Д. М. МЕДВЕДЕВ, Л. В. КАЛАЦКАЯ СИСТЕМА НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА ДЛЯ УПРАВЛЕНИЯ МОБИЛЬНЫМ ОБЪЕКТОМ ПРИ НАЛИЧИИ ПРЕПЯТСТВИЙ В настоящее время системы, основанные на нечетких множествах, разработаны и успешно применяются в таких областях, как распознавание образов, управление технологическими процессами и транспортом, медицинская и техническая диагностика, финансовый менеджмент и биржевое прогнозирование. Практический опыт разработки систем нечеткого логического вывода показывает, что сроки и стоимость их проектирования значительно меньше, чем при использовании традиционного математического аппарата, при этом обеспечивается требуемый уровень устойчивости и прозрачности моделей. В 1965г. профессором университета Беркли Лотфи Заде была опубликована работа «Fuzzy Sets» («Нечеткие множества»), в которой концепция нечеткого множества проявилась «как неудовлетворенность математическими методами классической теории систем, которая вынуждала добиваться искусственной точности, неуместной во многих системах реального мира, особенно в так называемых гуманистических системах, включающих людей» [1]. Он обобщил классическое понятие множества, допустив, что функция принадлежности элемента множеству может принимать любые значения в интервале [0, 1], а не только 0 или 1. Л. Заде также определил ряд операций над нечеткими множествами, ввел понятие лингвистической переменной и предложил аппарат для описания процессов интеллектуальной деятельности, включая нечеткость и неопределенность выражений. В 1993 г. Бартоломеем Коско доказана теорема о нечеткой аппроксимации, согласно которой с помощью естественноязыковых высказываний - правил «если - то», с последующей их формализацией средствами теории нечетких множеств, можно сколько угодно зования сложного аппарата дифференциального и интегрального исчислений, традиционно применяемого в управлении и идентификации. Система нечеткого логического вывода является универсальным механизмом, позволяющим применить теорию нечетких множеств для решения различных задач. Она включает компоненты: • блок фаззификации, служащий для преобразования N-мерного вектора входных данных в нечеткое множество А; • базу данных, определяющую функции принадлежности нечетких множеств, используемых в нечетких правилах; 91 представляют собой нечеткую импликацию и записываются в виде: если х это А, то у это В, (1) где А и B - лингвистические значения нечеткого множества, идентифицированные через соответствующие функции принадлежности ^ А ( Х ) и ^B (y). Часть «Х ЭТО А» называется условием (предпосылкой), а «у это В» пользуется совокупность нечетких рассуждений, каждое из которых образуется из множества импликаций «если - то» и при N переменных Х^ записывается в форме: если Х1 ЭТО А1 И Х2 ЭТО А 2 и... И Xn ЭТО An ТО у это В; (2) вил совершаются операции вывода; • ного нечеткого множества, полученного блоком принятия решений на основании многих нечетких выводов, в детерминированное точное решение у. кого вывода подразделяется на четыре типа, представленные на рис. 1 в случае простейшей системы с двумя входами и двумя нечеткими правилами. В данной работе используется модель Такаги-Сугено-Канга [2, 3]. Дефаззификатор в такой системе не требуется, поскольку выходное значение каждого правила является линейной комбинацией входных пере(ТСК) имеет вид: если Х1 ЭТО А1(1) И Х 2 ЭТО А2(1) И., .И X N ( 1 ) Э ТО A n ТО у это f1(x1, Х2,..., Xn) если Х1 ЭТО А1(2) И Х 2 ЭТО А2(2) И., .И Xn(2) Э ТО A n ТО у это f2(x1, Х2,..., Xn) . если Х1 ЭТО А1м . И Х2ЭТОА2(М) И . . , H X N ( M ) ЭТО A n ТО (3) у это fM(x1, Х2,..., Xn), где fx1, Х2,..., Xn) - четкая функция. Классическое и наиболее используемое на практике ее представление есть полином первого порядка: N у f (Х ) к = k =% +Х akj j=1 92 •xj (4) предпосылки А. С следствия \ Г Мамдапи Заде •* min 1 A л В \ ТакагиСугепоКапг Ларсен C C I В 2 A с _J_ z x A C f ж Цукамото n с A с2 1 = a 1 ' x 0 + bl ' У0 с a a определяющая оптимальное направление движения при наличии препятствий, описывается следующим образом. Мобильный объект (сфера радиусом r = 10 см, рис. 2) оборудован семью ультразвуковыми сенсорами, которые располагаются под углами [-90°, -60°, -30°, 0°, +30°, +60°, +90°] к его основному направлению , причем каждый из них имеет угол излучения 20°. На вход блока уклонения от препятствий от этих сенсоров передается информация о дальности до препятствий d. Направление на препятствие Y устанавливается по номеру ближайшего к нему сенсора. На основании полученных данных 5 и у формируется угловой сектор уклонения. с2 -30° \ ° x У0 max A f z 0 = a , ' x„ + b , ' Jy n 22 и i и max С A f c - I С среднее взвешенное ^ zc - центр тяжести Рис. I. \ z W W\ \ V ' +30° \ • '«! W i 1 L -90° Л / / / ,'// !