'

О принципах построения обучаемой системы управления для интеллектуальных роботов на основе динамического ДСМ-метода

Понравилась презентация – покажи это...





Слайд 0

О принципах построения обучаемой системы управления для интеллектуальных роботов на основе динамического ДСМ-метода Добрынин Д.А. Руководитель Лаборатории робототехники и искусственного интеллекта Политехнического музея


Слайд 1

3 поколения роботов: Программные. Жестко заданная программа (циклограмма). Адаптивные. Возможность автоматически перепрограммироваться (адаптироваться) в зависимости от обстановки. Изначально задаются лишь основы программы действий. Интеллектуальные. Задание вводится в общей форме, а сам робот обладает возможностью принимать решения или планировать свои действия в распознаваемой им неопределенной или сложной обстановке. Робот – это машина с антропоморфным (человекоподобным) поведением, которая частично или полностью выполняет функции человека (иногда животного) при взаимодействии с окружающим миром


Слайд 2

Архитектура интеллектуальных роботов Исполнительные органы Датчики Система управления Модель мира Система распознавания Система планирования действий Система выполнения действий Система управления целями


Слайд 3

Роботы «Амур» Созданы в Творческой научно-технической лаборатории Политехнического музея. Целью проекта была демонстрация некоторых простейших форм адаптивного поведения, в частности - принципов моделирования условно-рефлекторного поведения, на базе универсального мобильного миниробота. Робот представляет собой автономную тележку, имеющую на борту программируемый контроллер, набор различных датчиков, исполнительные механизмы (эффекторы), модули связи с управляющим компьютером. Робот построен по модульному принципу, что позволяет использовать его компоненты и для других разработок. Именно поэтому робот стал рассматриваться как универсальный полигон, на котором можно отрабатывать решение самых разнообразных управленческих, интеллектуальных и прочих интересных задач. Адаптивный Мобильный Универсальный Робот http://railab.ru


Слайд 4

Задача – движение по полосе Добрынин Д.А., Карпов В.Э. Моделирование некоторых форм адаптивного поведения интеллектуальных роботов.// Информационные технологии и вычислительные системы, Москва, №2, 2006. роботы АМУР


Слайд 5

Адаптивный классификатор Типы классификаторов: Распознающий автомат (на основе эволюционного моделирования) размерность алфавита dim X = 2n Динамический ДСМ-метод (работает в открытой среде с неизвестным заранее количеством примеров )


Слайд 6

ДСМ-метод автоматического порождения гипотез получил свое название в честь известного британского философа и экономиста Джона Стюарта Милля. В 1843г. вышла его книга “A System of Logic Ratiocinative and Inductive”, в которой были изложены некоторые принципы индуктивной логики. Новый подход к индуктивной логике был сформулирован профессором В.К. Финном в начале 80-х гг. Первая публикация, в которой были изложены принципы ДСМ - метода, называлась «Базы данных с неполной информацией и новый метод автоматического порождения гипотез», Суздаль,1981г. ДСМ-метод автоматического порождения гипотез является теорией автоматизированных рассуждений и способом представления знаний для решения задач прогнозирования в условиях неполноты информации. ДСМ = Джон Стюарт Миль Виктор Константинович Финн основатель ДСМ метода


Слайд 7

Компоненты ДСМ системы Истинностные значения {+,-,t,0} {+} фактическая истина, {-} фактическая ложь, {t} неопределенность, {0} противоречие Позитивные и негативные примеры (родители) пример – это сложный объект, состоящий из подобъектов подобъект (часть объекта) В есть причина наличия (отсутствия) свойства А Гипотезы о причинах если объект С содержит некоторый подобъект В, то это причина наличия свойства А Операции: вложение, пересечение, равенство над множествами Обучающий алгоритм (учитель) управляет роботом и порождает примеры из сигналов сенсоров и управления (динамическое порождение базы фактов)


Слайд 8

Представление объектов и гипотез Состояние датчиков (2 бита) ON = {01} OFF = {10} НЕ ВАЖНО = {00}


