7.4. Методы распознавания контактных ситуаций

В задачах распознавания, возникающих в роботов, используются те же подходы, что и в СТЗ. По аналогии с СТЗ, объект, или контактная ситуация описываются в терминах тактильного образа, в виде совокупности отдельных признаков. Следовательно, и суть распознавания заключается в отнесении некоторой контактной ситуации соответствующему классу. Наиболее простые задачи связаны с выбором заданного объекта из нескольких по весовым показателям при сортировке или разборе навала. В других задачах распознавание в значительной степени является эвристическим, т.к. зачастую признаки образа сформировать заранее невозможно. Эти операции, а также и более сложные предполагают функционирование робота в частично недетерминированной обстановке. Обычно, она проявляется в том, что параметры внешней среды, полученные с помощью информационных средств, недостаточны для реализации поставленной цели. Общепринятым подходом является составление упрощенной модели среды и конкретизация ее в процессе выполнения отдельных целенаправленных действий. Если информация, полученная на каждом следующем шаге, увеличивает неопределенность ситуации (например, увеличивает порядок описывающего ее уравнения), то данная стратегия признается неверной и модифицируется. В этом смысле, эффективность метода в значительной мере определяется правильным выбором параметров, описывающих конкретную ситуацию. Часто такие параметры не могут быть определены с помощью информационных средств одной модальности, например, в задачах, связанных с замыканием и размыканием кинематической цепи манипулятора. Анализ подобных ситуаций требует, как минимум, использования данных о текущем положении манипулятора и о силах, возникающих при контакте манипулятора с внешней средой. Практическое решение таких задач в значительной степени определяется возможностями конкретного робота и его системы управления. Так, для отечественного робота РМ-01со стойкой управления «Сфера-36», возможности учета мультимодальной информации весьма ограничены: система управления является позиционной и замкнутой, что не позволяет непосредственно включать данные о контактных усилиях в закон управления роботом.

Одним из решений этой проблемы является применение методов ситуационного управления. В этом случае информация о контактных усилиях используется не непрерывно, а лишь в ситуациях, определенных и описанных заранее. Такие ситуации определяются ССО путем постоянного анализа распределения силовых факторов, действующих на схват манипулятора (или его рабочий инструмент), в том числе, при замыкании кинематической цепи. В случае изменения ситуации происходит прерывание текущей программы управления со стороны ССО. Программа управления при этом либо модифицируется, либо заменяется другой, соответствующей изменившейся стратегии движения. При этом и в качестве признаков той или иной ситуации используются не численные значения каких-либо параметров: сил, моментов, давлений и др., а их соотношения.

Примером использования указанного подхода является стратегия управления роботом в такой недетерминированной задаче, как сопряжение цилиндрических объектов. Данная задача не решается с использованием обычных алгоритмов позиционного управления, поскольку невозможно составить точ­ную геометрическую модель контактных поверхностей и их вза­им­но­го положения, да и сама траектория движения концевого эффектора не известна заранее, а фор­ми­руется непосредственно в процессе движения. В то же время, при сопряжении цилиндрических объектов наблюдаются некоторые закономерности в распределении силовых факторов, которые могут быть использованы для определения характерных ситуаций. Экспериментальным путем установлено, что при сопряжении объектов в пространстве координат «сила-перемещение» возникают характерные распределения силовых факторов, не зависящие от размеров объектов.

Это соображение иллюстрируется на рис. 7.20. Здесь показаны графики изменения силовых факторов F_x, F_z и M_y в запястном СМД при осевой сборке по мере углубления вала в отверстие вдоль оси Z (подобная картина характерна и для других компонент векторов сил и моментов, измеряемых СМД). Численные значения переменных, вообще говоря, могут быть неизвестны, однако между ними существуют достаточно определенные соотношения. Анализ приведенных соотношений позволяет выделить ряд опорных точек, в окрестности которых происходит изменение контактной ситуации. Эти точки могут быть названы точками фазового перехода; они условно разделяют процесс сопряжения на ряд этапов - классов, для каждого из которых характерна определенная ситуация из числа возможных: свободный ход (0), фаска (I), одноточечный контакт (II), двухточечный контакт (III), заклинивание или завершение цикла (IV). Представление о фазовых переходах позволяет использовать логические принципы управления. В этом случае, создается система решающих правил, образующая базу знаний и содержащая описание конкретных состояний. Распознавание ситуации осуществляется на основании решающих правил, относящих ситуацию к тому или иному классу, что показано в таблицах на рис. 7.20. Обозначено: sign и | | - знак и величина действующей компоненты, , 0 и  - направления ее изменения на данной фазе. Если в процессе сопряжения возникает распределение силовых факторов, соответствующее одному из перечисленных состо­яний, то оно идентифицируется в соответствии с имеющимся описанием в базе знаний. Стратегия управления роботом предполагает альтернативный выбор из нескольких типовых алгоритмов движения, определенных заранее для каждой из возможных ситуаций. Некоторая неопределенность в описании ситуаций может быть учтена с использованием аппарата нечетких множеств и операций нечеткой логики. Например, если в результате распознавания ситуация иден­тифицируется как двухточечный контакт, то движение манипулятора должно обеспе­чи­вать поворот захваченного объекта относительно отверстия в сторону уменьшения возникшего момента.

