Математические модели и методы обработки данных, извлечения и представления знаний для интеллектуального управления мехатронными и робототехническими системами

ИК-813

Цель работы является исследование фундаментальных проблем и развитие теоретических основ управления мехатронными и робототехническими системами в сложной динамической среде.

Задачи работы:

разработка математических моделей и методов предварительной обработки и извлечения информации из потока сенсорных данных систем мехатронных и робототехнических аппаратов;
разработка математических моделей и методов формализации и представления баз знаний для описания сред функционирования робототехнических систем;
разработка моделей и методов для пространственной ориентации и навигации мобильных робототехнических систем с движителями различного типа

Научная идея:

В рамках предлагаемого задания предполагается разработать и анализировать два конкурирующих способа формирования и представления баз знаний, которые будут использованы для управления автономными мобильными роботами.

1.Первым способом являются формализованные базы знаний, основанные на использовании семантических сетей. Направление по применению семантических технологий для проектирования интеллектуальных систем управления АМР является новым. Как правило, подобные системы строились на основе систем продукционных правил, которые не способны эффективно описывать нелинейные динамические процессы. Построение системы управления АМР на основе концепции семантических сетей позволит получить дополнительные преимущества от универсализации используемых представлений знаний, интерфейсов, систем принятия решений, а также от интеграции с имеющимся семейством известных прикладных интеллектуальных систем, что позволит существенно повысить скорость и качество процесса разработки.

2.Второй способ основан на использовании неформализованных баз знаний, реализованных с помощью современных архитектур искусственных нейронных сетей (ИНС). На сегодняшний день наиболее активно исследуются и используются ИНС глубокого обучения (Deep Learning) на основе свёрточных ИНС и ассоциативной памяти. Указанные ИНС уже хорошо себя зарекомендовали в многочисленных практических приложениях: классификация различных объектов на цифровых изображениях и видеопотоке (люди, животные, предметы интерьера и быта), сегментация сложных объектов (поток зерна, человеческие ногти и волосы), решение сложных творческих задач (игра в шахматы и Го) и т.д.