Слайд 9

Обучающий алгоритм 1 Используем датчик 4 : Simple1 ( -- ? ) Stop Photo4 IF M_TurnLeft ELSE M_TurnRight THEN true ;


Слайд 10

Обучение для алгоритма 1 Примеры _ _ _ _ 11223344 FBLR -------------- 10101001 0010 10101010 0001 01011010 0001 01010101 0010 01010110 0001 10100101 0010 10010101 0010 10010110 0001 01101010 0001 01101001 0010 01011001 0010 -------------- 11 (+)примеров Минимальные гипотезы _ _ _ _ 11223344 FBLR -------------- 00000001 0010 00000010 0001 -------------- 2 (+)гипотезы Тестовый полигон


Слайд 11

На конференции САИТ-2005


Слайд 12

Свойства динамического ДСМ Достаточность обучающих примеров. При наличии представительной выборки обучающих примеров оба метода дают хорошие результаты. Однако в условиях неполноты обучающего множества метод ЭМ дает более устойчивые результаты по сравнению с ДСМ. Это связано прежде всего с характером управления. Непротиворечивость обучающей выборки. ДСМ, в отличие от ЭМ, не применим в условиях противоречий в обучающих примерах. Такая ситуация может возникать, когда учитель ошибается в оценке состояния датчиков. Ошибки такого типа необходимо отсеивать на этапе формирования обучающих примеров. В ЭМ подобная противоречивость не так критична, т.к. она приводит в худшем случае к неопределенности фенотипического поведения. Эффективность обучения (скорость). Обучение в ЭМ – принципиально длительный процесс. Для устойчивого обучения методом эволюционного моделирования иногда требуются сотни тысяч тактов. В этом отношении ДСМ-метод обладает несомненным преимуществом - для обучения с помощью ДСМ метода достаточно получить несколько разных обучающих примеров. В экспериментах роботу достаточно было проехать один круг на реальном полигоне чтобы сформировались все необходимые гипотезы.


Слайд 13

Свойства динамического ДСМ Динамическое обучение. Теоретически ЭМ может работать и в открытой среде с неизвестным заранее количеством примеров, практически же это связано с большими вычислительными затратами. Динамический ДСМ метод позволяет эффективно работать с заранее неизвестным количеством примеров при сравнительно небольших вычислительных затратах. Обучение с учителем. Все рассматриваемые алгоритмы обучения работают с «учителем», который фактически формирует для них представительную обучающую выборку. В качестве «учителя» в проводимых экспериментах выступал внешний алгоритм управления роботом. В принципе, учителем может быть и человек, при условии непротиворечивости выдаваемых им управляющих воздействий. Требуемые ресурсы. При реализации практических алгоритмов встает проблема ограниченности вычислительных ресурсов автономного робота.Если моделирование эволюции требует весьма больших временных и емкостных затрат, то для работы ДСМ метода достаточно незначительных вычислительных ресурсов, что позволяет разместить программу обучения и управления непосредственно на роботе.


Слайд 14

Особенности реализации небольшая размерность входов и выходов. Как показывает практика, для обучения требуется, всего лишь три-пять входных сигналов и три-четыре выходных; низкая стоимость системы, за счет использования дешевых 8-ми разрядных микроконтроллеров; высокое быстродействие; возможность обучения в изменяющейся рабочей среде; малое время обучения, возможность учиться в реальном времени; возможность получить гипотезы в явном виде для дальнейшего анализа. Это свойство ДСМ системы отличает ее от нейронных сетей, для которых невозможно в явном виде выделить причины проявления эффекта.


