МЕТОД ОПТИМИЗАЦИИ ПАРАМЕТРОВ КОНТРОЛЛЕРА БЕСПИЛОТНОГО
ТРАНСПОРТНОГО СРЕДСТВА НА ОСНОВЕ ОПТИМИЗАЦИИ РОЯ ЧАСТИЦ 

Дарьина Анна Николаевна, кандидат физико-математических наук, доцент, ведущий научный сотрудник, Федеральный исследовательский центр «Информатика и управление» Российской академии наук (Вычислительный центр им. А. А. Дородницына РАН) (Россия, г. Москва, ул. Вавилова, 44, стр. 2), daryina@ccas.ru
Прокопьев Игорь Витальевич, доктор технических наук, ведущий научный сотрудник, Федеральный исследовательский центр «Информатика и управление» Российской академии наук, (Вычислительный центр им. А. А. Дородницына РАН) (Россия, г. Москва, ул. Вавилова, 44, стр. 2),  fvi2014@list.ru

658.62.018.012

DOI

10.21685/2307-4205-2020-3-10

Для беспилотного транспортного средства в сложных условиях, когда пространственные ограничения серьезно сужают пространство допустимых состояний, стратегия выбора пространства состояний более эффективна, чем выборка в пространстве управлений. Хотя это было очевидно, практический вопрос заключается в том, как его достичь, одновременно удовлетворяя жестким ограничениям динамической осуществимости транспортного средства. В этой статье представлена система управления беспилотного транспортного средства на основе контроллера модели прогнозирующего интегрального пути (MPPI), глубокой сверточной нейронной сети (CNN) для понимания сцены в реальном времени и метода оптимизации роя частиц (PSO) для нахождения вектора оптимальных параметров функции стоимости. Метод основан на оптимизации функции сто- имости, которая определяет, где на поверхности пути должно двигаться транспортное средство.

Ключевые слова

беспилотное транспортное средство, модель прогностического управления, нейронная сеть, метод оптимизации роя частиц.

 Скачать статью в формате PDF

 1. Mayne, D. Q. Model predictive control: Recent developments and future promise / D. Q. Mayne // Automatica. –2014. – Vol. 50, № 12. – P. 2967–2986.
2. Howard, T. Optimal rough terrain trajectory generation for wheeled mobile robots / T. Howard, A. Kelly // International Journal of Robotics Research. – 2007. – Vol. 26, № 2. – P. 141–166.
3. Engel, J. Lsd-slam: Large-scale direct monocular slam / J. Engel, T. Schops, D. Cremers // European Conference on Computer Vision. – Springer, 2014. – P. 834–849.
4. Mur-Artal, R. Orb-slam: a versatile and accurate monocular slam system / R. Mur-Artal, J. M. M. Montiel, J. D. Tardos // IEEE Transactions on Robotics. – 2015. – Vol. 31 (5). – P. 1147–1163.
5. Zhang, J. Lidar odometry and mapping in real-time / J. Zhang, S. Singh Loam // Robotics : Science and Systems. – 2014. – Vol. 2. – P. 634–637.
6. Kinectfusion: Real-time dense surface mapping and tracking / R. A. Newcombe, S. Izadi, O. Hilliges, D. Molyneaux, D. Kim, A. J. Davison, P. Kohi, J. Shotton, S. Hodges, A. Fitzgibbon // Mixed and augmented reality (ISMAR), 2011 10th IEEE international symposium. – 2011. – P. 127–136.
7. Kendall, A. Modelling uncertainty in deep learning for camera relocalization / A. Kendall, R. Cipolla // Proceedings of the International Conference on Robotics and Automation (ICRA). – 2016. – P. 1–8.
8. Aggressive driving with model predictive path integral control / G. Williams, P. Drews, B. Goldfain, J. M. Rehg, E. A. Theodorou // 2016 IEEE International Conference on Robotics and Automation (ICRA). – 2016. – P. 1433–1440.
9. Williams, G. Model predictive path integral control: From theory to parallel computation / G. Williams, A. Aldrich, E. A. Theodorou // Journal of Guidance, Control, and Dynamics. – 2017. – P. 1–14.
10. Дарьина, А. Н. Робототехнический центр ФИЦ ИУ РАН / А. Н. Дарьина, А. И. Дивеев, И. В. Прокопьев // Вопросы теории безопасности и устойчивости систем. – Москва : ФИЦ ИУ РАН, 2019. – Вып. 21. – C. 66–77.
11. Weise, T. Global Optimization Algorithms – Theory and Application : Ph.D Thesis / T. Weise. – University of Kassel, 2008. – P. 184–186.
12. Kennedy, J. Particle swarm optimization / J. Kennedy, R. Eberhart // Proceedings of IEEE International conference on Neural Networks. – 1995. – P. 1942–1948.
13. Diveev, A. The Network Operator Method for Search of the Most Suitable Mathematical Equation / A. Diveev, E. Sofronova // Bio-Inspired Computational Algorithms and Their Applications / ed. by Dr. Shangce Gao. – InTech, 2012. – P. 19–42.
14. Information Theoretic MPC for Model-Based Reinforcement Learning Conference / G. Williams, N. Wagener, B. Goldfain, P. Drews, J. M. Rehg, B. Boots, A. E. Theodorou // 2017 IEEE International Conference on Robotics and Automation (ICRA) (29 May – 3 June 2017). – 2017. – P. 361–363.