Все выпуски

В работе представлены результаты, подтверждающие возможность управления движением кинка модифицированного уравнения синус-Гордона внешним воздействием с изменяющимися параметрами. Рассмотрены три типа внешних воздействий: постоянное, периодическое с постоянной частотой и периодическое частотно-модулированное. С использованием метода Мак-Лафлина–Скотта получены зависимости координаты и скорости кинка от времени при разных значениях параметров внешнего воздействия. Показано, что изменяя параметры, можно регулировать скорость и направление движения кинка.

Данная статья посвящена изучению самопродвижения тел в жидкости за счет действия внутренних механизмов, без изменения внешней формы тела. В работе представлен обзор теоретических работ, обосновывающих возможностьда нного перемещения в идеальной и вязкой жидкостях.

Рассмотрен частный случай самопродвижения твердого тела по поверхности жидкости за счет движения двух внутренних масс по окружностям. В работе представлена математическая модельдвиж ения твердого тела с подвижными внутренними массами в трехмерной постановке. Данная модельу читывает трехмерные колебания тела при движении, возникающие под действием внешних сил — силы тяжести, силы Архимеда и сил, действующих на тело со стороны вязкой жидкости.

В качестве тела рассмотрен однородный эллиптический цилиндр с килем, расположенным вдоль большей диагонали. Внутри цилиндра расположены две материальные точечные массы, перемещающиеся по окружностям. Центры окружностей лежат на наименьшей диагонали эллипса на равном удалении от центра масс.

Уравнения движения рассматриваемой системы (тело с двумя материальными точками, помещенное в жидкость) представлены в виде уравнений Кирхгофа с добавлением внешних сил и моментов, действующих на тело. Для описания сил сопротивления движению в жидкости выбрана феноменологическая модель вязкого трения, квадратичная по скорости. Коэффициенты сопротивления движению, используемые в модели, определялись экспериментально. Силы, действующие на киль, определялись с помощью численного моделирования колебаний киля в вязкой жидкости с использованием уравнений Навье–Стокса.

В данной работе была проведена экспериментальная проверка предложенной математической модели. Представлено несколько серий экспериментов по самопродвижению тела в жидкости с помощью вращения внутренних масс с разными скоростями вращения. Исследована зависимостьс редней скорости продвижения, размаха поперечных колебаний в зависимости от частоты вращения внутренних масс. Проведено сравнение полученных экспериментальных данных с результатами, полученными в рамках предложенной математической модели.

В данной работе рассматривается управляемое движение в идеальной жидкости винтового тела с тремя лопастями за счет вращения трех внутренних роторов. Ставится задача выбора управляющих воздействий, обеспечивающих движение тела вблизи заданной траектории. Для определения управлений, гарантирующих движение вблизи заданной кривой, предложены методы, основанные на применении гибридных генетических алгоритмов (генетические алгоритмы с вещественным кодированием с дополнительным обучением лидера популяции каким-либо градиентным методом) и искусственных нейронных сетей. Корректность работы предложенных численных методов оценивается с помощью полученных ранее дифференциальных уравнений, определяющих закон изменения управляющих воздействий для заданной траектории.

В подходе на основе гибридных генетических алгоритмов исходная задача минимизации интегрального функционала сводится к минимизации функции многих переменных. Заданный временной интервал разбивается на малые элементы, на каждом из которых управляющие воздействия аппроксимируются полиномами Лагранжа 2 и 3 порядков. Гибридные генетические алгоритмы при соответствующих настройках воспроизводят решение, близкое точному. Однако стоимость расчета 1 секунды физического процесса составляет порядка 300 секунд процессорного времени.

Для повышения быстродействия расчета управляющих воздействий предложен алгоритм на основе искусственных нейронных сетей. В качестве входного сигнала нейронная сеть принимает компоненты требуемого вектора перемещения. В качестве выходного сигнала возвращаются узловые значения полиномов Лагранжа, приближенно описывающих управляющие воздействия. Нейронная сеть обучается хорошо известным методом обратного распространения ошибки. Обучающая выборка генерируется с помощью подхода на основе гибридных генетических алгоритмов. Расчет 1 секунды физического процесса с помощью нейронной сети требует примерно 0.004 секунды процессорного времени. То есть на 6 порядков быстрее по сравнению в гибридным генетическим алгоритмом. Управление, рассчитанное с помощью искусственной нейронной сети, отличается от точного. Однако, несмотря на данное отличие, обеспечивает достаточно точное следование по заданной траектории.

Надежность автоматизированных систем управления (АСУ) и безопасность автономных автомобилей основываются на предположении, что если система компьютерного зрения, установленная на автомобиле, способна идентифицировать объекты в поле видимости и АСУ способна достоверно оценить намерение и предсказать поведение каждого из этих объектов, то автомобиль может спокойно управляться без водителя. Однако как быть с объектами, которые не видны?

