Synthesis of a hybrid underlying surface classifier based on fuzzy logic using current consumption of mobile robot motion
| Источник: | Информационно-управляющие системы/ Санкт-Петербургский государственный университет аэрокосмического приборостроения.— .— Санкт-Петербург: ГУАП № 1.— 2024.— P. 31-43 |
|---|---|
| Главный автор: | |
| Автор-организация: | |
| Другие авторы: | , |
| Примечания: | Заглавие с экрана. One approach to solving navigation and control problems for outdoor mobile robots is to use real-time classification of the underlying surface type over which the robot is traveling. Knowledge of the underlying surface type allows one to use previously known surface characteristics to improve localization accuracy and control algorithms. Purpose: To research applicability of the energy cost of motion for solving the problem of classifying surfaces with different physical properties for a robot with complex kinematics. Results: The analysis of multi-component motion types has shown that the best distinguishing between surfaces is achieved by using the motor current values. A fuzzy classifier is synthesized on data that was grouped according to the criterion of the most impactful motor in a selected direction of motion. We then compare the classifier with machine learning methods. Machine learning algorithms outperform the fuzzy logic in terms of average accuracy, but fall behind in terms of generalization. We propose a fuzzy logic - machine learning hybrid in order to preserve the generalization of the fuzzy classifier and improve the accuracy of surface detection by considering more patterns using machine learning methods. The proposed method for analyzing and classifying data allows us to distinguish with high accuracy between surfaces differing in power consumption levels, including those that are formed due to different surface properties. Practical relevance: Results of the research can be employed in developing either a standalone surface classifier or a component of a complex classifier with varying input data types. Одним из подходов при решении задач навигации и управления мобильными роботами, работающими на открытом воздухе, является использование классификации типа подстилающих поверхностей, по которым перемещается робот в реальном времени. Знания о типе подстилающей поверхности позволяют использовать ранее известные характеристики поверхностей для улучшения точности локализации и алгоритмов управления. Цель: исследовать применимость данных об энергозатратах движения для решения задачи классификации поверхностей с различными физическими свойствами для робота со сложной кинематикой. Результаты: анализ многокомпонентных типов движения всенаправленного робота показал, что лучшая разделимость поверхностей достигается при использовании значений токов двигателей. При этом классификацию поверхностей целесообразнее осуществлять по значениям тока двигателя, наиболее влияющего на процесс движения. Нечеткий классификатор синтезирован на основе данных, сгруппированных по критерию наиболее влияющего на выбранное направление движения двигателя. Проведено сравнение нечеткого классификатора с методами машинного обучения. Предложен каскад нечеткая логика - машинное обучение с целью сохранить обобщающую способность нечеткого классификатора и улучшить точность определения поверхностей через учет большего количества закономерностей с помощью методов машинного обучения. Предложенная методика анализа данных и метод классификации позволяют с высокой точностью разделять поверхности, отличающиеся по энергозатратам, в том числе сформированным за счет разных параметров поверхности. Практическая значимость: результаты исследований могут быть использованы как для создания самостоятельного классификатора поверхностей, так и в рамках комплексного классификатора с использованием разных видов входной информации. Текстовый файл |
| Язык: | английский |
| Опубликовано: |
2024
|
| Предметы: | |
| Online-ссылка: | https://i-us.ru/index.php/ius/article/view/16206 https://www.elibrary.ru/item.asp?id=61946502 |
| Формат: | Электронный ресурс Статья |
| Запись в KOHA: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=676471 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 676471 | ||
| 005 | 20250731155047.0 | ||
| 090 | |a 676471 | ||
| 100 | |a 20241108d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a eng |c rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i |b e | |
| 182 | 0 | |a b | |
| 183 | 0 | |a cr |2 RDAcarrier | |
| 200 | 1 | |a Synthesis of a hybrid underlying surface classifier based on fuzzy logic using current consumption of mobile robot motion |d Синтез гибридного классификатора подстилающих поверхностей на основе нечеткой логики с использованием токовых энергозатрат движения мобильного робота |z rus |f A. S. Belyaeva, O. Yu. Kushnarev, O. A. Brylev | |
| 283 | |a online_resource |2 RDAcarrier | ||
| 300 | |a Заглавие с экрана. | ||
| 320 | |a References: 30 tit. | ||
