Исследование интеллектуальных элементов управления мобильным роботом и обеспечение информационной безопасности процесса его функционирования в динамической среде

Цель исследования. Представленное в данной статье исследование нацелено на установление и обоснование принципов эффективной инкорпорации интеллектуальных элементов системы управления мобильным роботом, функционирующим в условиях динамической среды существования. В качестве предмета исследования использовалась входящая в состав управления процедура одновременной локализации и картографирования. Критерием эффективности выступали показатели, связанные с обеспечением информационной безопасности процесса функционирования робота в реальных условиях эксплуатации.

Методы. Разработана и реализована методология экспериментального исследования программного исполнения процедуры одновременной локализации и картографирования в рамках задачи управления мобильным роботом. Объектом исследования выступала компьютерная модель абстрактного мобильного робота, выполняющего разведывательные функции в виртуальной динамической среде существования. Инкорпорируемыми элементами интеллектуальной обработки информации в процедуру одновременной локализации и картографирования были сверточные и полносвязные нейросетевые слои, обеспечивающие фильтрацию динамических объектов.

Результаты. При проведении экспериментального исследования выполнена симуляция процесса функционирования компьютерной модели разведывательного мобильного робота в виртуальной среде существования. Аналогичные эксперименты воспроизведены при различных структурно-функциональных конфигурациях процедуры одновременной локализации и картографирования. Получены количественные результаты, демонстрирующие точность позиционирования объекта исследования для каждого из способов организации данной процедуры. Проведен сравнительный анализ вариантов использования элементов интеллектуальной обработки информации внутри данной процедуры.

Заключение. Установлено, что инкорпорация элементов интеллектуальной обработки информации в процедуру одновременной локализации и картографирования имеет влияние на точность позиционирования мобильного робота и надежность его функционирования в динамической среде существования. Это вносит вклад в соблюдение норм информационной безопасности при использовании мобильных роботов в реальных условиях эксплуатации. Также определено, что существует и их избыточное употребление, которое приводит к отклонению от оптимальных качеств, необходимых для эффективного автономного управления мобильным роботом и обеспечения информационной безопасности.

1. Кабалан А., Гайдук А.Р., Абу Хамдан Н. Управление поворотами мобильного робота, подобного автомобилю // Известия Юго-Западного государственного университета. 2021; 25(4): 134-144. https://doi.org/10.21869/2223-1560-2021-25-4-134-144.

2. Андронов В.Г., Чуев А.А., Князев А.А. Модель параметров отклонений маршрута полёта беспилотных летательных аппаратов от заданной траектории // Известия Юго-Западного государственного университета. 2021; 25(4): 145-161. https://doi.org/10.21869/2223-1560-2021-25-4-145-161.

3. Makarov M., Astafiev A. Synthesis of Special Operating Decisions as Part of Adaptive Control of a Mobile Robot // CEUR Workshop Proceedings. MIP: Computing-V 2022 – Proceedings of the 5th International Scientific Workshop on Modeling, Information Processing and Computing. 2022. 12-17. https://doi.org/10.47813/dnit-mip5/2022-3091-12-17.

4. Panov A.I., Yakovlev K. Behavior and Path Planning for the Coalition of Cognitive Robots in Smart Relocation Tasks // Robot Intelligence Technology and Applications. 2015; 4: 3-20. https://doi.org/10.1007/978-3-319-31293-4_1.

5. Daachi B., Madani T. Adaptive Neural Networks and Robot Intelligent Control in Direct or Indirect Interaction with Humans. Amsterdam: Elsevier, 2019.

6. Воротников С.А. Информационные устройства робототехнических систем. М.: МГТУ им. Н.Э. Баумана, 2005.

7. Lu H., Xu X. Artificial Intelligence and Robotics. Berlin: Springer; 2018.

8. Rudomanenko A.P., Vorotnikov S.A., Chernyadev N.A. Adaptive Control System for Industrial Robotic Manipulator // Communications in Computer and Information Science. 2021; 1426 CCIS: 153-164. https://doi.org/10.1007/978-3-030-88458-1_12.

9. Mur-Artal R., Tardos J.D. ORB-SLAM2: An open-source SLAM system for monocular, stereo, and RGB-D cameras // IEEE Trans. on Robotics. 2017; 33(5): 1255-1262. https://doi.org/10.1109/tro.2017.2705103.

10. Engel J., Schops T., Cremers D. LSD-SLAM: Large-scale direct monocular SLAM // Lecture Notes in Computer Science. 2014; 834-849. https://doi.org/10.1007/978-3-319-10605-2_54.

11. DynaSLAM: Tracking, mapping, and inpainting in dynamic scenes / B. Bescos, J.M. Facil, J. Civera, J. Neira // IEEE Robotics and Automation Letters. 2018; 3(4): 4076-4083. https://doi.org/10.1109/lra.2018.2860039.

12. DS-SLAM: A semantic visual SLAM towards dynamic environments / C. Yu, Z. Liu, X.-J. Liu, F. Xie, Y. Yang, Q. Wei, Q. Fei // Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2018; 1168-1174 https://doi.org/10.1109/iros.2018.8593691.

13. Huletski A., Kartashov D., Krinkin K. TinySLAM improvements for indoor navigation // Proceedings of the IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI). 2016. https://doi.org/10.1109/mfi.2016.7849536.

14. Elfes A., Using Occupancy Grids for Mobile Robot Perception and Navigation // IEEE Computer Magazine. 1989; 22(6): 46-57. https://doi.org/10.1109/2.30720.

15. A Random Finite Set Approach for Dynamic Occupancy Grid Maps with Real-Time Application / D. Nuss, S. Reuter, M. Thom, T. Yuan, G. Krehl, M. Maile, A. Gern, K. Dietmayer // The International Journal of Robotics Research. 2018; 37(8): 841-866. https://doi.org/10.1177/0278364918775523.

16. Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015; 3431-3440. https://doi.org/10.1109/cvpr.2015.7298965.

17. Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs / L.-C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, A.L. Yuille // Proceedings of the International Conference on Learning Representations (ICLR). 2015. https://doi.org/10.48550/arXiv.1412.7062.

18. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // Proceedings of the International Conference on Learning Representations (ICLR). 2015. https://doi.org/10.48550/arXiv.1409.1556.

19. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017; 60(6): 84-90. https://doi.org/10.1145/3065386.

20. ImageNet: A large-scale hierarchical image database / J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, L. Fei-Fei // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2009. https://doi.org/10.1109/cvprw.2009.5206848.