Отметим, что представленный подход позволяет «интеллектуализировать» сенсорную функцию, т.е. вынести задачу распознавания непосредственно на уровень СМД.

Недостатком данного подхода является необходимость априорного задания всех возможных ситуаций и соответствующих им правил - продукций, определяющих соответству­ющий алгоритм управления. Если же число возможных ситуаций велико, заранее составить такое описание весьма сложно. Особенно большие затруднения характерны для случаев, когда при выпол­нении задачи возникают ситуации, которые заранее не были описаны вовсе. В связи с этим в рамках ситуационного управления разрабатываются способы обучения, позволяющие роботу само­сто­ятельно фор­мировать как признаки ситуаций, в том числе и не заданных заранее экспериментатором, так и способы поведения в новых условиях.

Решение поставленной проблемы может быть найдено при использовании для реализации ССОнейронных структур - нейросетей. К их достоинствам относится возможность обучения на основе признаков различной сенсорной модальности и высокая надежность распознавания, особенно для случаев со значительным разбросом значений определяемых параметров. В рассмотренном примере при построении словаря (вектора) приз­наков (т.е. некоторых дискрипторов, необходимых для описания клас­сов) можно использовать вариации значений силовых факторов (рис. 7.20). Тогда функционирование ССО должно заключаться в соотнесении полученного при работе вектора признаков тому или иному классу, характеризующему контактную ситуацию. Эта процедура основана на использовании сведений о знаке (sign(…)) и скорости изменения (,  и ) абсолютных значений силовых факторов F_x, F_z и M_y. Обучение нейросети обычно предполагает использование учителя, который сначала формирует априорный словарь признаков и соответствующий ему априорный алфавит классов, которые в процессе обучения могут модифи­цироваться. В качестве такого алфавита используются ти­пы контактных ситуаций. Системе предлагается некоторый набор признаков, а также задаваемый учителем класс кон­тактной ситуации. На основе этой информации ССО сос­тавляет описание классов на языке признаков. При тради­ционном подходе эти описания хранятся в базе знаний, в случае же нейросети они представляют собой некоторые веса синапсов. Если характеристики работы такой системы оказы­ваются неудовлетворительными (например, время рас­поз­навания ситуаций получается недопустимо высоким), то учи­те­лю необходимо выделить более существенные приз­наки и более существенные классы.

Не вдаваясь в подроб­ности построения нейросетей, рассмотрим только некоторые ключевые понятия. Основу нейросети составляют относительно простые, однотипные элемен­ты (ячейки), имитирующие работу нейронов моз­­га (рис. 7.21). По аналогии с нервными клетками головного мозга каждый нейрон характеризуется своим текущим состоянием и может быть возбужденным или заторможенным. Он обладает группой однонаправленных входных связей - синапсов, соединенных с выходами других нейронов, а также имеет аксон, связывающий его с синапсами следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или весомw_i, который по физическому смыслу эквивалентен электрической проводимости.

Текущее состояние нейрона  определяется, как взвешенная сумма его входов x_i:

Выход нейрона есть функция его состояния: y = F(). Нелинейная функция F называется активационной и может иметь различный вид (рис. 7.22). Чаще всего используется нелинейная функция с насыщением, называемая логистической функцией или сигмоидом:

При уменьшении сигмоид становится более пологим, и в пределе при  = 0 вырождается в горизонтальную линию на уровне 0,5. При увеличении  сигмоид приближается по внешнему виду к функции еди­ничного скачка с порогом T в точке x = 0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0,1]. Простейшей нейросетью является перцептрон - сеть, нейроны которой имеют активационную функцию в виде единичного скачка. На рис. 7.23 показан однослойный трехнейронный перцептрон. На n входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой нейросети и выдающие три выходных сигнала:

, j = 1 … 3

Все весовые коэффициенты синапсов одного слоя нейронов можно свести в матрицу W, в которой каждый элемент w_ij задает величину i-ой синаптической связи j-ого нейрона. Таким образом, процесс, проис­ходящий в нейросети, может быть записан матричным уравнением вида: Y = F(XW), где X и Y - соответственно входной и выходной сигнальные векторы, F(V) - активационная функция, применяемая поэлементно к компонентам вектора V.

Итак, представим реализацию алгоритма распознавания контактной ситуации на базе нейросети. Рассмотрим тот же пример сопряжения цилиндрических объектов и ограничимся тремя компонентами: F_x, F_z и M_y. Тогда структуру блока распоз­навания получит вид, представленный на рис. 7.24. (Заметим, однако, что этот случай содер­жит все характерные призна­ки об­щей постановки задачи). Здесь используются 3 призна­ка распознаваемых классов: приращения компонент F_x, F_z и M_y и 5 классов кон­тактных ситуаций («свободный ход», «фаска», «од­но­то­чечный контакт», «дву­хто­че­ч­ный ко­нтакт», «заклинивание»). Таким образом, вхо­дной слой сети состоит из трех нейронов, выходной - из пяти. Включение данного блока распознавания в состав ССО позволяет распознать тактильную ситуацию, т.е. выдать на выход класс тактильной ситуации.