| 330 | |a One approach to solving navigation and control problems for outdoor mobile robots is to use real-time classification of the underlying surface type over which the robot is traveling. Knowledge of the underlying surface type allows one to use previously known surface characteristics to improve localization accuracy and control algorithms. Purpose: To research applicability of the energy cost of motion for solving the problem of classifying surfaces with different physical properties for a robot with complex kinematics. Results: The analysis of multi-component motion types has shown that the best distinguishing between surfaces is achieved by using the motor current values. A fuzzy classifier is synthesized on data that was grouped according to the criterion of the most impactful motor in a selected direction of motion. We then compare the classifier with machine learning methods. Machine learning algorithms outperform the fuzzy logic in terms of average accuracy, but fall behind in terms of generalization. We propose a fuzzy logic - machine learning hybrid in order to preserve the generalization of the fuzzy classifier and improve the accuracy of surface detection by considering more patterns using machine learning methods. The proposed method for analyzing and classifying data allows us to distinguish with high accuracy between surfaces differing in power consumption levels, including those that are formed due to different surface properties. Practical relevance: Results of the research can be employed in developing either a standalone surface classifier or a component of a complex classifier with varying input data types. | ||
| 330 | |a Одним из подходов при решении задач навигации и управления мобильными роботами, работающими на открытом воздухе, является использование классификации типа подстилающих поверхностей, по которым перемещается робот в реальном времени. Знания о типе подстилающей поверхности позволяют использовать ранее известные характеристики поверхностей для улучшения точности локализации и алгоритмов управления. Цель: исследовать применимость данных об энергозатратах движения для решения задачи классификации поверхностей с различными физическими свойствами для робота со сложной кинематикой. Результаты: анализ многокомпонентных типов движения всенаправленного робота показал, что лучшая разделимость поверхностей достигается при использовании значений токов двигателей. При этом классификацию поверхностей целесообразнее осуществлять по значениям тока двигателя, наиболее влияющего на процесс движения. Нечеткий классификатор синтезирован на основе данных, сгруппированных по критерию наиболее влияющего на выбранное направление движения двигателя. Проведено сравнение нечеткого классификатора с методами машинного обучения. Предложен каскад нечеткая логика - машинное обучение с целью сохранить обобщающую способность нечеткого классификатора и улучшить точность определения поверхностей через учет большего количества закономерностей с помощью методов машинного обучения. Предложенная методика анализа данных и метод классификации позволяют с высокой точностью разделять поверхности, отличающиеся по энергозатратам, в том числе сформированным за счет разных параметров поверхности. Практическая значимость: результаты исследований могут быть использованы как для создания самостоятельного классификатора поверхностей, так и в рамках комплексного классификатора с использованием разных видов входной информации. | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |t Информационно-управляющие системы |f Санкт-Петербургский государственный университет аэрокосмического приборостроения |c Санкт-Петербург |n ГУАП | |
| 463 | 1 | |t № 1 |d 2024 |v P. 31-43 | |
| 610 | 1 | |a underlying surface classification | |
| 610 | 1 | |a hybrid methods | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a fuzzy logic | |
| 610 | 1 | |a decision trees | |
| 610 | 1 | |a gradient boosting | |
| 610 | 1 | |a mobile robotics | |
| 610 | 1 | |a motor consumption current analysis | |
| 610 | 1 | |a классификация подстилающих поверхностей | |
| 610 | 1 | |a гибридные методы | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a нечеткая логика | |
| 610 | 1 | |a деревья решений | |
| 610 | 1 | |a градиентный бустинг | |
| 610 | 1 | |a мобильная робототехника | |
| 610 | 1 | |a анализ токов потребления | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 700 | 1 | |a Belyaev |b A. S. |c Specialist in the field of informatics and computer technology |c Associate Professor of Tomsk Polytechnic University, Candidate of technical sciences |f 1994- |g Aleksandr Sergeevich |y Tomsk |9 20707 | |
| 701 | 1 | |a Kushnarev |b O. Yu. |g Oleg Yurjevich | |
| 701 | 1 | |a Brylev |b O. A. |c Specialist in the field of automatic control |c Engineer of Tomsk Polytechnic University |f 1999- |g Oleg Alexandrovich |9 22588 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |c (2009- ) |9 26305 |4 570 |
| 801 | 2 | |a RU |b 63413507 |c 20241108 |g RCR | |
| 856 | 4 | |u https://i-us.ru/index.php/ius/article/view/16206 |z https://i-us.ru/index.php/ius/article/view/16206 | |
| 856 | 4 | |u https://www.elibrary.ru/item.asp?id=61946502 |z https://www.elibrary.ru/item.asp?id=61946502 | |
| 942 | |c CR | ||