Synthesis of a mobile robot spatial stabilization system based on machine learning control by symbolic regression

封面

如何引用文章

全文:

详细

The spatial stabilization system synthesis problem of the robot is considered. The historical overview of methods and approaches for solving the problem of control synthesis is given. It is shown that the control synthesis problem is the most important task in the field of control, for which there are no universal numerical methods for solving it. As one of the ways to solve this problem, it is proposed to use the method of machine learning based on the application of modern symbolic regression methods. This allows you to build universal algorithms for solving control synthesis problems. Several most promising symbolic regression methods are considered for application in control tasks. The formal statement of the control synthesis problem for its numerical solution is given. Examples of solving problems of synthesis of system of spatial stabilization of mobile robot by method of network operator and variation Cartesian genetic programming are given. The problem required finding one nonlinear feedback function to move the robot from thirty initial conditions to one terminal point. Mathematical records of the obtained control functions are given. Results of simulation of control systems obtained by symbolic regression methods are given.

作者简介

Askhat Diveev

Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences

编辑信件的主要联系方式.
Email: aidiveev@mail.ru
SPIN 代码: 5726-6572

Chief Researcher, Doctor of Technical Sciences, Professor

44/2 Vavilova St, Moscow, 119333, Russian Federation

Neder Mendez Florez

Peoples’ Friendship University of Russia (RUDN University)

Email: nederjair@gmail.com

Graduate Student at the Department of Mechanics and Mechatronics, Engineering Academy

6 Miklukho-Maklaya St, Moscow, 117198, Russian Federation

参考

  1. Bellman R, Glickberg I, Gross O. Some Aspects of the Mathematical Theory of Control Processes. Rand Corporation. Santa Monica, California; 1958.
  2. Bellman R, Kalaba R. Dynamic Programming and Modern Control Theory. New York London Academic Press; 1966.
  3. Bellman RE, Dreyfus SE. Applied Dynamic Programming. Princeton, New Jersey: Princeton University Press; 1962.
  4. Letov AM. Analytical design of controllers. I. Automatica I Telechanika, 1960;21(4):436—441. (In Russ.)
  5. Pontryagin LS, Boltyanskii VG, Gamkrelidze RV, Mishchenko EF. The Mathematical Theory of Optimal Processess. Ed. 4. Moscow: Nauka Press; 1983. (In Russ.)
  6. Boltyanskii VG. Mathematical Methods of Optimal Control. Holt, Rinehart & Winston in New York; 1971.
  7. Khalil HK. Nonlinear Systems. New York: Prentice Hall; 2002.
  8. Kolesnikov AA. ADAR Method and theory of adaptive control in the tasks of synthesis of the nonlinear control systems. Mechatronics, Automation, Control. 2017;18(9):579—589. doi: 10.17587/mau.18.579-589
  9. Koza JR. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, Massachusetts, London, MA: MIT Press; 1992.
  10. Diveev AI, Sofronova EA. Numerical method of network operator for multiobjective synthesis of optimal control system. In: 2009 IEEE International Conference on Control and Automation, ICCA 2009. Christchurch; 2009. р. 701–708. doi: 10.1109/ICCA.2009.5410619
  11. Diveev A. A Numerical Method for Network Operator for Synthesis of a Control System with Uncertain Initial Values. Journal of Computer and Systems Sciences International. 2012;51(2):228—243.
  12. Diveev A. Chislennye metody resheniya zadachi sinteza upravleniya [A Numerical Methods for solution of Control Synthesis Problem]. Moscow: Peoples’ Friendship University of Russia Press; 2019. (In Russ.)
  13. Duriez T, Brunton SL, Noak BR. Machine Learning Control—Taming Nonlinear Dynamics and Turbulence. Part of the Fluid Mechanics and Its Applications book series (FMIA, vol. 116). Springer Publ.; 2017. doi: 10.1007/97-3-319-40624-4
  14. Diveev AI. Metod setevogo operatora [The Network Operator Method]. Moscow: Dorodnitsyn Computing Center Press; 2010. (In Russ.)
  15. Miller J, Thomas P. Cartesian Genetic Programming. In: Poly R et al. (eds.). Proceedings EuroGP’ 200R. 3-rd European Conference genetic Programming (vol. 1802). Edinburgh, Scotland, Berlin: Springer-Verlag; 2000. р. 121—132. doi: 10.1007/978-3-540-46239-2_9
  16. Diveev A. Small Variations of Basic Solution Method for Non-numerical Optimization. IfacPapers-OnLine, 2015;48(25):28—33. doi: 10.1016/j.ifacol.2015.11.054

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».