Алгоритмы навигации самоходного колесного робота в изменяющейся внешней обстановке, гарантирующие предупреждение столкновений с подвижными и неподвижными препятствиями
EDN: ZKNABI
Аннотация
В статье описывается инновационный метод автономной навигации самоходного колесного робота Pioneer P3-DX в условиях наличия как статических, так и динамических препятствий. Для управления роботом используется алгоритм искусственных потенциальных полей (ИПП), позволяющий рассчитывать безопасную траекторию, а также нейросеть, помогающая классифицировать области вероятной опасности. Три ультразвуковых датчика обеспечивают измерение расстояния для оценки опасности, что наряду с данными об относительной скорости и направлении дает возможность идентифицировать области повышенного (зона 1) и меньшего риска (зона 2). При обнаружении опасности система нечеткой логики обеспечивает эффективное предотвращение столкновения, регулируя скорость колес. Результаты моделирования, проведенного в среде MATLAB и V-REP, демонстрируют эффективность предложенного алгоритма по сравнению с альтернативными подходами для навигации автономных мобильных роботов в сложных условиях с разными уровнями риска. Показано, что алгоритм обладает такими преимуществами, как адаптивность, отказоустойчивость и надежность.
Ключевые слова
Об авторах
Н. Алсайед
Университет ИТМО
Россия
Россия
Алсайед Нур. Аспирант, факультет систем управления и робототехники
С.-Петербург
А. Ю. Краснов
Университет ИТМО
Россия
Россия
Краснов Александр Юрьевич. Кандидат технических наук, преподаватель, факультет систем управления и робототехники
С.-Петербург
Список литературы
1. Faisal, M. et al., Fuzzy logic navigation and obstacle avoidance by a mobile robot in an unknown dynamic environment, Int. J. Adv. Robot. Syst., 2013, vol. 10.
2. Shitsukane, A. et al., Fuzzy logic sensor fusion for obstacle avoidance mobile robot, IST-Africa Week Conf., 2018, pp. 1–8.
3. Pimenta, L.C.A., et al., On computing complex navigation functions, Proc. IEEE Int. Conf. Robot. Autom., 2005, vol. 2005, pp. 3452–3457.
4. Khatib, O., Real-Time Obstacle Avoidance for Manipulators and Mobile Robots, IJRR, 1986, 5, 1, 90–98.
5. Chengqing, L. et al., Virtual obstacle concept for local-minimum-recovery in potential-field based navigation, Proc. IEEE Int. Conf. Robot. Autom., 2000, vol. 2, pp. 983–988.
6. Ge, S.S., Cui, Y.J., Dynamic motion planning for mobile robots using potential field method, Auton. Robots., 2002, vol. 13, no. 3, pp. 207–222.
7. Shanmuganathan, S., Artificial neural network modelling: An introduction, Stud. Comput. Intell., 2016, vol. 628, pp. 1–14.
8. Li, H. et al., A neural network approach to indoor mobile robot localization, Proc. 19th Distrib. Comput. Appl. Bus. Eng. Sci., 2020, pp. 66–69.
9. Rao, A.M. et al., Navigation of non-holonomic mobile robot using neuro-fuzzy logic with integrated safe boundary algorithm, Int. J. Autom. Comput., 2017, vol. 14, no. 3, pp. 285–294.
10. Batti, H., Jabeur, C.B., Seddik, H., Mobile Robot Obstacle Avoidance in labyrinth Environment Using Fuzzy Logic Approach, Int. Conf. Control. Autom. Diagnosis, Proc., 2019.
11. Chelghoum ,A., Wang, Q., Wang, K., Design and simulation of autonomous mobile robots obstacle avoidance system, Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), 2017, vol. 10092, pp. 165–180.
12. Khudaverdiyeva, M., Modeling of Mobile Robot With Obstacle Avoidance Using Fuzzy Controller, Adv. Inf. Syst., 2022, vol. 6, no. 2, pp. 21–25.
13. Tan, R.J.C., Dadios, E.P., Motion planning of mobile robot using Fuzzy-GA method along with Three Path concept in dynamic environment, J. Intell. Fuzzy Syst., 2018, vol. 35, no. 2, pp. 1445–1457, 2018, 1–6.
14. Singh, S.J. et al., Motion planning of mobile robot using Fuzzy-GA method along with Three Path concept in dynamic environment, J. Intell. Fuzzy Syst., 2018, vol. 35, no. 2, pp. 1445–1457.
15. Song, Q. et al., Dynamic path planning for unmanned vehicles based on fuzzy logic and improved ant colony optimization, IEEE Access. IEEE, 2020, vol. 8, pp. 62107–62115.
16. Park, K., Zhang, N., Behavior-based autonomous robot navigation on challenging terrain: A dual fuzzy logic approach, Proc. IEEE Symp. Found. Comput. Intell, 2007, pp. 239–244.
