Identification of Neural Network Model of Robot to Solve the Optimal Control Problem

Capa

Citar

Texto integral

Resumo

To calculate the optimal control, a satisfactory mathematical model of the control object is required. Further, when implementing the calculated controls on a real object, the same model can be used in robot navigation to predict its position and correct sensor data, therefore, it is important that the model adequately reflects the dynamics of the object. Model derivation is often time-consuming and sometimes even impossible using traditional methods. In view of the increasing diversity and extremely complex nature of control objects, including the variety of modern robotic systems, the identification problem is becoming increasingly important, which allows you to build a mathematical model of the control object, having input and output data about the system. The identification of a nonlinear system is of particular interest, since most real systems have nonlinear dynamics. And if earlier the identification of the system model consisted in the selection of the optimal parameters for the selected structure, then the emergence of modern machine learning methods opens up broader prospects and allows you to automate the identification process itself. In this paper, a wheeled robot with a differential drive in the Gazebo simulation environment, which is currently the most popular software package for the development and simulation of robotic systems, is considered as a control object. The mathematical model of the robot is unknown in advance. The main problem is that the existing mathematical models do not correspond to the real dynamics of the robot in the simulator. The paper considers the solution to the problem of identifying a mathematical model of a control object using machine learning technique of the neural networks. A new mixed approach is proposed. It is based on the use of well-known simple models of the object and identification of unaccounted dynamic properties of the object using a neural network based on a training sample. To generate training data, a software package was written that automates the collection process using two ROS nodes. To train the neural network, the PyTorch framework was used and an open source software package was created. Further, the identified object model is used to calculate the optimal control. The results of the computational experiment demonstrate the adequacy and performance of the resulting model. The presented approach based on a combination of a well-known mathematical model and an additional identified neural network model allows using the advantages of the accumulated physical apparatus and increasing its efficiency and accuracy through the use of modern machine learning tools.

Sobre autores

E. Shmalko

FRC CSC RAS

Email: e.shmalko@gmail.com
Vavilova 44/2

Yu. Rumyantsev

FRC CSC RAS

Email: urock@fastsense.tech
Vavilova 14/2

R. Baynazarov

Fast Sense Studio

Email: ruslan@dtlabs.tech
Yamskogo field 3-rd Str. 2/8

K. Yamshanov

Novosibirsk State Technical University (NSTU)

