برنامه ریزی مسیر پوشش ربات تحت عدم قطعیت با استفاده از استنتاج دانش و جبرهای پرچین

رفتار انسان نشان دهنده آگاهی محیطی و خودآگاهی است که برای رسیدن به تصمیمات و اقدامات یا نتیجه گیری بر اساس استدلال و استنباط استفاده می شود. آگاهی محیطی و خودآگاهی ویژگی هایی هستند که سیستم های رباتیک مستقل باید داشته باشند تا به طور موثر یک مسیر بهینه را برنامه ریزی کنند و در محیط های عملیاتی پویا عمل کنند. این مقاله یک رویکرد جدید را برای فعال کردن سیستم‌های روباتیک مستقل برای دستیابی به برنامه‌ریزی مسیر پوشش کارآمد پیشنهاد می‌کند، که تطبیق را با تکنیک‌های استدلال دانش و جبرهای پرچین برای دستیابی به برنامه‌ریزی مسیر پوشش بهینه در تصمیم‌گیری‌های چندگانه تحت محیط‌های عملیاتی پویا ترکیب می‌کند. برای ارزیابی رویکرد پیشنهادی، آن را در یک ربات تمیزکننده سیار پیاده‌سازی کرده‌ایم. نتایج نشان‌دهنده توانایی اجتناب از موانع استاتیک و پویا (متحرک) در حین دستیابی به برنامه‌ریزی مسیر پوشش کارآمد با نرخ‌های تکرار کم است. در حالی که الگوریتم های برنامه ریزی مسیر پوشش جریان جایگزین به نتایج قابل قبولی دست یافته اند، نتایج گزارش شده ما بهبود عملکرد قابل توجهی را نسبت به الگوریتم های برنامه ریزی مسیر پوشش جایگزین نشان داده است.

1. مقدمه

سیستم های رباتیک در حال حاضر در صنعت تولید در همه جا حاضر هستند. ربات ها می توانند با استفاده از تکنیک های هوش مصنوعی اشیا را به طور قابل اعتماد دستکاری کنند، که به ماشین اجازه می دهد تعیین کند که چگونه یک کار را می توان با موفقیت انجام داد [1]. با این حال، زمانی که ربات ها در فرآیند تولید به کار می روند، از قبل با قابلیت تصمیم گیری محدود یا بدون توانایی برنامه ریزی شده اند. این مقاله سیستم‌های رباتیک مستقل را با پشتیبانی تصمیم‌گیری هوشمند تحت عدم قطعیت پویا در نظر می‌گیرد. یک ربات متحرک مستقل (که از این پس "ربات" نامیده می شود) باید یک محیط عملیاتی پویا تعریف شده (از این پس "محیط" نامیده می شود) را به طور کامل طی کند و در عین حال تکرار در پوشش را به حداقل برساند. این برنامه ریزی مسیر پوشش (CPP) نامیده می شود. Galceran و Carreras مشکل CPP را اینگونه تعریف کرده اند: «وظیفه تعیین مسیری که از تمام نقاط یک منطقه یا حجم مورد علاقه می گذرد و در عین حال از موانع اجتناب می کند. این وظیفه برای بسیاری از کاربردهای روباتیک یکپارچه است» [2].

روبات ها وظایف پیچیده ای را در طیف متنوعی از محیط ها انجام می دهند که شامل محیط های خصمانه است که توسط: (الف) عدم اطمینان به دلیل پویایی محیطی مشخص می شوند.(ب) عدم دقت در کنترل ؛(ج) سنجش ناقص و بومی سازی. و (د) غیرقابل پیش بینی محیط زیست. با این حال ، روبات ها برای عملکرد مؤثر به یک سیستم پشتیبانی تصمیم گیری (DSS) نیاز دارند. اصلی ترین هدف DSS ، ارائه تجربه ای برای اسکان محیط است که مربوط به کلیه دانش ، مهارت ها و نگرش ها برای کنترل ، کاربرد و عملکرد روبات ها است. روبات ها یک فناوری نوآوری با تحقیق در زمینه ارائه اطلاعات و دستورالعمل ها برای رسمی سازی مشکلات و تدوین راه حل های الگوریتمی هستند که "در یک کلاس گسترده از مشکلات محاسباتی تعمیم می یابد و اتوماسیون را در سیستم های روباتیک فعال می کند" [3].

