Метод интеллектуального планирования миссий автономных подводных аппаратов

Обложка

Цитировать

Полный текст

Аннотация

Создание полностью автономных необитаемых подводных аппаратов и комплексов, способных выполнять различные исследовательские и технологические операции в условиях неопределенности, является актуальной задачей. Ключевой проблемой является автоматическая коррекция миссий в реальном времени на основе данных от бортовых систем. Целью данной работы является разработка метода интеллектуального планирования миссий на стратегическом уровне управления автономными подводными робототехническими комплексами, обеспечивающего автоматическое формирование адаптивных планов и их преобразование в исполнительные команды тактического уровня для работы в изменяющихся условиях среды. В статье авторами определены принципы разработки интеллектуального планировщика миссий автономных подводных робототехнических комплексов (АПРК) на стратегическом уровне и менеджера миссий для управления миссией на тактическом уровне с формированием конкретных заданий исполнителям. Разработана формальная модель планирования миссий через множество линейных участков с предусловиями и постусловиями. Ключевым аспектом предложенного решения является использование онтологического подхода для стандартизации описания миссий и обеспечения их программной интерпретации. Создана специализированная среда разработки миссий на облачной платформе IACPaaS, позволяющая экспертам формировать и адаптировать планы миссий без углубления в технические детали. Разработан комплекс инструментальных средств с модульной архитектурой, обеспечивающий масштабируемость и адаптацию решения для различных классов АПРК и типов миссий. Результаты апробации показали, что предложенное решение позволяет формировать гибкие планы, учитывающие разнообразие ситуаций, и автоматически выбирать последовательности команд в зависимости от поступающих данных. Полученные результаты открывает новые возможности для создания полностью автономных подводных комплексов, способных выполнять сложные исследовательские и технологические операции без постоянного контроля оператора. Дальнейшие исследования направлены на совершенствование алгоритмов менеджера миссий, а также на интеграцию планировщика с другими компонентами бортового обеспечения.