17. Suzuki, T., Takahashi, M., Obstacle avoidance for autonomous mobile robots based on position prediction using fuzzy inference, 6th Int. Conf. Informatics Control. Autom. Robot. Proc., 2009, vol. 2 RA, pp. 299–304.
18. Antonelo, E.A. et al., Intelligent autonomous navigation for mobile robots: Spatial concept acquisition and object discrimination, Proc. IEEE Int. Symp. Comput. Intell. Robot. Autom, 2005, pp. 553–557.
19. Melingui, A. et al., Adaptive navigation of an omni-drive autonomous mobile robot in unstructured dynamic environments, IEEE Int. Conf. Robot. Biomimetics, 2013, pp. 1924–1929.
20. Farag, K.K.A., Shehata, H.H., El-Batsh, H.M., Mobile robot obstacle avoidance based on neural network with a standardization technique, J. Robot., 2021, vol. 2021.
21. Alves, R.M.F., Lopes, C.R., Obstacle avoidance for mobile robots: A Hybrid Intelligent System based on Fuzzy Logic and Artificial Neural Network, IEEE Int. Conf. Fuzzy Syst., 2016, pp. 1038–1043.
22. Wang, C. et al., A real-time obstacle avoidance strategy for safe autonomous navigation of intelligent hospital beds in dynamic uncertain environments, Australas. Conf. Robot. Autom., 2013, pp. 4382–4387.
23. Liu, H., Robot Systems for Rail Transit Applications. Chapter 1 – Introduction, Ed. Elsevier, 2020, pp. 1–36, doi: 10.1016/B978-0-12-822968-2.00001-2.
24. Arambula Cosío, F., Padilla Castañeda, M.A. Autonomous robot navigation using adaptive potential fields, Math. Comput. Model, 2004, vol. 40, № 9–10, pp. 1141–1156.
25. Liu, Y. et al., Path Planning for Mobile Robot Based on Improved Artificial Potential Field Method, Proc. China Autom. Congr., 2023, pp. 4757–4762.
26. Li, G. et al., An efficient improved artificial potential field based regression search method for robot path planning, IEEE Int. Conf. Mechatronics Autom., 2012, pp. 1227–1232.
27. Handayani, A.S. et al., Application of type-1 and type-2 fuzzy logic controller for the real swarm robot, Int. J. online Biomed. Eng., 2019, vol. 15, no. 6, pp. 83–98.
28. Nurmaini, S., Chusniah, C., Differential drive mobile robot control using variable fuzzy universe of discourse, Proceeding Int. Conf. Electr. Eng. Comput. Sci. Sustain. Cult. Herit. Towar. Smart Environ. Better Futur, 2017, pp. 50–55.
29. Tursynbek, I., Shintemirov, A., Modeling and Simulation of Spherical Parallel Manipulators in CoppeliaSim (V-REP) Robot Simulator Software, Int. Conf. Nonlinearity, Inf. Robot., 2020.
30. Rosenblatt, F., The perceptron: a probabilistic model for information storage and organization in the brain, Psychology Review, 1958, vol. 65, no. 6, pp. 386–408.
31. Spooner, J.T., Maggiore, M., Ordóñez, R., Passino, K.M., Stable Adaptive Control and Estimation for Nonlinear Systems Neural and Fuzzy Approximator Techniques, New York. 2002.
32. Wu, D. et al., Application of Bayesian regularization back propagation neural network in sensorless measurement of pump operational state, Energy Reports, 2022, vol. 8, pp. 3041–3050.
33. Singh, N.H., Thongam, K., Neural network-based approaches for mobile robot navigation in static and moving obstacles environments, Intell. Serv. Robot., 2019, vol. 12, no. 1, pp. 55–67.
34. Uzair, M., Jamil, N., Effects of Hidden Layers on the Efficiency of Neural networks, Proc. 23rd IEEE Int. Multi-Topic Conf., 2020, pp. 1–6.
35. Yosif, Z.M., Mahmood, B.S., Saeed, S.Z., Artificial Techniques Based on Neural Network and Fuzzy Logic Combination Approach for Avoiding Dynamic Obstacles, J. Eur. des Syst. Autom., 2022, vol. 55, no. 3, pp. 339–348.
36. Sangeetha, V. et al., A fuzzy gain-based dynamic ant colony optimization for path planning in dynamic environments, Symmetry (Basel), MDPI AG, 2021, vol. 13, no. 2, pp. 1–22.
Рецензия
Для цитирования:
Алсайед Н., Краснов А.Ю. Алгоритмы навигации самоходного колесного робота в изменяющейся внешней обстановке, гарантирующие предупреждение столкновений с подвижными и неподвижными препятствиями. Гироскопия и навигация. 2024;32(3):105-125. EDN: ZKNABI
For citation:
Alsayed N., Krasnov A.Yu. Advanced Control Algorithms for Dynamic Environment Navigation and Obstacle Avoidance. Gyroscopy and Navigation. 2024;32(3):105-125. (In Russ.) EDN: ZKNABI
Просмотров:
5
Послать статью по эл. почте 