Слайд 15

Структура ДСМ-контроллера


Слайд 16

Особенности реализации ДСМ-контроллера микроконтроллер ATMega128 память программ 128Кбайт память данных 128Кбайт Flash память 256Кбайт тактовая частота 7.3728Мгц связь с хостом USB 2.0 дополнительный COM порт 230.4 Кбод линий ввода/вывода 11/4


Слайд 17

Сравнение ДСМ-системы и системы нечеткого вывода


Слайд 18

Результаты обучения Примеры _ _ _ _ _ _ _ _ _ _ _ _ _ ddRRrrFFllLLbbRRrrFFllLLBB FBLR -------------------------- ---- 10101010011010101010011010 0010 10101010011010101001101010 0010 10101001101010101001101010 1000 10101001101010101001101010 0010 10101001101010100110101010 1000 10101001101010100110101001 0001 10101010011010101001101001 0001 Минимальные гипотезы _ _ _ _ _ _ _ _ _ _ _ _ _ ddRRrrFFllLLbbRRrrFFllLLBB FBLR -------------------------- ---- 00101000000000000000000001 0001 00101000000000001000000010 0010 10101001101010000000100010 1000 -------------------------- ---- 3 (+)гипотезы Тестовый полигон


Слайд 19

Проблемы применения Необходимость представления входных данных в виде дискретного множества. Влияние разрядности входных данных на размерность объектов если N=210, то требуется вектор из 1024 элементов множества 3. Экспоненциальное снижение быстродействия при увеличении разрядности данных. 4. Необходимо получать выходные сигналы в непрерывном виде (непрерывная система управления).


Слайд 20

Переход к «нечеткому ДСМ» Идея использовать правила нечеткого вывода для ДСМ-метода принадлежит Анашакову О.М. : Anshakov O, Gergely T. Cognitive Reasoning: A Formal Approach. Springer, 2010 Для перехода к нечетким правилам вывода в ДСМ-методе необходимо осуществить: замену признаков объекта, которые представляют элементы множества, на элементы нечеткого множества; переформулировать функции пересечения и вложения для действий над элементами нечеткого множества; - определить тип целевых свойств и их интерпретацию.


Слайд 21

Представление объектов и гипотез для нечеткого ДСМ-метода


Слайд 22

Операции для нечеткого ДСМ-метода


Слайд 23

Целевые свойства атомарные целевые свойства {0, 1} «включить/выключить», «старт/стоп» непрерывные целевые свойства [0.0, 1.0] необходима операция дефазификации «повернуть на угол ?», « задать скорость V»


Слайд 24

Литература Добрынин Д.А., Карпов В.Э. Моделирование некоторых простейших форм поведения: от условных рефлексов к индуктивной адаптации.//Первая международная конференция САИТ-2005, 12-16сентября 2005 г., Переславль-Залесский, Труды конференции, М: Комкнига, т.1, с. 188-193 Добрынин Д.А. Динамический ДСМ-метод в задаче управления интеллектуальным роботом.// Десятая национальная конференция по искусственному интеллекту КИИ-2006, 25-28 сентября 2006 г., Обнинск, Труды конференции, М:Физматлит 2006, т.2. Добрынин Д.А., Карпов В.Э. Моделирование некоторых форм адаптивного поведения интеллектуальных роботов.// Информационные технологии и вычислительные системы, Москва, №2, 2006. Добрынин Д.А. Об одной аппаратной реализации обучаемого ДСМ-контроллера. //Одинадцатая конференция по искусственному интеллекту КИИ-2008, 28 сентября-3 октября 2008 г., г.Дубна, Россия, Труды конференции, М:Ленанд, 2008, т.2 Волкова Т.А., Добрынин Д.А. Сравнение системы нечеткого вывода и обучаемой ДСМ-системы при планировании движения мобильного робота //V-международная научно-практическая конференция «Интегрированные модели и мягкие вычисления», 20-30 мая 2009 г., г. Коломна, М.:Физматлит, 2009., Т1. Добрынин Д.А. О принципах построения нечеткой системы управления для интеллектуальных роботов на основе динамического ДСМ-метода.//VI Международная научно-техническая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте» 16-19 мая 2011 г., г. Коломна, М.:Физматлит, 2009, т.1.


×

HTML:





Ссылка: