Модель імовірнісно-нечіткого контролера зі змінною структурою в контурі нечіткого управління автономним роботом
DOI:
https://doi.org/10.18664/ikszt.v31i1.357554Ключові слова:
автономна безпілотна система, робот, нечітка логічна система, імовірнісно-нечіткий контролер, контролер зі змінною структурою, штучний інтелект, що відчуваєАнотація
Розповсюдження безпілотних систем у різних сферах, насамперед промисловості, транспортній і військовій галузі, передбачає найголовніше завдання підвищення їхньої автономності. Рівень автономності цих систем безпосередньо залежить від їхньої здатності ухвалювати рішення в умовах невизначеності. Класичні нечіткі логічні системи (Fuzzy Logic System, FLS) дають змогу формалізувати ухвалення рішень в умовах неповних знань чи неточних даних, але мають певні обмеження. По-перше, налаштування нечіткої системи можливо тільки для нескладних завдань. По-друге, FLS не мають властивості масштабованості. По-третє, існують обмеження щодо реалізації нечітких рішень, отриманих FLS: відсутність апаратно реалізованих нечітких актуаторів потребує дефазифікації нечітких рішень, коли всі можливі варіанти рішення узагальнюють і зводять до одного числа, як наслідок, це унеможливлює використання альтернативних або «слабких» рішень, що теж призводить до ситуацій, які порушують автономність. У статті розглянуто шляхи подолання останнього обмеження на базі нової моделі штучного інтелекту, що відчуває (Feeling Artificial Intelligence, FAI). Запропоновано модифіковану версію FLS із моделлю ймовірнісно-нечіткого контролера зі змінною структурою (Probabilistic-Fuzzy Controller, PFC). FLS із моделлю PFC забезпечує вибір альтернативних керуючих дій у невизначених умовах, реалізуючи управління як випадкову величину з розподілом імовірностей, що отримано на основі значень упевненості, що були розраховані FLS на етапі акумуляції нечітких правил. Це дає змогу реалізувати рішення, що не домінують у традиційній FLS. Показано переваги застосування модифікованої FLS із PFC моделлю для управління автономним роботом і наведено порівняння її рішень із тими, що отримані за допомогою класичної FLS. Визначення потрібної структури закону управління для вибраного значення керуючого рішення, що додатково робить PFC, додає адаптивності ймовірніснонечіткому контролеру зі змінною структурою в контурі нечіткого управління автономними системами і є ще однією його перевагою. У статті наведено результати розрахунків, моделювання та експериментів, що підтвердили практичну перевагу моделі. Новий підхід підвищує автономність безлюдних систем і адаптивність ухвалення керуючих рішень.
Посилання
Zhang T. et al. Current trends in the development of intelligent unmanned autonomous systems, Frontiers Inf. Technol. Electron. Eng. 2017. Vol. 18. P. 68–85, DOI: 10.1631/FITEE.1601650.
Chen J., Sun J., Wang G. From Unmanned Systems to Autonomous Intelligent Systems. Engineering. 2022. Vol. 12. P. 16–19, DOI: 10.1016/j.eng.2021.10.007.
Reis J., Cohen Y., Melao N., Costa J., Jorge D., High-Tech Defense Industries: Developing Autonomous Intelligent Systems, Appl. Sci. 2021. Vol. 11, No. 11. DOI: 10.3390/app11114920.
Guizzo E. Types of Robots. 2018. URL: https://robotsguide.com/learn/types-of-robots (last accessed: 22.01.2026)
Shakhatreh H. et al. Unmanned Aerial Vehicles (UAVs): A Survey on Civil Applications and Key Research Challenges. J. IEEE Accessl. 2019. Vol. 7. P. 48572–48634, DOI: 10.1109/ACCESS.2019.2909530
NovAtel, Unmanned Systems. 2022. URL: https://novatel.com/industries/unmanned-systems (last accessed: 20.09.2022).
Lockheed M. The Future of Autonomy. Isn't Human-Less. It's Human More. 2022. URL: https://www.lockheedmartin.com/enus/capabilities/autonomous-unmannedsystems.html (last accessed: 25.09.2022).
Rasmussen S., Kingston D., Humphrey L. Brief Introduction to Unmanned Systems Autonomy Services (UxAS). Int. Conf. on Unmanned Aircraft Sys. (ICUAS). 2018. DOI: 10.1109/ICUAS.2018.8453287.