برای فعال کردن روبات ها برای اجرای تصمیمات بهینه ، ما در مورد مشکل CPP تحقیق کرده ایم و دو سؤال اساسی مربوط به تصمیم گیری در مورد تصمیم گیری را در نظر گرفته ایم:

چگونه می توان درک و استدلال در مورد محیط زیست را برای فعال کردن CPP با تکمیل کار (های) مورد نیاز در حالی که یک روبات در حال حرکت است ، بدست آورد.

سؤال اول به طور مستقیم به موضوعات مربوط به شناسایی موانع (استخراج ویژگی) می پردازد ، سوال دوم مربوط به مدل سازی محیط است. هنگامی که در یونیسون در نظر گرفته می شود ، این دو سؤال به ایجاد یک مدل نماینده می پردازند. با این حال ، چنین مدلی باید به روشی مناسب به عدم اطمینان و غیرقابل پیش بینی بودن بپردازد. انسانها الگوی شناختی از "جهان" (محیط) خود را بر اساس "فیلتر ادراکی منحصر به فرد" ایجاد و به روز می کنند [4،5] ، این مدل به آگاهی محیطی و خودآگاهی متکی است. انسانها بر اساس یک الگوی مفهومی دائما در حال تحول با اقدامات و نتیجه گیری ها بر اساس استدلال و استنباط با ترجیحات آموخته شده در طول زمان حاصل از تجربه و مشاهده ، با "جهان" خود در تعامل هستند [4،5].

ما پتانسیل ناهماهنگی شناختی در رفتار انسان را تشخیص می دهیم [6،7،8،9]. در حالی که ناهماهنگی شناختی برای سیستم های روباتیک در نظر گرفته نشده است ، DSS های معنایی و زبانی که در این مقاله ارائه شده است ، پتانسیل آینه (البته در یک سطح بدوی) را به محرک های خارجی و داخلی ارائه می دهد [5]. ما شناخت را به عنوان مربوط به شناخت انسانی و دستگاه در بخش 7 در نظر می گیریم.

Robot DSS که برای استفاده در محیط های مختلف طراحی شده است باید آگاه از متن باشد [10]. زمینه- آگاهی (CA) مبنایی را فراهم می کند که بر اساس آن نهادها (که شامل انسان و روبات است) [5،10،11] می توانند با محیط تعامل داشته باشند و وظایف و رفتارهای لازم را انجام دهند. این نیاز به سازگاری دارد. سازگاری مستلزم آگاهی از محیط زیست و خودآگاهی است که پایه و اساس تصمیمات ، انتخاب ها و اقدامات بهینه را فراهم می کند. به عنوان مثال ، یک ربات موبایل به طور کلی از باتری برخوردار خواهد بود ، آگاهی از محیط زیست مکان را شناسایی می کند و خودآگاهی شامل دانش وضعیت فعلی (یا زمینه) آن است که شامل موقعیت و باتری ربات می شود. دانش ربات در مورد این پارامترها باعث می شود که ربات بتواند مکان تغییر مکان و باتری را در "زمان واقعی" نظارت کند و به طور خودکار در صورت لزوم به یک نقطه شارژ بازگردد.