// А- / / +60° \ ^ ' +90° / C0^C0 2 Алгоритмы работы моделей нечетких рассуждений где N - количество уеловий в к-м нечетком рассуждении, a k 0 ,a k 1 ,..,a k N веса, которые в общем случае подбираются в процессе адаптации или считаются известными для систем неадаптивного типа. ключается в нечеткой импликации следствий правил с помощью алгебраического произведения, а не оператора минимума. Особенностью модели Цукамото является то, что в качестве выходного значения используется среднее взвешенное выходных значений каждого правила, определяемого его весом и выходными функциями принадлежности, которые в данном случае являются монотонно неубывающими [4]. Задача навигации заключается в достижении цели и уклонении от - 93 •-. f c среднее взвешенное О J fl + M 2 Z 2 c '- 6' 0ч° ч л 0° I Рис. 2. Расположение ультразвуковых сенсоров Блок следования пути генерирует желаемое направление на основе информации, полученной от сформированной карты местности. Последовательность его действий показана на рис. 3. Направление задается в N, отстоящая от подобной ей точки N -1 на заранее установленное расстояние s. Причем отрезок s - это часть траектории, а N -1 является ближайшей к геометрическому центру робота точкой траектории. Затем подсчитывается угол 0 между текущим направлением робота и направN ется за счет использования набора соответствующих нечетких правил. Выходы блоков уклонения от препятствий и следования пути поступают на блок командной интеграции, генерирующий набор разрешенных направлений движения. Метод командной интеграции предложен Пэйтоном и Розенблаттом в 1990г.[5]. Он заключается в параллельном исполнении решений нескольких блоков в соответствии с заданными весами, показывающими важность i -го блока для всей системы. 94 очень близко близко очень далеко далеко 0.75 0.25 0 10 20 30 40 50 60 70 80 90 100 110 120 Рис. 4. Расстояние d до ближайшего препятствия Целевая точМобильный робот KaN -1 Рис. 3. Пример движения робота Наилучшее из имеющихся направлений выбирается как их взвешенное среднее. База правил нечеткой системы состоит из нечетких рассуждений вида: если ( d l это D) и ( у к это Г) и ( 0 э т о 0 ), то a m , (5) что в лингвистической форме эквивалентно следующему: если расстояd препятствие это Y и направление на целевую точку это 0, то оптимальное направление движения составляет а градусов. Для оценки расстояния используются четыре нечетких множества: «очень близко», «близко», «далеко», «очень далеко», представленные на рис. 4. Направление на ближайшее препятствие задается семью множествами с названиями: «сенсор -90°», «сенсор -60°», «сенсор -30°», «сенсор 0°», «сенсор +30°», «сенсор +60°», «сенсор +90°», показанными - 96 94 -100 -80 -60 -40 20 40 60 80 100 Рис. 5. Направление у на ближайшее препятствие, получаемое от обнаружившего его сенсора На рис. 6 приведены пять множеств: «около -90°», «около -45°», «около 0°», «около +45°», «около +90°», определяющие направление на целевую точку. Таким образом, для успешного функционирования системы необходимо задать 4- 7- 5=140 правил. Вывод нечеткой системы определяет оптимальное направление движения, учитывая положение текущей целевой точки и необходимость избежания столкновений с другими объектами. Он является скаляром и формируется как среднее взвешенное от возможных направлений с учетом веса каждого из них. Лингвистическая переменная выхода системы имеет термы: «влево очень сильно», «влево сильно», «влево средне», «влево слабо», «влево очень слабо», «вперед», «вправо очень слабо», «вправо слабо», «вправо средне», «вправо сильно», «вправо очень сильно», которые соответствуют четким значениям [-90°, -60°, -45°, -30°, -15°, 0°, +15°, +30°, +45°, +60°, +90°]. около -45° около -90° -100 -80 -60 -40 около 0° -20 О около +45° 20 40 60 около +90° 80 Рис. 6. Направление 0 н а N-ую целевую точку Формирование правил, когда препятствие обнаруживается «сенсором +60°», приведено в табл. 1. Здесь в строках представлена возможная ния на целевую точку. Каждый элемент этой таблицы можно рассматривать как окончательную команду оптимального направления движения робота. Аналогичные таблицы задают правила в ситуациях, когда препятствие находится в поле излучения других сенсоров. Таблица 1 Препятствие в поле излучения датчика «сенсор +60°» d 0 ^ очень близко близко далеко очень далеко ° влево очень сильно влево средне влево слабо влево слабо влево очень сильно влево средне вперед вправо слабо влево очень сильно влево средне вперед вправо слабо ° влево слабо влево очень сильно влево средне вперед вправо очень слабо вправо очень сильно вправо очень сильно вправо очень сильно ^ ^ около -90° около -45° около 0° ^ Разработанная нечеткая система приобрела способность к достаточно точному определению оптимального направления движения а, позволяющему избегать столкновений. Пример реакции системы на конкретные входные данные показан на рис. 7. Здесь ближайшее препятствие d что соответствует термам «очень близко» и «близко». Угол на целевую 0 = Рис. 7. Реакция мобильного объекта на входные данные d , у 0 ния составило угол а = -50°. Применение нечеткой модели позволило успешно решить поставленную задачу, причем представленная система характеризуется простотой, наглядностью и гибкостью структуры. Подобные модели могут быть включены в полные математические модели объектов и систем, функционирующих в нескольких возможных режимах. ЛИТЕРАТУРА 1. Zadeh L. A. Fuzzy Sets // Information and Control. 1965. Vol. 8. № 3. P. 338-353. 2. Осовский H. Нейронные сети для обработки информации М.: Финансы и статистика, 2002. C. 279-299. 3. Takagi T., Sugeno M. Fuzzy identification of systems and its application to modeling and control // IEEE Trans. SMS. 1985. P. 116-132. 4. ныесети. Физматлит, 2001. С. 110-120. 5. Payton D., Rosenblatt J., Keirsey D. Plan Guided Reaction // IEEE Transactions on Sys6. P. 1370-1382. - робота. 97 и 94