Science and Transport Progress
Published April 25, 2017 | Version v1
Journal article Open

СЦЕНАРНО-ПРЕЦЕДЕНТНЫЙ ПОДХОД К УПРАВЛЕНИЮ ГЕТЕРОГЕННЫМ АНСАМБЛЕМ ДИНАМИЧЕСКИХ ОБЪЕКТОВ

Authors/Creators

  • 1. Херсонский национальный технический университет, Украина
  • 2. Морской институт последипломного образования имени контр-адмирала Ф. Ф. Ушакова, Украина

Description

Цель. Статья посвящена разработке метода интеллектуального координационного управления сложным гетерогенным ансамблем динамических объектов. Методика. Решение поставленной задачи основано на использовании сценарно-прецедентного подхода, представляющего активность динамических объектов в виде шаблонов, адаптируемых к изменяемым условиям внешней среды с помощью сценариев. Для адаптации сценариев используется алгоритм удовлетворения критически важных временных ограничений. Предложенный метод позволяет адекватно отражать накопленный опыт и знания по групповому управлению динамическими объектами, основываясь на использовании стереотипов подобных решений по управлению объектами в схожих ситуациях. Рассмотрены основные элементы решений прецедентов: управляющие воздействия, операции управления, сценарии, планы. Результаты. Реализована гибридная система управления, нижний уровень которой выполнен на основе гибридной системы БРИЗ и сочетает подсистему, основанную на прецедентах, с подсистемой, реализующей модель движения и являющейся ведущей, в то время как прецедентная подсистема является ведомой. Верхний и средний уровни системы управления выполнены в виде гибридной событийно-ориентированной системы МУССОН, включающей в себя сценарно-прецедентную подсистему, хранилище прецедентов и подсистему вычисления пространственных областей, основанную на модели. Сценарии и триггеры для каждого класса событий описаны с помощью языка описания сценариев SCDL. Научная новизна. Впервые предложена трехуровневая система координационного управления ансамблем динамических объектов, основанная на сценарно-прецедентном подходе, при этом на нижнем уровне реализуется управление отдельным динамическим объектом, на среднем уровне реализуется координация совместно движущихся объектов, а на верхнем уровне обеспечивается управление ходом выполнения миссии для ансамбля динамических объектов в целом. Практическая значимость. Предложенный подход не чувствителен к неточности и неполноте наблюдений, он позволяет снизить информационную нагрузку при анализе текущей ситуации, сократить затраты времени на принятие решений, повысив тем самым эффективность координации ансамбля динамических объектов в процессе выполнения миссии. Важным условием реализации сценарно-прецедентного метода управления является обеспечение достаточной компетенции, что позволит своевременно находить уместный прецедент и выбирать адекватное множество сценариев управления, а также синхронизация баз прецедентов каждого из динамических объектов по времени и содержанию.

Files

100087-Текст статті-216489-1-10-20170525.pdf

Files (948.6 kB)

Additional details

Related works

Is identical to
Journal article: http://stp.diit.edu.ua/article/view/100087 (URL)

References

  • Sherstyuk, V. G. (2015). Case inference model in the «Monsoon» intelligent system. Artificial Intelligence, 1-2, 103-111.
  • Ros, R., López De Màntaras R., Sierra C., & Arcos J. L. (2005). A CBR system for autonomous robot navigation. Proceedings of the 2005 Conf. on Artificial Intelligence Research and Development, 131, 299-306. Netherlands: IOS Press Amsterdam.
  • Ben-Asher, Y., Feldman S., Gurl P., & Feldman M. (2008). Distributed Decision and Control for Cooperative UAVs using Ad-Hoc Communication. IEEE Transactions on Control Systems Technology, 16(3), 511-516. doi: 10.1109/tcst.2007.906314
  • Jadbabaie, A., Lin, J., & Morse, A. (2003). Coordination of groups of mobile autonomous agents using nearest neighbor rules. IEEE Transactions on Automatic Control, 48(6), 988-1001.
  • Jaidee, U., Muñoz-Avila H., & Aha, D. W. (ICCBR 2013). Case-Based Goal-Driven Coordination of Multiple Learning Agents. Lecture Notes in Computer Science: Case-Based Reasoning Research and Development, 7969, 164-178. doi: 10.1007/978-3-642-39056-2_12
  • Lawton, J. R. T., Beard, R. W., & Young, B. J. (2003). A decentralized approach to formation maneuvers. IEEE Transactions on Robotics and Automation, 19(6), 933-941. doi: 10.1109/tra.2003.819598
  • Mataric, M. J. (1995). Designing and Understanding Adaptive Group Behaviors. Adaptive Behavior, 4(1), 51-80. doi: 10.1177/105971239500400104
  • Michael, N., & Kumar, V. (2011). Control of Ensembles of Aerial Robots. Proceedings of the IEEE, 99(9), 1587-1602. doi: 10.1109/jproc.2011.2157275
  • Patlasov, O. M., & Tokariev, S. O. (2015). The measurement methodology improvement of the horizontal irregularities in plan. Science and Transport Progress, 4(58), 121-129. doi 10.15802/STP2015/49219
  • Sherstjuk, V. G. (2015). Scenario-case coordinated control of heterogeneous ensembles of unmanned aerial vehicles. Proc. of International Conference IEEE Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD), October 13-15, 2015. 275-279. doi: 10.1109/apuavd.2015.7346620
  • Sherstjuk, V. (2013). The case-scenario approach to control the dynamic objects. Pressing issues and priorities in development of the scientific and technological complex, 17, 97-103. CA, USA: B&M Publishing.
  • Toner, J., & Yuhai, T. (1998). Flocks, herds, and schools: A quantitative theory of flocking. Physical Review E, 58(4), 4828-4858. doi: 10.1103/physreve.58.4828
  • Tošić, P. T., & Vilalta, R. (2010). A Unified Framework for Reinforcement Learning, Co-Learning and Meta-Learning: How to Coordinate in Collaborative Multi-Agent Systems. Procedia Computer Science, 1(1), 2217-2226. doi: 10.1016/j.procs.2010.04.248
  • Zharikova, M., & Sherstjuk, V. (2016). Threat Assessment Method for Intelligent Disaster Decision Support System. Advances in Intelligent Systems and Computing, 512, 81-99. doi: 10.1007/978-3-319-45991-2_6