Litman T. A. Autonomous Vehicle Implementation Predictions: Implications for Transport Planning. 2022. URL: https://www.vtpi.org/avip.pdf (last accessed: 25.09.2022).
Joseph L., Mondal A. K. (eds) Autonomous Driving and Advanced Driver-Assistance Systems (ADAS). Applications, Development, Legal Issues, and Testing, 1st ed., CRC Press, Boca Raton. 2021. DOI: 10.1201/9781003048381.
Yasumoto K., Yamaguchi H., Shigeno H. Survey of Real-time Processing Technologies of IoT Data Streams. Journal of Information Processing. 2016. Vol. 24, No. 2. P. 195–202, DOI: 10.2197/ipsjjip.24.195.
Klein L. A. Sensor and data fusion: A tool for information assessment and decision making. 2nd ed. SPIE Press, Bellingham. 2012. DOI: 10.1117/3.928035.
Gou J., Yu B., Maybank S. J., Tao D. Knowledge Distillation: A Survey. International J. of Computer Vision. 2021. Vol. 129. P. 1789–1819. DOI: 10.1007/s11263-021-01453-z.
Hu X., Shen Y., Pedrycz W., Li Y., Wu G. Granular Fuzzy Rule-Based Modeling With Incomplete Data Representation. IEEE Transactions on Cybernetics. 2022. Vol. 52, No. 7. P. 6420–6433. DOI: 10.1109/TCYB.2021.3071145.
Kargin A., Petrenko T. Knowledge Distillation for Autonomous Intelligent Unmanned Systems / In: Pedrycz, W., Chen, S.-M. (eds.). Advancements in Knowledge Distillation: Towards New Horizons of Intelligent Systems, Studies in Computational Intelligence. 2023. Vol. 1100, Springer. P. 193–230. https://doi.org/10.1007/978-3-031-32095-8_7.
Kargin A., Petrenko T. Multi-level Computing With Words Model to Autonomous Systems Control. In: Pakstas A., Hovorushchenko T. (eds.). Workshop Proceedings. 2020. Vol. 2711, CEUR. P. 16–30. http://ceur-ws.org/Vol-2711/.
Michels K., Klawonn F., Kruse R., Nürnberger A. Fundamentals of Control Theory. Fuzzy Control, Studies in Fuzziness and Soft Computing. 2006. Vol. 200, Springer, Heidelberg. P. 57–234. DOI: 10.1007/3-540-31766-x_2.
Piegat A. Fuzzy modelling and control. Studies in Fuzziness and Soft Computing. Physica. 2001. Heidelberg; New York. DOI: 10.1007/978-3-7908-1824-6.
Kargin A., Petrenko T. Feeling Artificial Intelligence for AI-Enabled Autonomous Systems. Proc. Global Conf. on Artificial Intelligence and Internet of Things (GCAIoT)., Alamein New City, Egypt: IEEE, 2022. Р. 88–93. DOI:10.1109/GCAIoT57150.2022.10019235.
Kargin A., Petrenko T. Feeling Artificial Intelligence. Cognitive Decision-making Model Borrowed from Living Beings. International Symposium on Networks, Computers and Communications, Washington, DC, USA: IEEE, 2024. Р. 1–6.
Kargin A., Petrenko T. Event-Driven Architecture of Feeling Artificial Intelligence Supported by Data Aging Model. In: Mejdoub Y., Elamri A., Kardouchi M. (eds.) Connected Objects, Artificial Intelligence, Telecommunications and Electronics Engineering (COCIA 2025). Lecture Notes in Networks and Systems. 2025. Vol. 1584. Cham: Springer. Р. 178–183. DOI: 10.1007/978-3-032-01536-5_27.
Каргін А. О., Кузьменко Р. С. Модель ймовірнісно-нечіткого актуатора в контурі м’якого управління автономною безлюдною системою. Сучасний стан наукових досліджень та технологій в промисловості. 2025. № 1 (31). С. 61–72. DOI: 10.30837/2522-9818.2025.1.061.
Каргін А. О. Вступ до інтелектуальних машин. Кн. 1. Інтелектуальні регулятори. Донецьк: Норд-Пресс, ДонНУ, 2010. 526 с.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
