МОДЕЛЬ БАЗОВОГО РІВНЯ ШТУЧНОГО ОТОЧЕННЯ АВТОНОМНИХ ІНТЕЛЕКТУАЛЬНИХ БЕЗЛЮДНИХ СИСТЕМ НА ПРИКЛАДІ МОБІЛЬНОГО РОБОТУ ЩО ОБСЛУГОВУЄ
DOI:
https://doi.org/10.26906/SUNZ.2023.2.113Ключові слова:
автономні інтелектуальні безлюдні системи, штучний інтелект що відчуває, штучне оточення, програмне управління, робот, сенсор, розпізнавання номерів контейнерівАнотація
Мотивація. Незважаючи на значний прогрес у галузі створення безлюдних систем, забезпечення необхідного рівня їх автономності залишається актуальним завданням. Важливу роль у його вирішенні відіграє штучний інтелект. Особливості безлюдних систем породили нову модель «Штучний інтелект що відчуває» (ШІВ), що підтримує автономність. Метою даної роботи є створення штучного оточення для експеріментів з безлюдними системами, підтримуємими ШІВ, на прикладі складу контейнерів, що обслуговується колесним роботом. Предметом дослідження є методи та моделі управління автономними мобільними роботами на підставі даних від різноманітних сенсорів. Результати. Описується архітектура штучного оточення, базові компоненти системи що мають багатошарову організацію. На прикладі штучного оточення «Склад контейнерів», як прототипу автономної безлюдної системи що обслуговується колесним роботом, показно набір контролерів, приклад схем підключення сенсорів та актуаторів, методи та алгоритми управління, які потрібні на базовому рівні. Наведено обгрунтування методу ідентифікації номерів контейнерів що задовольняє вимогам, що накладаються автономними системами. Висновок. Доведено що архітектура базового рівня штучного оточення має бути універсальною щодо підтримки різних методів й алгоритмів управління на базі різноманітних даних від сенсорів. Універсальність досягається завдяки багатошаровій організації контролерів за для підтримки функцій ШІВ. Експерименти зі контролерами базового рівня штучного оточення «Склад контейнерів» продемонстрували можливість підвищення рівня автономності безлюдної системи за рахунок розширених можливостей використання в управляючій програмі робота різноманітних методів управління на різних етапах плану із урахуванням поточної ситуації, що оцінюється на множині даних від різноманітних сенсорів. Напрям подальших досліджень. Майбутні кроки можуть бути присвячено розвитку моделі та інструментарію для інших класів безлюдних систем.Завантаження
Посилання
Функціональне призначення та класифікація складів в логістиці // WareTeka News, 13.11.2020, https://wareteka.com.ua/uk/blog/klasyfikaciya-skladiv-v-logistyci/
Rasmussen S, Kingston D, Humphrey L (2018) Brief Introduction to Unmanned Systems Autonomy Services (UxAS). Int. Conf. on Unmanned Aircraft Sys. (ICUAS). https://doi.org/10.1109/ICUAS.2018.8453287
Dimitrakos TD, Kyriakidis EG (2008), “A semi-Markov decision algorithm for the maintenance of a production system with buffer capacity and continuous repair times”, International Journal of Production Economics, Vol. 111(2), pp. 752-762, doi:https://doi.org/10.1016/ j.ijpe .2007.03.010
T. A. Litman, "Autonomous Vehicle Implementation Predictions: Implications for Transport Planning," Victoria Transport Policy Inst., Rep., Aug. 2022.
H. Shakhatreh et al., "Unmanned Aerial Vehicles (UAVs): A Survey on Civil Applications and Key Research Challenges," J. IEEE Access, vol. 7, pp. 48572– 48634, Apr. 2019, doi: 10.1109/ACCESS.2019.2909530.
T. Zhang et al., "Current trends in the development of intelligent unmanned autonomous systems," Frontiers Inf. Technol. Electron. Eng., vol. 18, Feb. 2017, pp. 68–85, doi: 10.1631/FITEE.1601650.
J. Reis, Y. Cohen, N. Melao, J. Costa, and D. Jorge, "High-Tech Defense Industries: Developing Autonomous Intelligent Systems," Appl. Sci. , vol. 11, 4920, 2021, doi: 10.3390/app11114920.
M.Huang and R.Rust, "Artificial Intelligence in Service," J. of Service Res., vol. 21(2), Feb. 2018, pp.155-172, doi:10.1177/1094670517752459.
M. Czerwinski, J. Hernandez, D. Mcduff, "Building an AI that feels," Appl. Sci., vol.11, 4920, Apr. 2021, doi:10.3390/app11114920.
A. Kargin, T. Petrenko, “Feeling Artificial Intelligence for AI-Enabled Autonomous Systems” in Conf. Proc. of 2022 IEEE Global Conference on Artificial Intelligence and Internet of Things (GCAIoT) Alamein New City, Egypt, 18-21 December 2022, P.88-93.
A. Kargin and T. Petrenko, “Spatio-Temporal Data Interpretation Based on Perceptional Model,” in Advances in SpatioTemporal Segmentation of Visual Data. Studies in Computational Intelligence, V. Mashtalir, I. Ruban, V. Levashenko, Eds., vol. 876, Springer, Cham, 2020, pp. 101-159.
A. Kargin and T. Petrenko, “Multi-level Computing With Words Model to Autonomous Systems Control,” in Proc. 9th Int. Conf. Inf. Control Sys.&Tech (ICST-2020), A. Pakštas, T. Hovorushchenko, H. Yin, N. Rudnichenko. Eds. Odessa, Ukraine, Sep. 24–26, 2020, CEUR Workshop Proceedings, vol. 2711, pp. 16-30. [Online]. Available: http://ceur-ws.org/Vol-2711/
Келер А., Брэдски Г. Изучаем OpenCV 3: навч. посіб. ДМК Пресс, 2017. 826 с.
Keras. Simple. Flexible. Powerful. [Online]. Available: https://keras.io/