انسانها دنیای خود را از نظر معنایی با استفاده از توصیف کننده های زبانی (یا کلمات) برای مفهوم سازی و توصیف محیط مشاهده می کنند (به عنوان مثال ، "بسیار داغ" ، "داغ" ، "گرم" ، "سرد" ، "بسیار سرد" و غیره). به همین ترتیب ، انسان از کلمات برای مفهوم سازی استفاده می کند و واکنش های عاطفی را به طیف وسیعی از محرک ها توصیف می کند [5] (به عنوان مثال ، "نفرت" ، "دوست نداشتن" ، "مانند" ، "واقعاً دوست" ، "عشق" و غیره). استفاده از چنین کلماتی توصیف کننده های ریز دانه ای را ارائه می دهد که ، در حالی که فازی [12] ، تفسیر خاص دامنه از یک زمینه یا محیط فعلی را ارائه می دهد [13]. زمینه بسیار خاص دامنه است [10] ، و توصیف کننده های زبانی فازی این صفت را به اشتراک می گذارند. به عنوان مثال ، کلمه "داغ" هنگام بحث در مورد آب و هوا بر خلاف آشپزی ، شرایط متفاوتی را توصیف می کند. یک بحث مفصل در مورد سیستم ها و متغیرهای فازی فراتر از محدوده این مقاله است ، برای یک بحث مفصل در مورد موضوع [12]. برای بحث در مورد سیستم های مبتنی بر قانون فازی و خنثی سازی ، [14] را ببینید. سیستم های فازی همانطور که مربوط به سیستم های آگاه از متن (CAS) در [10] است.

استفاده از معناشناسی و زبانشناسی در محاسبات تلاشهای تحقیقاتی قابل توجهی داشته است. به عنوان مثال ، به [13،15،16،17،18،19،20] مراجعه کنید. در این مقاله استدلال می کنیم که یک رویکرد مشابه مبتنی بر معناشناسی و زبانشناسی در روبات ها لازم است که باید با محیط سازگار شوند. چنین رویکردی هنگامی که در مورد روبات ها و حمایت از تصمیم گیری اعمال می شود ، جدید است و روش متفاوتی را برای آنچه در رویکردهای هوش مصنوعی معمولی (AI) اتخاذ شده است ، اعمال می کند.

Galceran و Carreras ، در بررسی رویکردهای CPP ، "موفق ترین روش های CPP" را بررسی کرده اند [2]. نتیجه گیری این است که: "استفاده از روشهای کلاسیک CPP همیشه نمی توان تمام معیارهای مورد نیاز را در محیط های پیچیده پویا برآورده کرد". این نتیجه گیری محدودیت ها را در روش های CPP معمولی مشخص می کند و ما یک روش جدید برای فعال کردن CPP پیشنهاد می کنیم. رویکرد پیشنهادی ترکیبی است: (الف) سازگاری.(ب) استدلال دانش ؛(ج) تکنیک های استنتاج ؛و (د) جبر پرچین که در یک رویکرد مبتنی بر قانون با استفاده از دانش موجود با قوانین در یک پایگاه دانش اجرا شده اند. رویکرد پیشنهادی ما به عنوان یک رویکرد مؤثر برای بهبود دانه بندی و اثربخشی CPP مطرح می شود.

الگوریتم CPP پیشنهادی توسعه الگوریتم پوشش پوشش درختی اکتشافی (STC) است [21] که "منطقه کار را به سلولهای جدا شده متناسب با ابزار مربع شکل می دهد ، سپس یک درخت پوششی از نمودار ناشی از سلول ها را دنبال می کند، در حالی که هر نقطه را دقیقاً یک بار پوشش می دهد. سپس یک درخت پوششی از نمودار ناشی از سلول ها را دنبال می کند ، در حالی که هر نقطه را دقیقاً یک بار پوشش می دهد »[22].

سهم ما در الگوریتم STC است که ترکیبی از تکنیک های استدلال با جبر پرچین در CPP برای یافتن مسیر پوشش بهینه است. الگوریتم CPP پیشنهادی ما می تواند دانش موجود را با استفاده از قوانین از پایگاه دانش برای یافتن مسیر بهینه در عین حال به حداقل رساندن تکرار مسیر و همپوشانی به کار بگیرد. روش و الگوریتم CPP در بخش 4 بیان شده است.

