Показано, що для групового управління мобільними робототехнічними платформами (МРП) можуть використовуватися такі підходи: централізований (зосереджений), децентралізований (розподілений) та гібридний. Визначено, що актуальним завданням є розроблення системи нейронечіткого управління групою МРП, яка повинна виконувати: розподіл завдань між МРП, визначення маршрутів руху МРП, спільне планування робіт та їх синхронізацію. Сформульовано вимоги до системи нейронечіткого управління групою МРП, основними з яких є: ефективне управління групою МРП; мінімізація часу на виконання завдань; гнучкість та адаптивність до змінних умов роботи; надійна та стійка робота при реалізації різних сценаріїв; розширення функцій та масштабування відносно кількості МРП; точність та надійність управління рухом кожної МРП; реагування на зміни умов роботи; безперебійна робота групи МРП; ефективне використання ресурсів МРП; зменшення габаритів, ваги та енергоспоживання; управління у реальному часі; збирання даних про навколишнє середовище та стан МРП; бездротовий зв’язок між МРП; розроблення програмних засобів, з урахуванням розподіленої архітектури; реалізація інтерфейсу програмування з можливістю розроблення додаткового програмного забезпечення та інтеграції з іншими системами; збереження даних про стан всіх МРП для подальшого аналізу та вдосконалення управління групою МРП. Визначено такі основні етапи розроблення системи нейронечіткого управління групою МРП: формулювання задачі; аналіз вимог до системи; проектування апаратних засобів; розроблення алгоритму нейронечіткого управління; розроблення ПЗ; тестування та налаштування; впровадження та експлуатація. Запропоновано розроблення системи нейронечіткого управління групою МРП виконувати на базі інтегрованого підходу, який охоплює: методи нейронечіткого управління групою МРП, штучні нейронні мережі та нечітку логіку; методи навігації, методи попереднього опрацювання та розпізнавання зображень; методи інтелектуального опрацювання та оцінювання даних із давачів в умовах дії завад і неповноти інформації; сучасні методи та алгоритми інтелектуального управління рухом МРП; сучасну елементну базу (мікроконтролери, системи на кристалі, ПЛІС тощо); методи та засоби автоматизованого проектування апаратних і програмних засобів МРП. Запропоновано реалізацію системи нейронечіткого управління групою МРП виконувати на підставі проблемно-орієнтованого підходу, який передбачає поєднання програмного (універсального) і апаратного (спеціалізованого) забезпечення, який забезпечує високу ефективність використання обладнання. Вдосконалено метод часового розподілу ресурсів запам’ятовуючого середовища багатопортової пам’яті, який за рахунок врахування швидкодії запам’ятовуючого середовища та зовнішніх пристроїв забезпечує збільшення кількості пристроїв із безконфліктним доступом до запам’ятовуючого середовища.
[1] Pentagon Unmanned Systems Integrated Roadmap 2017–2042. https://news.usni.org/2018/08/30/pentagon-unmanned-systems-integrated-roadmap-2017-2042
[2] Monda, S., Pratihar, D. K. (2016). Fuzzy logic-based group formation control of multiple wheeled robots. International Conference on Microelectronics, Computing and Communications (MicroCom), Durgapur, 1–7. https://doi.org/10.1109/MicroCom.2016.7522556
[3] Melingui, A., Merzouki R., Mbede, J. B. (2014). Neuro-fuzzy controller for autonomous navigation of mobile robots. IEEE Conference on Control Applications (CCA), Juan Les Antibes, France, 1052–1057. https://doi.org/10.1109/CCA.2014.6981474.
[4] Boudjelal, Meftah, Hamza, Teggar. Navigation in multi-robot systems based on the behavioural fuzzy controller. New Trends in Mathematical Sciences 9 Proceeding, 1, 124–129. https://doi.org/10.20852/ntmsci.2021.439
[5] Shi, Y., Song, J., Hua, Y., Dong, J., Ren, Z. (2022). Leader-Follower Formation Control for Fixed-Wing UAVs using Deep Reinforcement Learning. 41st Chinese Control Conference (CCC), Hefei, China, 3456–3461. https://doi.org/10.23919/CCC55666.2022.9901799
[6] Hoy, M., Matveev, A. S., Savkin A. V. (2015). Algorithms for collision free navigation of mobile robots in complex cluttered environments: a survey Robotica, 33, 03, 463–497. https://doi.org/10.1017/S0263574714000289
[7] Yang, L., Qi, J., Song, D., Xiao, J., Han, J., Xia, Y. (2016). Survey of robot 3D path planning algorithms. J Control Sci Eng, 5. https://doi.org/10.1155/2016/7426913
[8] Glavaski, D., Mario, V., Bonkovic, M. (2009). Robot motion planning using exact cell decomposition and potential field methods. Proceedings of the 9th WSEAS international conference on Simulation, modelling and optimization, World Scientific and Engineering Academy and Society (WSEAS), September, 126–131.
