Часто используют нейросеть типа ANFIS (Adaptive Neuro-Fuzzy Intelligent System). С помощью такой сети робот учится преодолевать препятствия. Входными переменными являются углы ориентации платформы робота α, β, его линейная скорость V и моменты, развиваемые в шарнирах подвеса траков Mi, а выходными — углы поворота осей управляемых гусениц робота γ1 — γ4. Сеть имеет пять слоев. Первый слой содержит функции принадлежности соответствующих лингвистических переменных, второй — произведение, соответствующее нечеткому «и», третий слой определяет нормированную силу правила, четвертый — формирует выходные переменные и пятый слой осуществляет дефазификацию. Обучающая выборка определяется по результатам работы опытного оператора.
По полученной обучающей выборке обучение нейросети проводилось методом обратного распространения ошибки. Поскольку каждое типовое препятствие требует своей настройки параметров сети, использование такого подхода предполагает наличие механизма распознавания типа препятствия. В данном случае использовался метод кластерного анализа параметров ситуации, позволяющий выделить наиболее вероятную из возможных (известных заранее) ситуаций. Появление новых ситуаций требует дополнительного обучения робота, что представляет собой ограничение метода в тех случаях, когда возможные ситуации не могут быть заранее определены.
В таких случаях может быть использован новый подход, при котором робот обучается поведению в неопределенных условиях по принципу «обучение без учителя» на основе только собственного опыта [1]. Аппаратом накопления и обработки опыта является специальный тип нейронных сетей. Система содержит блок, названный авторами «блоком эмоций», позволяющий оценить успех или неуспех того или иного действия. Последующие действия выполняются с учетом «накопленных знаний» в предыдущих экспериментах.
Заключение
.
В данной работе мы рассмотрели основные методы нечеткой логики, применяемые в мехатронике и робототехнике. Мы описали теоретические основы и базовые понятия математического аппарата нечеткой логики, основные алгоритмы нечеткой логики, используемые в мехатронике и робототехнике. Затем мы рассмотрели методы, с помощью которых осуществляется управление на основе нечеткой логики. Отметим, что в дальнейшем будет происходить усложнение роботов, поэтому роль методов нечеткой логики будет возрастать. Такие методы будт применяться все чаше и чаще. В данный момент в таких задачах в основном примпеняется алгоритм Мамдани.
Список литературы
Жонин А. А. Алгоритм обучения менеджера диалога речевой диалоговой системы управления роботом. Интегрированные модели и мягкие вычисления в искусственном интеллекте: сб. научн. трудов международной конференции. — М.: Физматлит, 2011. — С.
395−406. Ющенко.
А.С. Нечеткое управление в эргатических робототехнических системах. Инженерный журнал: наука и инновации, 2013, вып. 8. Ющенко А. С. Управление роботами с использованием нечеткой логики: состояние и проблемы. Новости искусственного интеллекта, 2006, № 1, с. 119−130.Заде Л. А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем. Новости искусственного интеллекта, 2001, № 2−3, с. 7−11.Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М., 2004.