برای ارزیابی رویکرد پیشنهادی ما ، ما یک ربات تمیزکننده را اجرا کرده ایم که در یک محیط مشخص فعالیت می کند. نتایج تجربی (به بخش 6 مراجعه کنید) توانایی جلوگیری از هر دو موانع استاتیک و متحرک را هنگام دستیابی به CPP مؤثر نشان می دهد. در یک تجزیه و تحلیل مقایسه ای با روش های جایگزین CPP ، رویکرد پیشنهادی ما با عملکرد بهبود یافته با عملکرد بهبود یافته نسبت به روشهای جایگزین CPP ، پوشش بالایی و میزان تکرار پایین را به دست آورده است. رویکرد ارائه شده در این مقاله می تواند به سادگی در هر دو محیط استاتیک و پویا اعمال شود.

ساختار باقیمانده این مقاله به شرح زیر است: در بخش 2 ما تحقیقات مربوط به CPP را در نظر می گیریم. فرمول مسئله CPP در بخش 3 با روش شناسی و الگوریتم CPP پیشنهادی ارائه شده در بخش 4 پرداخته شده است. بحثی را ارائه می کند که شناخت ماشینی را در نظر می گیرد. جهت گیری های بالقوه آینده برای تحقیق در بخش 7. 3 در نظر گرفته شده است، مقاله با مشاهدات پایانی در بخش 8 بسته می شود.

2. تحقیقات مرتبط

دو رویکرد الگوریتمی کلی برای مسئله CPP وجود دارد: کلاسیک و اکتشافی [2،3،23،24،25]. الگوریتم‌های کلاسیک را می‌توان تحت عنوان‌های مختلفی طبقه‌بندی کرد: تجزیه سلول، میدان پتانسیل، روش‌های مبتنی بر نمونه‌برداری، و شبکه‌های هدف فرعی. الگوریتم‌های اکتشافی نیز ممکن است تحت عنوان‌های مختلفی طبقه‌بندی شوند: شبکه‌های عصبی مصنوعی، سیستم‌های فازی، سیستم‌های الهام‌گرفته از طبیعت، و سیستم‌های ترکیبی. در مطالعه ما بر روی رویکرد اکتشافی تمرکز می کنیم.

تحقیقات CPP تعداد زیادی از مشکلات را که در آن برنامه ریزی مسیر مورد نیاز است، شناسایی کرده است. مشکل CPP با مشکل فروشنده دوره گرد تعمیم یافته (GTSP) [26] یک هدف مشترک دارد: یافتن کوتاه ترین مسیر برای پیمودن کامل یک محیط بدون تکرار در کوتاه ترین زمان. نشان داده شده است که طیف گسترده ای از مسائل بهینه سازی ترکیبی را می توان به عنوان GTSP مدل کرد. این مشکلات عبارتند از مشکلات مسیریابی مکان، طراحی سیستم جریان مواد، جمع آوری جعبه پست، مسیریابی تصادفی خودرو و مسیریابی قوس [26].

الگوریتم‌های CPP بسیاری از مشکلات «دنیای واقعی» از جمله: تمیز کردن و نظارت، ماشین‌های چمن‌زنی خودکار، بازرسی، رنگ‌آمیزی و روبات‌های صنعتی را برطرف کرده‌اند [2،3،23،24،27،28،29،30،31،32،33.، 34]. یک روش برنامه‌ریزی مسیر سوزن‌زنی روباتیک برای تنظیم «پریفرم‌های» مختلف با اشکال، ابعاد و توزیع‌های سوزنی متغیر برای سطوح پیچیده اعمال می‌شود [23]. بررسی‌ها روی روبات‌های متحرک نشان داده است که مشکل CPP را می‌توان با فضاهای باریک و نقشه‌برداری پیچیده برای محیط‌هایی با موانع متعدد حل کرد [27،28].

در مطالعات مرتبط، تحقیقات یک کنترل دستکاری کننده و ایده‌های نظری در مورد استفاده از شبکه‌های عصبی مصنوعی با یادگیری تقویتی برای کارهای روباتیک چندگانه پیشنهاد کرده‌اند [1،35]. سایر تحقیقات مرتبط با استفاده از شبکه های عصبی مصنوعی [36] از یادگیری تقویتی غیرمتمرکز [37] استفاده کرده اند.

برای شناسایی چندین اشیاء ، یک رویکرد بهینه برنامه ریزی مسیر جهانی سلسله مراتبی در یک "محیط به هم ریخته" [38] با استفاده از بهینه سازی ذرات استفاده شده است. پاتل و همکاران.[39] یک رویکرد مبتنی بر کدهای ماتریس باینری با یک الگوریتم ژنتیکی برای اجرای CPP از جمله کنترل دست ساز و ایده های نظری برای حل مسئله CPP پیشنهاد می کند. مونوز و همکاران. یک چارچوب یکپارچه برای مسیر و برنامه ریزی وظیفه برای روبات های خودمختار پیشنهاد کرده اند [40].

در محیط های "دنیای واقعی" روبات ها به توانایی درک ، تفسیر و تولید بازنمایی از محیط ، به صورت ایده آل در یک فرمالیسم انسانی و دستگاه قابل خواندن بستگی دارند [36،37]. نمایندگی از "جهان" یک نهاد [4] (برای بحث در مورد ماهیت اشخاص [5،10]) از طریق ادراک و عمل یکی از ویژگی های دیرینه تحقیقات هوش مصنوعی است که در آن: "مفاهیم سیستم های مرکزی و محیطیتبخیرهمه چیز هم مرکزی و هم محیطی است "[41] ؛چنین مفاهیمی در مورد تعامل ربات با محیط اعمال می شود. حمایت از تصمیم گیری برای روبات ها برای "جلوگیری از مانع برای دستیابی به وظایف مورد نیاز در محیط های پویا ضمن شناسایی CPP بهینه" لازم است [38،42].

الگوریتم مبتنی بر تکرار مقدار به طور مؤثر برای چندین کار روباتیک اعمال شده است [37]. یک ربات تعاملی با استفاده از پدیده های روانشناختی در طول ارتباطات نشان داده است که این رویکرد ممکن است مبنایی برای حمایت مناسب از تصمیم گیری در سیستم های ربات فراهم کند [43]. این روش جدیدی را برای سازگاری ربات در تصمیم گیری برای اسکان پویایی محیط زیست باز می کند.

این نمای کلی از تحقیقات مرتبط ، اثربخشی بالقوه CPP را مشخص کرده است. با این حال ، همانطور که در بخش 6 و بخش 7 مورد بحث قرار گرفت ، رویکردهای فعلی در دستیابی به CPP بهینه و در عین حال به حداقل رساندن همپوشانی در محیط عملیاتی تعریف شده کوتاه می آیند. در این مقاله ما رویکرد جدید خود را به مسئله CPP ارائه می دهیم تا به موضوعات درک شده در تحقیقات مربوطه در نظر گرفته شده بپردازیم.

3. فرمولاسیون مشکل

مشکل CPP دارای چندین هدف است: پوشش کامل بدون تداخل یا تکرار با وظایف انجام شده با استفاده از کوتاهترین مسیر. در این بخش فرمولاسیون مشکل را بیان کرده و جبر پرچین را با پشتیبانی تصمیم گیری با استفاده از نقشه برداری معنایی کمی معرفی می کنیم. جبر پرچین در ابتدا توسط هو و Wechler در سال 1990 پیشنهاد شد [18] ، تحقیقات بعدی تحولات جالب بسیاری از مفهوم را به همراه برنامه های موفق ایجاد کرده است [15،16،17،19].

3. 1. آگاهی در CPP با تصمیم-پشتیبانی

ما رویکرد پیشنهادی خود را برای فعال کردن شبیه‌سازی آگاهی با استنتاج و استدلال برای ارائه پشتیبانی تصمیم در CPP توسعه داده‌ایم. هدف ما یک مبنای موثر است که بر اساس آن ربات ها می توانند محیط را نظارت کنند و به تصمیمات CPP بهینه برسند. در این بخش، مفاهیم را در رویکرد فازی خود ارائه می‌کنیم و محاسبات ساختاری را که شبیه‌سازی استدلال انسان را پردازش می‌کنند (البته در سطح ابتدایی همانطور که در [5،11] بحث شد) معرفی می‌کنیم.

T X را روی متغیر زبانی X در نظر بگیرید. طبق [19،28] بدیهیات T X ممکن است به عنوان ساختارها و نمادهای جبری نشان داده شود.< A H = T X , G , H , ≤ >جایی که:

I F G حاوی عناصر 0 , 1 , X کوچکترین عنصر است، بزرگترین (و خنثی) عنصر X است. یک ساختار جبری< A H = T X , G , H , ≤ >که در آن H = H ∧ + ∪ H ∧ − H A I F نامیده می شود، فرمول بدیهیات زیر را برآورده می کند [29،37]:

دو عنصر u و v مستقل هستند. یعنی: u ≠ H v A N D v ≠ H u با ∀ x ∈ H u A N D x ∈ H v قابل مقایسه هستند. I F u A N D v قابل مقایسه نیستند، T H E N ∀ x ∈ H u A N D ∀ y ∈ H v N O T قابل مقایسه هستند.

I F x ≠ h x T H E N x ∈ H h x A N D I F h ≠ k A N D h x ≤ k x T H E N h 'h x ≤ k 'k x با ∀ h , k , h , k , ∈ H ;

Set H includes positive hedges H ∧ + and negative hedges H ∧ − . The positive hedges increase the semantic representation [of a word] while negative hedges reduce the semantic representation. Without loss of generality, we always assume that H − = h 1 > h 2 ⋯ >h p A N D H + =< h p + 1 < h p + 2 < ⋯ < h p + q >.

بازنمایی زبانی فازی

مقادیر زبانی متغیر صدق T R U T H را در نظر بگیرید: (dom( T R U T H ) = true , false , very true, very false , more true , more false , little true , little false . . ).( dom( T R U T H )) را می توان به صورت یک ساختار جبری A T = T X , G , H , ≤ بیان کرد که در آن:

پی اس ای ب ل ای ف آ ل س ای، ….

مجموعه مقادیر زبانی T X نتیجه حاصل از G توسط پرچین های H است. بنابراین، هر عنصر x ∈ T X در جایی نشان داده می شود:

با در نظر گرفتن V ∈ H + V − v e r y , L ∈ H − L − l i t t l e , g ∈ G مثبت است I F g ≤ V g و منفی است I F g ≥ V g O R g ∈ G مثبت است I F g ≥ L g و I F منفی استg ≤ L g

I F G دقیقاً دارای دو عنصر اولیه فازی g + و g - است، سپس g + یک عنصر تولد مثبت و g - یک عنصر تولد منفی و g - نامیده می شود.< g +

3. 2. نگاشت کمی معنایی

جایی که H A A T = T X , G , H , ≤ f : T X → 0 , 1 به عنوان یک تابع معنایی کمی روی A T I F ∀ h , k ∈ H + O R ∀ h , k ∈ H − A N D ∀ x , Xyمعادله (1) را داشته باشید:

با استفاده از جبرهای پرچین با توابع معنایی کمی، می‌توانیم مفاهیم انتزاعی را تعریف کنیم که به سختی می‌توان آن‌ها را به‌طور رضایت‌بخش با جزئیات مورد نیاز در نظریه مجموعه‌های فازی سنتی و تکنیک‌های هوش مصنوعی مرسوم تعریف کرد. در نظریه مجموعه‌های فازی سنتی [12،14]، نمایش معنایی متغیرهای فازی به طور کلی به تعداد کمی از توصیف‌گرهای زبانی محدود می‌شود، بنابراین «فازی» یک مفهوم فازی [یا مجموعه فازی] نمی‌تواند یک نمایش مؤثر با کافی شکل دهد. دانه بندی برای اهداف ما

