Управление мобильным роботом в динамической среде с помощью нечеткой логики

Аннотация: В данной статье приводится новый подход выполнения визуального анализа видеопотока для исследования динамической среды при навигации мобильного робота, который движется по заданной траектории. В работе представлена новая модель нечеткой логики управления мобильным роботом с учетом скорости и положения других объектов. Установлены функции камеры RGB-D при выполнении контроля окружающей среды, определения расстояния до объекта, а также скорости движения объектов относительно робота. Подчеркивается, что контроллер с нечеткой логикой позволяет определить максимальную скорость движения робота. Возможность применения предложенного метода подтверждается результатами моделирования работы мобильного робота в виртуальной среде Gazebo с использованием промежуточного программного обеспечения ROS. Проведенное компьютерное моделирование указывает на возможность идентификации динамических и статических объектов в неструктурированной динамической среде в зависимости от места нахождения робота.
Ключевые слова: Мобильный робот, нечеткая логика, динамическая среда, навигация, компьютерное моделирование, обнаружение объектов.
Введение
В условиях роста научно-технического прогресса, развития цифровых технологий мобильные роботы становятся неотъемлемой составляющей не только производственных процессов, но и позволяют решить проблемы в логистике склада, торговле, сервисе, медицине, образовании. Рост потребностей отечественных предприятий в мобильных роботах создает необходимость выбора современных интеллектуальных методов и технологий управления. Одним из возможных вариантов управления является создание динамической среды для навигации работы мобильных роботов, решающих различные прикладные задачи. Создание динамической среды исключит недостатки статических методов управления, в которых невозможно оценить динамику перемещения стационарных объектов.
Статья построена следующим образом. Производится постановка математической задачи контроля окружающей среды в производственных помещениях склада. Анализируются существующие методы и средства контроля. Выбирается наиболее эффективный вариант решения задачи, учитывающий особенности, специфику, технические условия работы мобильного робота. Рассматривается модель управления роботом с помощью контроллера с нечеткой логикой, определяются ее параметры. Подводятся экспериментальные исследования с применением алгоритма Мамдани, реализованного в модуле Sickest-Fuzzy на языке программирования Python. Подводятся итоги и обосновываются полученные результаты управления мобильным роботом в динамической среде с помощью нечеткой логики.
Постановка задачи
Предположим, на складе работает мобильный робот, который движется по заданной траектории. Среда склада включает набор стационарных объектов: стены, колонны, стулья, хранимые материалы. В той же плоскости, где размещены стационарные объекты осуществляет поставленные задачи мобильный робот. Движение робота происходит по заданной траектории со скоростью, не превышающей заданные ограничения. Вначале рассмотрим случай перемещения стационарных объектов к целевой точке заданной траектории. В данном случае необходимо минимизировать время и установить скорость движения мобильного робота при изменении параметров окружающей среды, в том числе появления новых статических и динамических объектов.
Для предотвращения столкновения непредвиденный стационарный объект должен быть обнаружен на расстоянии, превышающем путь торможения Sr мобильного робота с начальной штатной (разрешенной) скоростью Vr до полной остановки при максимально достижимом ускорении Ar торможения:
Sr= Vr22∙(-Ar) (1)
В динамической среде необходимо идентифицировать объекты, движущиеся с максимальной скоростью Vo., на расстоянии более:
Sn=Sr+Vo∙Tt .(2)
где Tt= Vr-Ar. – длительность торможения. Если допустимое ускорение мобильного робота Ar = ± 0.3 м/с2 и максимальная скорость объекта V0 = 1.5 м/с, то безопасное расстояние до обнаруживаемого объекта:
Sn=1.6*Vr2 +5Vr .
Для мобильного робота, движущегося с начальной скоростью Vr = 1.5m/c необходимо определить динамический объект на расстоянии Sn = ~11.3m.
Анализ существующих решений для аналогичных условий показал, что лучшим вариантом является лидар (обнаружение и определение дальности). Однако для небольших транспортных систем его не целесообразно применять из-за высокой цены.
Например, в работе [1] описан метод определения параметров динамических объектов при цене лидара около 10000$. Другим способом решения рассматриваемой проблемы является применение методов компьютерного моделирования.
В таблице 1 приведены основные методы идентификации динамических объектов и их преимущества и недостатки.
Таблица 1. Сравнение методов идентификации динамических объектов [2]
Категория Недостатки Преимущества
Фоновое моделирование [3-4] • Не подходит для свободного движения камеры• Точность определяется параметрами фоновой модели • Простота проведения исследований • Возможность проведения исследований в режиме реального времени • Высокое качество идентификации объектов
Классификация траекторий [5-6] • Очень чувствительный к шуму• Не предоставляет информацию о параметрах объекта• Точность определяется выбранным режимом отслеживания движения объекта • Обеспечение хорошей траектории объекта • Умеренная сложность
Отслеживание объектов [7-8] • Не предоставляет информацию о параметрах объекта• Необходимо знать координаты для выбора объекта • Высокая производительность обработки данных при движении камеры • Простота проведения исследований
В данной работе представлен новый метод обнаружения и отслеживания динамических объектов.