[9] Zhuo, Y., Guo, C. (2013). Underactuated ship way-points track control using repetitive learning neurofuzzy. 25th Chinese Control and Decision Conference (CCDC), Guiyang, China, 248–252. https://doi.org/10.1109/CCDC.2013.6560929
[10] Nyarko, E. K., Peric, N., Petrovic, I. (2005). Experimental investigations of a direct adaptive neurofuzzy controller. Proceedings of 2005 IEEE Conference on Control Applications, CCA, Toronto, ON, Canada, 1051–1056. https://doi.org/10.1109/CCA.2005.1507269
[11] Wen-Ran Z. (1997). Neurofuzzy agents and neurofuzzy laws for autonomous machine learning and control. Proceedings of International Conference on Neural Networks (ICNN'97), Houston, TX, USA, 3, 1732–1737. https://doi.org/10.1109/ICNN.1997.614157
[12] Yusof, Y., Mansor, H. M. A. H., Ahmad, A. (2016). Formulation of a lightweight hybrid ai algorithm towards self-learning autonomous systems. Proc. of the 2016 IEEE Confer. on Systems, Process and Control (IC-SPC), Melaka, Malaysia, 16‑18 December, 142–147. https://doi.org/10.1109/SPC. 2016.7920719
[13] Alves, R. M. F., Lopes, C. R. (2016). Obstacle avoidance for mobile robots: A hybrid intelligent system based on fuzzy logic and artificial neural network. Proc. of the 2016 IEEE Intern. Conf. on Fuzzy Systems (FUZZ-IEEE), Vancouver, BC, Canada, 24–29 July, 1038–1043. https://doi.org/10.1109/FUZZ-IEEE.2016.7737802
[14] Medina-Santiago, A., Morales-Rosales, L. A., Hernández-Gracidas, C. A., Algredo-Badillo, I., Pano-Azucena, A. D., Orozco Torres, J. A. (2021). Reactive Obstacle – Avoidance Systems for Wheeled Mobile Robots Based on Artificial Intelligence. Applied Sciences, 11(14), 64–68. https://doi.org/10.3390/app11146468
[15] Chen, C. L. P., Yu, D., Liu, L. (2019). Automatic leader-follower persistent formation control for autonomous surface vehicles. IEEE Access, 7, 12146–12155. https://doi.org/10.1109/ACCESS.2018.2886202
[16] Wildani, F., Mardiati, R., Mulyana, E., Setiawan, A. E., Nurmalasari, R. R., Sartika, N. (2022). Fuzzy Logic Control for Semi-Autonomous Navigation Robot Using Integrated Remote Control. 8th International Conference on Wireless and Telematics (ICWT), Yogyakarta, Indonesia, 1–5. https://doi.org/10.1109/ICWT55831.2022.9935458
[17] Oultiligh, A., Ayad, H., Pozna, C., Mogan, C., Eіbouzekraoui M., Elkari, B. (2020). Obstacle Avoidance using Fuzzy Controller for Unicycle Robot. International Conference on Control, Automation and Diagnosis (ICCAD), Paris, France,
1–6. https://doi.org/10.1109/ICCAD49821.2020.9260553
[18] Sahloul, S., Benhalima, D., Rekik, C. (2019). Comparative study of hybrid fuzzy logic methods for mobile robot navigation in unknown environments. 19th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), Sousse, Tunisia, 170–175. https://doi.org/10.1109/STA.2019.8717260
[19] Najmurrokhman, A., Kusnandar, U., Sunubroto, K., Sadiyoko, A., Iskanto, T. Y. (2019). Mamdani based Fuzzy Logic Controller for A Wheeled Mobile Robot with Obstacle Avoidance Capability. International Conference on Mechatronics, Robotics and Systems Engineering (MoRSE), Bali, Indonesia, 49–53. https://doi.org/10.1109/MoRSE48060.2019.8998720
[20] Wang, S., Xu, G., Liu, T. Zhu, Y. (2021). Robust Real-time Obstacle Avoidance of Wheeled Mobile Robot based on Multi-Sensor Data Fusion. IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 2383–2387. https://doi.org/10.1109/IAEAC50856.2021.9391021
[21] Aniculaesei, A., Grieser, J., Rausch, A., Rehfeldt, K. and Warnecke, T. (2018) Toward a Holistic Software Systems Engineering Approach for Dependable Autonomous Systems IEEE/ACM 1st International Workshop on Software Engineering for AI in Autonomous Systems (SEFAIAS), Gothenburg, Sweden, pp. 23-30. https://doi.org/10.1145/3194085.3194091
[22] Купріненко, О., Мочерад, В., Загребельний, С., & Слюсаренко, О. (2022). Визначення потреби сухопутних військ у наземних роботизованих комплексах. Військово-технічний збірник, 26, 33–41. https://doi.org/10.33577/2312-4458.26.2022.33-41
[23] Глєбов, В., Жадан, В., Корольов, В., Мормило, Я., Стрімовський, С., Волковой, О., Ганзера, Ю., Липовець, В., & Фолунін, С. (2022). Розроблення бойового наземного роботизованого комплексу важкого класу на базі бронетранспортера БТР-4Е. Військово-технічний збірник, 2), 3–10. https://doi.org/10.33577/2312-4458.27.2022.3-10
[24] Hirano, K., Ono, T., Kurino H., Koyanagi, M. (1998). A new multiport memory for high performance parallel processor system with shared memory. Proceedings of 1998 Asia and South Pacific Design Automation Conference, Yokohama, Japan, 333–334. https://doi.org/10.1109/ASPDAC.1998.669491