В данной статье мы рассматриваем задачу из двух частей: (1) статической (о потенциальных слепых зонах) и (2) динамической реального времени (об идентификации объектов в слепых зонах и информировании участников дорожного движения о таких объектах). Эта задача рассматривается в контексте городских перекрестков.

Видоспецифическими поведенческими признаками дикого северного оленя Rangifer tarandus L. традиционно признаны сезонные миграции и стадный инстинкт. В период миграций эти животные вынуждены преодолевать водные преграды. Особенности поведения рассматриваются как результат процесса селекции, когда среди множества стратегий выбрана единственно эволюционно-стабильная, определяющая репродукцию и биологическую выживаемость дикого северного оленя как вида. Ввиду эскалации промышленного освоения Арктики в настоящее время естественные процессы в популяциях диких северных оленей таймырской популяции происходят на фоне увеличения влияния негативных факторов, поэтому естественно возникла необходимость выявления этологических особенностей этих животных. В настоящей работе представлены результаты применения классических методов теории оптимального управления и дифференциальных игр к исследованию миграционных этограмм диких северных оленей при преодолении водных преград, в том числе крупных рек. На основе этологических особенностей этих животных и форм поведения стадо представляется в качестве управляемой динамической системы. Также оно делится на два класса особей: вожак и остальное стадо, для которых строятся свои модели, описывающие траектории их движения. В основу моделей закладываются гипотезы, представляющие собой математическую формализацию некоторых схем поведения животных. Данный подход позволил найти траекторию важенки с использованием методов теории оптимального управления, а при построении траекторий остальных особей — применить принцип управления с поводырем. Апробация полученных результатов, которые могут быть использованы в формировании общей «платформы» для систематического построения моделей адаптивного поведения и в качестве задела для фундаментальных разработок моделей когнитивной эволюции, проводится численно на модельном примере, использующем данные наблюдений на реке Верхняя Таймыра.

В работе рассматривается вопрос математического моделирования робототехнических структур на основе напряженно-связных конструкций, известных в англоязычных источниках как tensegrity structures (тенсегрити-структуры). Определяющим свойством таких конструкций является то, что образующие их элементы работают только на сжатие или растяжение, что позволяет использовать материалы и конструктивные решения для выполнения этих элементов, минимизирующие вес структуры, сохраняя ее прочность.

Тенсегрити-структуры отличаются рядом свойств, важных для коллаборативной робототехники, задач разведывания и движения в недетерминированных средах: естественной податливостью, компактностью при транспортировке, малым весом при значительной удароустойчивости и жесткости. При этом открытыми остаются многие вопросы управления такими структурами, что в свою очередь связано со сложностью описания их динамики.

В работе предложен подход к описанию и составлению динамических уравнений для таких конструкций, основанный на описании динамики второго порядка декартовых координат элементов структуры (стержней), динамики первого порядка для угловых скоростей стержней и динамики первого порядка для кватернионов, используемых для описания ориентации стержней. Предложен подход к численному решению составленных динамических уравнений. Предложенные методы реализованы в виде свободно распространяемого математического пакета с открытым исходным кодом.

В работе продемонстрировано, как разработанный программный комплекс может использоваться для моделирования динамики и определения режимов работы тенсегрити-структур. Рассмотрен пример тенсегрити-структуры с тремя жесткими стержнями и девятью упругими элементами, работающими на растяжение (тросами), движущейся в невесомости. Показаны особенности динамики структуры в процессе достижения положения равновесия, определены области начальных значений параметров ориентации стержней, при которых структура работает в штатном режиме, и значения, при которых растяжение тросов превышает выбранное критическое значение или происходит провисание тросов. Полученные результаты могут непосредственно использоваться при анализе характера пассивных динамических движений роботов, основанных на трехзвенной тенсегрити-структуре, рассмотренный в работе; предложенные методы моделирования и разработанное программное обеспечение пригодны для моделирования значительного многообразия тенсегрити-роботов.

Статья посвящена созданию математического управления процессами вложения средств банка в его деятельность. Весь процесс построения оптимального управления можно разбить на две составляющие: первая, выявление функций, описывающих движение ликвидного капитала в банке, и вторая, использование полученных функций в схеме динамического программирования. Прежде эта задача была рассмотрена в статье «Оптимальное управление вложением средств банка как фактор экономической стабильности» в № 4 за 2012 год. В существующей статье рассмотрена модификация этого решения, в частности, вводится дополнительная функция реинвестирования ℜ(φ), где φ — это приток ликвидных средств от предшествующего шага.

Данная статья посвящена разработке алгоритма траекторного управления высокоманевренной транспортной четырехколесной роботехнической платформой, оснащенной mecanum-колесами, с целью организации ее движения за некоторым подвижным объектом. Представлен расчет кинематических соотношений данной платформы в фиксированной системе координат, необходимый для определения угловых скоростей колес робота в зависимости от заданного вектора скорости. Разработан алгоритм движения робота за мобильным объектом на плоскости без препятствий на основе использования модифицированного метода погони с использованием разных видов управляющих функций. Метод погони заключается в том, что вектор скорости геометрического центра платформы сонаправлен с вектором, соединяющим геометрический центр платформы и движущийся объект. Реализовано два вида управляющих функций: кусочная и постоянная. Под кусочной функцией имеется в виду управление с режимами переключения в зависимости от расстояния от робота до цели. Главной особенностью кусочной функции является плавное изменение скорости робота. Также управляющие функции разделяются по характеру поведения при приближении робота к цели. При применении одной из кусочных функций движение робота замедляется при достижении определенного расстояние между роботом и целью и полностью останавливается при критичном расстоянии. Другой вид поведения при приближении к цели заключается в изменении направления вектора скорости на противоположный, если расстояние между платформой и объектом будет минимально допустимым, что позволяет избегать столкновения при движении цели в направления робота. Данный вид поведения при приближении к цели реализован для кусочной и постоянной функции. Выполнено численное моделирование алгоритма управления роботом для различных управляющих функций в задаче преследования цели, где цель движется по окружности. Представлен псевдокод алгоритма управления и управляющих функций. Показаны графики траектории робота при движении за целью, изменения скорости, изменения угловых скоростей колес от времени для различных управляющих функций.

Рассмотрена задача оптимального управления транспортным потоком в сети городских дорог. Управление осуществляется изменением длительностей рабочих фаз светофоров на регулируемых перекрестках. Приведено описание разработанной системы управления. В системе управления предусмотрено использование трех видов управлений: программного, с обратной связью и ручного. При управлении с обратной связью для определения количественных характеристик транспортного потока используются детекторы дорожной инфраструктуры, видеокамеры, индуктивные петлевые и радиолокационные датчики. Обработка сигналов с детекторов позволяет определить состояние транспортного потока в каждый текущий момент времени. Для определения моментов переключения рабочих фаз светофоров количественные характеристики транспортных потоков поступают в математическую модель транспортного потока, реализованную в вычислительной среде системы автоматического управления транспортными потоками. Модель представляет собой систему конечно-разностных рекуррентных уравнений и описывает изменение транспортного потока на каждом участке дороги в каждый такт времени на основе рассчитанных данных по характеристикам транспортного потока в сети, пропускным способностям маневров и распределению потока на перекрестках с альтернативными направлениями движения. Модель обладает свойствами масштабирования и агрегирования. Структура модели зависит от структуры графа управляемой сети дорог, а количество узлов в графе равно количеству рассматриваемых участков дорог сети. Моделирование изменений транспортного потока в режиме реального времени позволяет оптимально определять длительности рабочих фаз светофоров и обеспечивать управление транспортным потоком с обратной связью по его текущему состоянию. В работе рассмотрена система автоматического сбора и обработки данных, поступающих в модель. Для моделирования состояний транспортного потока в сети и решения задачи оптимального управления транспортным потоком разработан программный комплекс CTraf, краткое описание которого представлено в работе. Приведен пример решения задачи оптимального управления транспортным потокам в сети дорог города Москва на основе реальных данных.

В работе представлен метод адаптивного управления сигналами светофоров, инвариантный к конфигурации светофорного объекта. Предложенный метод использует одну модель нейронной сети для управления светофорами различных конфигураций, отличающихся как по числу контролируемых полос движения, так и по используемому набору фаз. Для описания пространства состояний используется как динамическая информация о состоянии транспортного потока, так и статические данные о конфигурации контролируемого перекрестка. Для повышения скорости обучения модели предлагается использовать эксперта, предоставляющего дополнительные данные для обучения модели. В качестве эксперта используется метод адаптивного управления, основанный на максимизации взвешенного потока транспортных средств через перекресток. Экспериментальные исследования разработанного метода, проведенные в системе микроскопического моделирования движения транспортных средств, подтвердили его работоспособность и эффективность. Была показана возможность применения разработанного метода в сценарии моделирования, не используемом в процессе обучения. Представлено сравнение предложенного метода с другими известными решениями задачи управления светофорным объектом, в том числе с методом, используемым в качестве эксперта. В большинстве сценариев разработанный метод показал лучший результат по критериям среднего времени движения и среднего времени ожидания. Преимущество над методом, используемым в качестве эксперта, в зависимости от исследуемого сценария составило от 2% до 12% по критерию среднего времени ожидания транспортных средств и от 1% до 7% по критерию среднего времени движения.