Обнаружение и отслеживание объектов:
Матрица для преобразования координат из системы координат робота [Xc Yc Zc] в систему координат камеры (пиксили изображения) [Ximg Yimg] задается следующим образом:
XimgYimg1 = FZcXc+w2FZcYc+h2 1 (3)
где (F, w, h) параметры камеры (фокусное расстояние, высота и ширина датчика) Матрица для преобразования прямого отрезка из системы координат робота в камеру (изображение). Если предположить, что координата Z соответствует «глубине», расстоянию от камеры до точки, то это можно описать уравнением:
Lt2= (F*Lx)2+(F*Ly)2 Ztc2 (4)
Изменение длины между двумя кадрами (framet, framet+1):
Lt2Lt+12= (F*Lx)2+(F*Ly)2 Ztc2(F*Lx)2+(F*Ly)2 Zt+c2 = Zt+c2Ztc2 (5) Следовательно, если можно рассчитать «глубину» объекта (прямого отрезка), то можно определить и скорость объекта между двумя кадрами с помощью камеры RGB-D.
На первоначальном этапе выполним идентификацию динамических объектов по исходным выбранным фрагментам с применением следующей последовательности:
Инициализация выделенных фрагментов: выделенный фрагмент будет определяться выделением границ на изображении с применением оператора Кэнни [9]. В результате обработки данных по алгоритму Кэнни получено черно-белое изображение, в котором белые пиксели образуют границы или ребра динамического объекта. Применяется фильтр по длине и «глубине» найденного фрагмента объекта.
Поиск выделенных фрагментов в следующем кадре: на этом шаге найденные выделенные фрагменты преобразуются в контур. Для этого используются два принципа:
- Hough transforms нахождение несовершенных экземпляров объектов в определенном классе фигур (отрезков);
- использование двух концов контуров в качестве двух концов отрезка.
В результате образуется две точки, которые будут новыми выделенными фрагментами для отслеживания параметров объекта между двумя кадрами с использованием алгоритма оптического потока, основанного на алгоритме Лукаса-Канады.
Расчет изменения положения и длины каждого показанного фрагмента между двумя кадрами. Khoshelham [10] рекомендует учитывать погрешность в зависимости от модели камеры Kinect (RGB-D), поскольку неопределенность измерения пропорциональна квадрату значения «глубины» . Определить изменение «глубины» между кадрами на основании сравнения данных полученных в результате работы RGB-D камеры невозможно, но решить данную проблему можно с помощью уравнения (5) для поиска скорости объекта:
(6)
Проекция скорости объекта Vox относительно системы координат мобильного робота рассчитывается по формуле:
(7)
Конструкция контроллера Fuzzy Logic (FLC)
При построении базовой структуры контроллера с нечеткой логикой Fuzzy Logic (FLC) применяют методы фаззификации, логического вывода и дефаззификации.
На первоначальном этапе при построении контроллера с нечеткой логикой реализуем метод фаззификации, который предусматривает определение по отдельной входной переменной функции принадлежности определяющего ее терма входной лингвистической переменной. Вторая часть – это нечеткий вывод, который объединяет факты, полученные в результате нечеткого управления.
Когда входные и выходные переменные и функция принадлежности определены, то нечеткое правило можно представить в следующем виде: IF  THEN  правило.
При выполнении фаззификации контроллером с нечеткой логикой Fuzzy Logic (FLC) на основании данных по расстоянию, его изменению, углу и изменению угла формируется переменная, позволяющая определить максимальную скорость движения робота. Для определения переменной скорости в интервале от 0 до 1,5 м/с контроллер использует сигмоидальные и гауссовские функции принадлежности с выделением градаций: очень низкая (very low - VL), низкая (low - L), средняя (medium - M), высокая (high - H) и очень высокая (very high VH), как показано на рисунке 1.
Рис 1. Функции принадлежности максимальной скорости мобильного робота
Перемещение объекта производится в установленных параметрах длины траектории от 0 до 12 м, а его параметры настраиваются по трем функциям принадлежности: большая (big – B), средняя (medium – M), малая (small – S). Границы удаленности объекта от робота [-0,06 + 0,06 м] определяются по функциям принадлежности: увеличение (decrease – D), уменьшение (increase – I) и отсутствие изменений (no change – N), как показано на рисунке 2.
Рис 2. Функции принадлежности удаленности объекта от мобильного робота
Абсолютное значение углового объекта с направлением мобильного робота должно находиться в пределах от 0 до 1,5 радиан, а его параметры определяются по трем функциям принадлежности: большая (big – B), средняя (medium – M), малая (small – S). Границы изменения параметров углового объекта [-0,06 +0,06 радиан] определяются по функциям принадлежности: увеличение (decrease – D), уменьшение (increase – I) и отсутствие изменений (no change – N), как показано на рисунке 3.
Рис. 3. Функции принадлежности углового объекта с направлением мобильного робота
Система логического вывода:
После подробного описания функций принадлежности определим принципы использования алгоритма Мамдани в системах нечеткого вывода. Исходными данными выступают такие параметры как расстояние (distance), начальная скорость (Speed Vz), угол (Angle), конечная скорость (Speed Vx), выходная скорость (Output speed) и вес значимости фактора (Weight). Для каждого из параметров выбраны соответствующие функции принадлежности, как это показано в таблице 2.
Table.2 Fuzzy Rules
Distance Speed Vz Angle Speed Vx Output speed Weight
S N S P L 0.7
S N M P M 0.6
S N B P H 0.5
S P S P L 0.9
S P M P M 0.8
S P B P H 0.7
S N S M VL 0.9
S N M M L 0.8
S N B M M 0.7
S M S N VL 0.8
S M M N L 0.7
S M B N M 0.6
Метод дефаззификации центра тяжести (COG):
В данном случае используется переменная, соответствующая выходной лингвистической переменной, ограниченной левой и правой точками объекта нечеткого множества и функция принадлежности. Общая площадь распределения функции принадлежности, используемая для представления комбинированного управляющего действия разделена на несколько подобластей. После расчета площадей каждой подобласти производится их суммирование и тем самым определяются параметры дискретного нечеткого множества.
Экспериментальные результаты
При проведении экспериментальных исследований использовался алгоритм Мамдани, реализованный в модуле Sickest-Fuzzy на языке программирования Python.
На рис. 4 представлены результаты компьютерного моделирования при заданных ограничениях скорости, угла.
Fig 4 COG defuzzification of speed output(0.74)for input(Z=3, angle=0.1, Vox=+0.02, Voz=+0.1 )
Результаты показали, что при заданных параметрах скорости и угла максимальная скорость движения наблюдается, когда объект приближается к роботу.
Заключение
Анализ среды работы мобильного робота позволил установить параметры обнаружения объектов для исключения столкновений. Для исключения проблем невозможности определения изменения «глубины» между кадрами на основании сравнения данных полученных в результате работы RGB-D камер было предложено построить базовую структуру контроллера с нечеткой логикой Fuzzy Logic (FLC) с применением методов фаззификации, логического вывода и дефаззификации.
Результаты проведения моделирования работы мобильного робота в виртуальной среде Gazebo с использованием промежуточного программного обеспечения ROS показали, что выбранные методы позволяют идентифицировать объекты при удаленности объекта от мобильного робота и с направлением на него.
При проведении экспериментальных исследований использовался алгоритм Мамдани, реализованный в модуле Sickest-Fuzzy на языке программирования Python. Полученные результаты указывают на возможность управления мобильным роботом в динамической среде с помощью нечеткой логики.
Список литературы:
Gerasimov V.N. A method for determining the parameters of dynamic obstacles based on laser rangefinder data // 21st century: fundamental science and technology: Proceedings of the III International Scientific and Practical Conference. M. 2014. Vol.3. Pp. 155–157.
Yazdi M. Bouwmans.T. New trends on moving object detection in video images captured by a moving camera: A survey // Computer Science Review 28 (2018) 157–177
Y. Wu, X. He, T.Q. Nguyen, Moving object detection with a freely movingcamera via background motion subtraction, IEEE Trans. Circuits Syst VideoTechnol. 27 (2) (2017) 236–248.
L. Gong, M. Yu, T. Gordon, Online codebook modelling based background subtraction with a moving camera, in: 3rd International Conference on Frontiers of Signal Processing, ICFSP, 2017, pp. 136–140.
S. Singh, C. Arora, C.V. Jawahar, Trajectory aligned features for first person action recognition, Pattern Recognit. 62 (2017) 45–55.
Y. Sheikh, O. Javed, T. Kanade, Background subtraction for freely moving
cameras, in: IEEE International Conference on Computer Vision, ICCV, Sept. 2009, pp. 1219–1225.
M.A. Bagherzadeh, M. Yazdi, Regularized least-square object tracking based on ℓ2,1minimization, 3rd RSI International Conference on Robotics and Mechatronics, ICROM, Oct. 2015, pp. 535–539.
J. Chen, H. Sheng, Y. Zhang, Z. Xiong, Enhancing detection model for multiple hypothesis tracking, in: Conf. on Computer Vision and Pattern Recognition Workshops, 2017, pp. 2143–2152
Canny, J., A Computational Approach To Edge Detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6):679–698, 1986.
Khoshelham K , Elberink S.O, Accuracy and resolution of Kinect depth data for indoor mappingapplications, in Sensors, Vol. 12, pp. 1437–1454