Научный архив: статьи

Коллаборативная робототехника в сельском хозяйстве ориентирована на автоматизацию трудоемких процессов. Коллаборативные мультиагентные робототехнические системы (КМРТС), в отличие от традиционных автономных систем, предполагают активное взаимодействие между роботами и операторами-людьми, что требует разработки новых методов координации, адаптации и обеспечения безопасности в условиях неопределенности и динамично изменяющейся среды. (Цель исследования) Разработка теоретических и прикладных подходов к моделированию поведения и управлению коллаборативными мультиагентными робототехническими системами, направленных на обеспечение эффективного распределения задач, координации действий агентов и их безопасного взаимодействия с людьми при выполнении операций по сбору урожая плодовой продукции. (Материалы и методы) Для достижения поставленных целей использовались методы теории игр, машинного обучения и управления с учетом рисков. Построена математическая модель, описывающая взаимодействие агентов с учетом вероятностной природы среды и наличия оператора. Валидация предложенных решений осуществлялась посредством численного моделирования, а также на основе данных, которые получены в условиях экспериментального полигона, имитирующего реальные сельскохозяйственные сценарии. (Результаты и обсуждение) Разработаны алгоритмы координации, адаптации и перераспределения задач между агентами коллаборативной мультиагентной робототехнической системой, обеспечивающие устойчивость к ошибкам сенсорного восприятия, задержкам передачи данных и внешним возмущениям, характерным для сельскохозяйственной среды. Особое внимание уделено адаптации поведения агентов в ответ на действия операторов-людей, включая возможность приоритизации задач и контекстно-зависимого изменения стратегии взаимодействия. Симуляционные эксперименты продемонстрировали повышение производительности системы за счет более равномерного распределения нагрузки между роботами, уменьшения числа конфликтов при выполнении совместных задач и сокращения простоев. Также зафиксировано улучшение показателей безопасности, в частности, снижение вероятности столкновений и некорректных реакций на присутствие человека в рабочей зоне. (Выводы) Разработанные модели и алгоритмы могут быть использованы для построения интеллектуальных коллаборативных мультиагентных робототехнических систем, способных к адаптивному и безопасному взаимодействию в условиях сельскохозяйственного производства, что способствует росту эффективности автоматизированного сбора урожая и снижению зависимости от человеческого труда.

Рост развития автономного транспорта связан с повышением безопасности на дорогах, снижением столкновений и повышением эффективности логистических операций. На безопасность также влияет такой фактор, как усложнение дорожных условий и задач, связанных с навигацией и управлением автомобиля, и поэтому традиционные алгоритмы управления оказываются недостаточно качественными и эффективными.

Цель исследования - разработка интеллектуальной системы, которая позволяет автономному транспортному средству самостоятельно управлять курсом движения автономного агента (модель автомобиля), который обучается навигации и следованию по заданному курсу с помощью обучения с подкреплением на основе взаимодействия с имитационной средой методом актер-критик.

Материалы и методы. В данной работе для реализации и обучения модели с подкреплением использовалась библиотека Stable-Baselines3 (SB3), построенная на фреймворке PyTorch. В качестве среды обучения использовался симулятор DonkayCar. Для повышения скорости и эффективности обучения был применен алгоритм шумоподавляющего автокодера для выделения зоны интереса.

Результаты. В рамках исследования была проведена серия сравнительных тестов, направленных на оценку влияния различных параметров эффективности обучения модели - ограничение скорости, ограничение угла поворота колес, ширины допустимого отклонения, непрерывности движения, коэффициента дисконтирования, частоты отрисовки кадров.

Выводы. Результаты исследования позволяют сделать выводы о потенциале использования обучения с подкреплением в сфере автономного транспорта, включая необходимость дообучения модели на реальных данных, перспективы масштабирования на транспортные средства различного класса, ограничения, связанные с вычислительными ресурсами и необходимостью безопасной верификации поведения.