مقادیر زیر را در نظر بگیرید: true، false، more true و more false. مشکل این است که چگونه می توان «فاضگی» ارزش زبانی را تعریف کرد، وقتی که ارزش های زبانی را بر حسب طیفی حول صدق و/یا نادرستی در نظر می گیریم. بر اساس استفاده از جبرهای پرچین، ما یک مقدار "فازی" را بر اساس اندازه H x داریم. با توجه به یک تابع معنایی کمی f در T X در نظر بگیرید که برای x ∈ X که در آن "فازی" x با قطر قسمت f H x ⊆ 0 , 1 اندازه گیری می شود. شکل 1 مبهم بودن مقادیر زبانی را مدل می کند.

4. روش

همانطور که در بخش 1 بحث شد، الگوریتم CPP پیشنهادی توسعه‌ای از الگوریتم STC اکتشافی [21،22] در یک رویکرد مبتنی بر قانون با استفاده از تکنیک‌های استدلال با جبرهای پرچین برای یافتن CPP بهینه است. شکل 2 روش پیشنهادی را برای فعال کردن CPP موثر مدل می کند.

در مدل CPP پیشنهادی، قوانین پایگاه دانش در ربات قبل از انتشار در محیط برنامه‌ریزی می‌شوند. قوانین برای شناسایی CPP بهینه و رویکرد عبور از محیط و انجام وظایف دستور داده شده ایجاد و به روز می شوند. قوانین شرایط زیر را برای ربات تعریف می کنند:

با استفاده از مسیر بهینه محیط کامل را طی کنید و از همه گره ها بدون تکرار یا همپوشانی مسیرها بازدید کنید.

مشخص کنید که آیا گره ها (سلول ها) هستند: (الف) واضح.(ب) توسط یک مانع (ایستا یا متحرک) اشغال شده است. یا (ج) توسط دیوارها محدود شده اند.

4. 1. مشکل برنامه ریزی مسیر پوشش

Hedge_DSS_Robot: تابع بهینه‌سازی هدف برای به حداکثر رساندن کارایی عملیاتی ربات در CPP و فعال کردن چندین هدف تصمیم‌گیری ربات.

W J: وزنی که نماینده S I و W J است. وزن یک مقدار متغیر زبانی است که می تواند به عنوان مقدار در دامنه شناخته شود: مهم ، بسیار مهم ، مهمتر ، کمی مهم ، بسیار مهم ، احتمالاً مهم ،.؛

بر اساس نقشه برداری معنایی کمی از H یک مقادیر زبانی برای W j در محدوده 0 ، 1 استفاده می شود و در چندین هدف تصمیم گیری برای کارهای ربات استفاده می شود. من در جایی که s i ∩ s j = θ ، ∀ i ، j ∈< 1 , 2 , ⋯ r >;

Q J X: عملکرد هدف برای هدف چند تصمیم گیری. q j x مقدار زبانی متغیر زبانی مورد استفاده در نقشه برداری معانی کمی از H A را تشخیص می دهد و مقدار زبانی را در محدوده 0 ، 1 منتقل می کند.

متغیر تصمیم x i j باینری است و وظایف مربوط به اهداف چند تصمیم گیری را تعریف می کند.

4. 2الگوریتم برنامه ریزی مسیر پوشش پیشنهادی

∑ k x i k = 1 ∀ i ∈ N ∑ i ∈ S j ∪ s i x i 1 ≥ 1 x i k =< 1 , I f o p t i o n i i s a s s i g n e d R o b o t t o m i s s i o n k 0 , o t h e r

ایجاد بازگشتی STC W ، X: در حالی که X یک سلول مگا به معنای سلول فعلی با نقطه شروع است ، W یک سلول برای نکته قبلی است.