Об авторах

В. В Грибова

ИАПУ ДВО РАН

Email: gribova@iacp.dvo.ru
улица Радио 5

Е. А Шалфеева

ИАПУ ДВО РАН

Email: shalf@dvo.ru
улица Радио 5

В. Ф Филаретов

ИАПУ ДВО РАН

Email: filaret@iacp.dvo.ru
улица Радио 5

А. В Зуев

ИАПУ ДВО РАН

Email: zuev@iacp.dvo.ru
улица Радио 5

Д. А Юхимец

ИАПУ ДВО РАН

Email: undim@iacp.dvo.ru
улица Радио 5

Список литературы

  1. Aldhaheri S., Masi G.D., Pairet E., Ardón P. Underwater Robot Manipulation: Advances, Challenges and Prospective Ventures // Proceedings of the OCEANS 2022 – Chennai. 2022. pp. 1–7. doi: 10.1109/OCEANSChennai45887.2022.9775489.
  2. Sahoo A., Dwivedy S.K., Robi P.S. Advancements in the field of autonomous underwater vehicle // Ocean Engineering. 2019. vol. 181. pp. 145–160. doi: 10.1016/j.oceaneng.2019.04.011.
  3. Antonelli G. Underwater Robots: Motion and Force Control of Vehicle-Manipulator Systems. Berlin, Heidelberg: Springer, 2003. 268 p.
  4. Филаретов В.Ф., Зуев А.В., Тимошенко А.А. Особенности выполнения технологических операций с помощью автономных необитаемых подводных аппаратов, оснащаемых многозвенными манипуляторами // Вестник Дальневосточного отделения Российской академии наук. 2024. № 3(235). С. 165–177.
  5. Azar A.T., Koubaa A. Artificial Intelligence for Robotics and Autonomous Systems Applications. Springer Cham. 2023. 486 p.
  6. Kirchner F., Straube S., Kühn D., Hoyer N. AI Technology for Underwater Robots. Springer Cham. 2020. 193 p.
  7. Машошин А.И. Технологии искусственного интеллекта в задачах управления автономным необитаемым подводным аппаратом // Мехатроника, автоматизация, управление. 2022. Т. 23. № 11. С. 596–606.
  8. Петров А.А. Активное формирование моделей проблемной среды очувствленными роботами. М.: Институт проблем передачи информации РАН, 1997. 229 с.
  9. Раговский А.П. Интеллектуальная динамическая система формирования заданий для автономных необитаемых подводных аппаратов // Проблемы развития корабельного вооружения и судового радиоэлектронного оборудования. 2015. № 4. С. 100–108.
  10. Blum A., Furst M. Fast planning through planning graph analysis // Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI-95). Montreal, Canada. 1995. pp. 1636–1642.
  11. Liu F., Xu W., Feng Z., Yu C., Liang X., Su Q., Gao J. Task Allocation and Path Planning Method for Unmanned Underwater Vehicles // Drones. 2025. vol. 9. no. 6. doi: 10.3390/drones9060411.
  12. Maier S., Kiam J., Schulte A. Adaptive Mission Planning: Evaluation of a Hybrid Cognitive Mixed-Initiative Planning Assistant in Manned-Unmanned Teaming Operations // Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics (SMC). 2024. pp. 3492–3499. doi: 10.1109/SMC54092.2024.10831141.
  13. Cunningham T., Spencer D. Automated Onboard Mission Planning for Robust and Flexible Rover Operations // Proceedings of the IEEE Aerospace Conference (AERO). 2022. pp. 1–19. doi: 10.1109/AERO53065.2022.9843729.
  14. Bian X., Chen T., Yan Z., Qin Z. Autonomous mission management and intelligent decision for AUV // Proceedings of the IEEE International Conference on Mechatronics and Automation. 2009. pp. 2101–2106. doi: 10.1109/ICMA.2009.5246027.
  15. Simetti E., Campos R., Vito D.D., Quintana J., Antonelli G., Garcia R., Turetta A. Sea Mining Exploration With an UVMS: Experimental Validation of the Control and Perception Framework // IEEE/ASME Transactions on Mechatronics. 2021. vol. 26. no. 3. pp. 1635–1645. doi: 10.1109/TMECH.2020.3025973.
  16. Филаретов В.Ф., Юхимец Д.А. Особенности синтеза высокоточных систем управления скоростным движением и стабилизацией подводных аппаратов в пространстве. Владивосток: Дальнаука, 2016. 400 с.
  17. Chen L., Liu Y., Dong P., Liang J., Wang A. An Intelligent Navigation Control Approach for Autonomous Unmanned Vehicles via Deep Learning-Enhanced Visual SLAM Framework // IEEE Access. 2023. vol. 11. pp. 119067–119077. doi: 10.1109/ACCESS.2023.3326754.
  18. Lin J., Liang T., Ma G., Li B., Yu T. Research on SLAM Intelligent Robot Based on Visual Laser Fusion // Proceedings of the 8th International Conference on Control, Robotics and Cybernetics (CRC). 2024. pp. 53–57. doi: 10.1109/CRC60659.2023.10488663.
  19. Борейко А.А., Инзарцев А.В., Машошин А.И., Павин А.М., Пашкевич И.В. Система управления АНПА большой автономности на базе мультиагентного подхода // Подводные исследования и робототехника. 2019. № 2(28). С. 23–31.
  20. Ferri G., Faggiani A., Celi F., Tesei A., Been R. Exploiting Behaviour Trees in Underwater Autonomous Robotic Networks // Proceedings of the OCEANS 2024 – Singapore. 2024. pp. 1–10. doi: 10.1109/OCEANS51537.2024.10682233.
  21. Han S., Zhao J., Li X., Yu J., Wang S., Liu Z. Online Path Planning for AUV in Dynamic Ocean Scenarios: A Lightweight Neural Dynamics Network Approach // IEEE Transactions on Intelligent Vehicles. 2024. vol. 9. no. 2. pp. 3782–3795. doi: 10.1109/TIV.2024.3356529.
  22. Chatterjee I., Zalte S. Machine Learning Applications: From Computer Vision to Robotics. Wiley-IEEE Press. 2023. 240 p.
  23. Guo J., Li D., He B. Intelligent Collaborative Navigation and Control for AUV Tracking // IEEE Transactions on Industrial Informatics. 2021. vol. 17. no. 3. pp. 1732–1741. doi: 10.1109/TII.2020.2994586.
  24. Liu X.-F., Fang Y., Zhan Z.-H., Jiang Y.-L., Zhang J. A Cooperative Evolutionary Computation Algorithm for Dynamic Multiobjective Multi-AUV Path Planning // IEEE Transactions on Industrial Informatics. 2024. vol. 20. no. 1. pp. 669–680. doi: 10.1109/TII.2023.3268760.
  25. Guo Y., Fang X., Dong Z., Mi H. Research on multi-sensor information fusion and intelligent optimization algorithm and related topics of mobile robots // EURASIP J. Adv. Signal Process. 2021. vol. 2021. doi: 10.1186/s13634-021-00817-4.
  26. Li X., Xu S. Multi-Sensor Complex Network Data Fusion Under the Condition of Uncertainty of Coupling Occurrence Probability // IEEE Sensors Journal. 2021. vol. 21. no. 22. pp. 24933–24940. doi: 10.1109/JSEN.2021.3061437.
  27. Инзарцев А.В., Грибова В.В., Клещёв А.С. Интеллектуальная система для формирования адекватного поведения автономного подводного робота в аварийных ситуациях // Подводные исследования и робототехника. 2015. № 2(20). С. 4–11.
  28. Gribova V., Moskalenko P., Timchenko V., Shalfeyeva E. Intelligent Services Development Technology Using the IACPaaS Cloud Platform // Communications in Computer and Information Science. 2022. vol. 1625. pp. 19–38. doi: 10.1007/978-3-031-15882-7_2.
  29. Gribova VV, Moskalenko PM, Timchenko VA, Shalfeeva EA. The IACPaaS Platform for Developing Systems Based on Ontologies: A Decade of Use. Scientific and Technical Information Processing. 2023. vol. 50(5). pp. 406–413. doi: 10.3103/S0147688223050064.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».