передать обучаемой сети желаемый отклик. Вектором, описывающим состояние среды, может быть как набор показаний датчиков, так и графическое изображение или видео ряд. Этот желаемый результат представляет собой оптимальные действия, которые должна выполнить нейронная сеть. Сеть также вырабатывает отклик, основанный на внутренних параметрах. Обучением, по сути, явялется процесс корректировки параметров сети с учетом обучаеющего вектора и сигнала ошибки. Сигнал ошибки - это разность между желаемым результатом и текущим откликом нейронной сети, который позволяет передавать знания учителя в сеть. После окончания обучения сеть может работать со средой автономно.
Конструирование нейронной сети, призванной генерировать выходной сигнал в ответ на входной пример, эквиваленто обучению сети построению гиперповерхности, т.е. многомерному отображению, определяющей выходной вектор в терминах второго. Другими словами, обучение рассматривается как задача реконструкции гиперповерхности на основе множества точек, которое может быть довольно разреженным.
Парадигма обучения с учителем применительно к системе управления автономного мобильного робота, реализованной на базе нейронной сети, исследовалась в проекте СКБ ГУАП "Феникс-1", результаты которого опубликованы в сборнике докладов [2] .
Целью всего проекта в целом являлось освоение методологии синтеза нейросетевого регулятора по методике обучения через показ, применительно к задаче управления мобильным объектом, который отслеживает свое положение пространство с помощью видеокамеры. В результате реализации этого исследовательского проекта была продемонстрирована возможность создания нейросетевой системы управления обеспечивающей решение задачи распознавания образа в реальном масштабе времени.
Внешний вид робота и стуктура бортовой системы управления роботом Феникс-1 представлен на рис. В.2. Робот имеет два ведущих колеса с независимым приводом и оснащен web-камерой Creative для получения изображений размеров 320х240 пикселей с частотой 30 кадров/сек. и ноутбуком Toshiba (1.2 ГГц). Бортовая система управления обеспечивает возможность реализации как стандартных, так и нейросетевых алгоритмов управления.
В рамках проекта задача решалась применительно к синтезу нейронного регулятора для управления перемещением робота, который бы обеспечивал отслеживание контрастной полосы на полу [2]. В автономном режиме для оценки текущего положения относительно полосы использовалось изображение с камеры робота. Эта информация обрабтывалась программным обеспечением ноутбука, который фактически представлял собой оптический датчик.
Синтез нейронного регулятора в рамках методики проводится в два этапа. На первом этапе управления роботом осуществляется традиционной схемой управления или оператором. При этом производится запись показаний датчиков и управляющих воздействий. На втором этапе полученные данные использовались для расчета коэффициентов нейронного регулятора.
В процессе работ над проектом был решен рял сложных технических задач по созданию аппаратно-программного комплекса. В результате был предложен, реализован и экспериментально проверен эффективный метод синтеза нейронных регуляторов по методике обучения через показ.
|
На уровень вверх
Купить