اولیه سازی: با STC2 N U L L ، S که در آن سلول شروع است تماس بگیرید. در حالی که در حال ساخت درخت است ، این ربات هر سلولی را که در چهار سلول یکسان قرار می گیرد ، تقسیم می کند

.

(4) زمان از زیر سلول فعلی X را به زیر سلول مقصد y J بر اساس جبر پرچین در سری زمانی t j = ∑ u t u محاسبه کنید و یک لبه درخت پوششی را از x تا y بسازید.

(5) زمان تخمین موانع را با نزدیکترین Y در حال حرکت به مقصد زیر سلول در سری زمانی P J = N * T محاسبه کنید.

(7) با استفاده از مسیری که توسط نوع لبه از x تا y تعیین می شود ، به یک سلول زیر y در امتداد لبه های درخت پوشانده حرکت کنید ، همانطور که در مراحل زیر توضیح داده شده است.

.

قوانین مربوط به تکنیک های استدلال را در استدلال ربات در نظر بگیرید. شکل قانون همانطور که در معادله نشان داده شده است (3):

جایی که x i = a i با عملیات< ; >، ≤ ، ≥ ، p وزن w i از r u l e i با وزن خاص c است. در قوانین معمولی می توانیم تکنیک های استدلال را با وقایع و همانطور که در معادله نشان داده شده است در نظر بگیریم (4):

تکنیک های استدلال ربات را در زنجیره ای به همراه نتایج قوانین و رویدادهای قبلی ناشی از این قوانین اعمال کنید.

من یک قانون موجود در k t h e n اعمال می شود قانون خودکار روبات ، یک قانون جدید از یک متخصص به KB اضافه می شود

همه مراحل را می توان تکرار کرد که یک ربات عملکرد (های) خود را در اهداف چند تصمیم گیری انجام می دهد.

5- ارزیابی

در این بخش ارزیابی رویکرد پیشنهادی را با استفاده از یک مطالعه موردی روبات ارائه می دهیم ، نتایج در بخش 6 مشخص شده است.

5. 1مطالعه موردی ربات

همانطور که مشخص شد ، در مشکلات تصمیم گیری ربات ، ربات عملیاتی اهداف و وظایف مربوط به اهداف بالقوه متعدد را مشخص می کند. Q J X تابع هدف به روز شده در ربات KB است. عملکرد هدف با هدف محدود کردن اهداف بالقوه برای ربات به پنج. ربات باید:

س 2: مشخص کنید که گره ها (سلول ها) عبارتند از: (الف) روشن ، (ب) اشغال شده توسط یک مانع (ها) ، یا (ج) محدود به دیوار (ها).

س 5: CPP را برای یافتن "مسیر بهینه" برای عبور از محیط عملیاتی با چندین تصمیم گیری اعمال کنید.

یک اپراتور انسانی (تصمیم گیرنده) می تواند به صورت آنلاین دستور دهد تا یک استراتژی مورد نیاز را دنبال کند. دامنه اهداف استراتژیک (کارها) به شرح زیر است:

به عنوان مثال ، مقدار q j x با استفاده از متغیرهای زبانی تعیین می شود: زیاد ، کم ، بسیار بالا ، بسیار کم ، کمی بالا ، کمی کم ، ممکن. و مقدار معنایی کمی می تواند باشد: μ H I G H = 0. 65. μ l o w = 0. 35. μ v e r y l o w = 0. 12. μ v e r y h i g h = 0. 85. مقادیر نظرات متخصصان مربوط به مقدار عملکرد هدف در جدول 1 نشان داده شده است. درجه نسبی اهمیت عملکرد هدف (از نظر معنایی با استفاده از توصیف کننده های زبانی) مربوط به عمل مورد نیاز در جدول 2 نشان داده شده است.