Email: kostya.yam@dtlabs.tech
K.Marx Str. 20

Bibliografia

  1. Зенкевич С.Л., Назарова А.В. Система управления мобильного колесного робота // Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2006. No 3, с.31-51.
  2. Gazebo simulation environment tutorial: https://www.gazebosim.org/tutorials?tut=ros_overview
  3. Ljung L. System Identification: Theory for the User (second ed.). - Upper Saddle River,New Jersey: Prentice-Hall, 1999.
  4. Dastangoo P., Ramirez-Serrano A. Non-linear Parameter Identification for HumanoidRobot Components // The 7th International Conference of Control, Dynamic Systems,and Robotics. 2020. 10.11159/cdsr20.148.
  5. Алексеев А.А., Кораблев Ю.А., Шестопалов М.Ю. Идентификация и диагностика систем: учеб. для студ. высш. учеб. заведений – М.: Издательский центр «Академия»,2009.
  6. Cox P., Toth R. Linear parameter-varying subspace identification: A unified framework // Automatica. 2021. 123. 109296. 10.1016/j.automatica.2020.109296.
  7. Sj ̈oberg J., Zhang Q., Ljung L., Benveniste A., Delyon B., Glorennec P., Hjalmarsson H.,Juditsky A. Nonlinear black-box modeling in system identification: a unified overview // Automatica, 1995, 31(12), 1691–1724.
  8. Nelles O. Classical Polynomial Approaches. // In: Nonlinear System Identification. Springer, Berlin, Heidelberg, 2001.
  9. Fakhrizadeh Esfahani A., Dreesen P., Tiels K., No ̈el J.-P., Schoukens J. Parameterreduction in nonlinear state-space identification of hysteresis. // Mechanical Systems andSignal Processing, 2017. 104. 10.1016/j.ymssp.2017.10.017.
  10. Liu G. P. Nonlinear identification and control: a neural network approach. – SpringerScience & Business Media, 2012.
  11. Werbos P. J. (n.d.). Neural networks for control and system identification. // Proceedingsof the 28th IEEE Conference on Decision and Control, 1989. doi: 10.1109/cdc.1989.70114
  12. Fu Z. J. et al. Nonlinear systems identification and control via dynamic multitime scalesneural networks // IEEE Transactions on neural networks and learning systems. 2013,V.24, No.11. p. 1814-1823.
  13. Dang T.P., Diveev A.I., Kazaryan D.E., Sofronova E.A. Identification Control SynthesisBy The Network Operator Method. // Proceedings 2015 IEEE 10th Conference onIndustrial Electronics and Applications (ICIEA), June, 2015. pp. 1559–1564.
  14. Дивеев А.И., Софронова Е.А., Шмалько Е.Ю. Метод идентификационного синтеза управления и его применение к мобильному роботу // Информационные и математические технологии в науке и управлении. 2016. No 2. С. 53-61.
  15. Gautam P. System identification of nonlinear Inverted Pendulum using artificial neuralnetwork // 2016 International Conference on Recent Advances and Innovations inEngineering (ICRAIE), 2016. 1-5. 10.1109/ICRAIE.2016.7939522.
  16. Zheng D.D., Xie W. F., Luo C. Robust identification for singularly perturbed nonlinearsystems using multi-time-scale dynamic neural network // 2017 IEEE 56th AnnualConference on Decision and Control (CDC). 2017, p. 6487-6492.
  17. Mohajerin N., Waslander S. L. Multistep prediction of dynamic systems with recurrentneural networks // IEEE transactions on neural networks and learning systems, 2019, V.30, No.11, p. 3370-3383.
  18. Khodabandehlou H., Fadali M. S. Nonlinear System Identification using Neural Networksand Trajectory-Based Optimization // arXiv preprint arXiv:1804.10346. – 2018.
  19. Williams G. et al. Aggressive driving with model predictive path integral control // 2016IEEE International Conference on Robotics and Automation (ICRA), 2016, p. 1433-1440.
  20. Williams G. et al. Autonomous racing with autorally vehicles and differential games //arXiv preprint arXiv:1707.04540. – 2017.
  21. Samal, M. K., Anavatti, S., Garratt, M. Neural Network Based System Identificationfor Autonomous Flight of an Eagle Helicopter. // IFAC Proceedings Volumes, 41(2),7421–7426, 2008. doi: 10.3182/20080706-5-kr-1001.01254
  22. Yu Wang. A new concept using LSTM Neural Networks for dynamic system identification.// American Control Conference (ACC), 2017. doi: 10.23919/acc.2017.7963782
  23. Brunton S.L., Proctor J.L., Kutz J.N. Discovering governing equations from data: Sparseidentification of nonlinear dynamical systems, 2015. doi: 10.1073/pnas.1517384113
  24. Kaiser E., Kutz J. N., Brunton S. L. Sparse identification of nonlinear dynamics formodel predictive control in the low-data limit // Proceedings of the Royal Society A. 2018,V.474, No. 2219. p. 20180335.
  25. Jian’an X., Mingjun Z., Jian Z. Kinematic model identification of autonomous mobilerobot using dynamical recurrent neural networks // IEEE International ConferenceMechatronics and Automation, 2005. V.3, p. 1447-1450.
  26. Roy T., Barai R.K. and Dey R. Identification of Differentially Driven Wheeled MobileRobot using Neural Networks // International Journal of Electrical, Electronics andComputer Engineering 2(2): 38-45 (2013).
  27. Lavrenov R., Magid E., Matsuno F., Svinin M., Suthakorn J. Development andImplementation of Spline-based Path Planning Algorithm in ROS/Gazebo Environment // SPIIRAS Proceedings, 2019. 18. 57-84. 10.15622/sp.18.1.57-84.
  28. Zhang B., Liu P. Control and benchmarking of a 7-DOF robotic arm using Gazebo andROS // PeerJ Computer Science. 2021. 7. 10.7717/peerj-cs.383.
  29. https://github.com/husarion/rosbot_description
  30. ˇSuster P. , Jadlovsk ́a A. Tracking Trajectory of the Mobile Robot Khepera II UsingApproaches of Artificial Intelligence // Acta Electrotechnica et Informatica, 2011, V. 11.doi: 10.2478/v10198-011-0006-y
  31. Программный пакет для сбора данных для обучения сети в симуляторе Gazebo https://github.com/urock/rosbot
  32. Программный пакет для обучения нейросетевой модели https://github.com/FastSense/robot_model_training
  33. Kennedy J., Eberhart R. Particle swarm optimization // Proceedings of ICNN’95-international conference on neural networks, IEEE, 1995, V.4, p. 1942-1948.
  34. Diveev A., Shmalko E. Evolutionary Computation for Synthesis of Control System forGroup of Robots and Optimum Choice of Trajectories for their Movement // In: Yu. G.Evtushenko, M. Yu. Khachay, O. V. Khamisov, Yu. A. Kochetov, V.U. Malkova, M.A.Posypkin (eds.): Proceedings of the OPTIMA-2017 Conference, Petrovac, Montenegro, 02 Oct 2017, pp. 158-165.
  35. Дивеев А.И., Константинов С.В. Исследование практической сходимости эволюционных алгоритмов оптимального программного управления колесным роботом //Известия РАН. Теория и системы управления, 2018, No 4, том 57, С. 80-106.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

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».