Глава 6. Робототехника и автоматное программирование

6.1. Автоматное программирование (Шалыто)

На 7-м семинаре А.А. Шалыто выступил с докладом «Автоматное программирование».

Автоматное программирование — подход к разработке программных систем со сложным поведением, основанный на модели автоматизированного объекта управления (расширении конечного автомата), в качестве которого может выступать как произвольный физический объект, так и математическая функция.

Рассматриваются достоинства автоматного программирования как вручную, так и при генерации автоматов методами генетического программирования. Приводятся примеры использования данного подхода во встраиваемых системах.

Источник: Шалыто А.А., 7-й семинар (article_0050.md).

6.2. Формальная модель конечного автомата

Конечный автомат формально определяется как кортеж M = (Q, Σ, δ, q₀, F), где:

• Q — конечное множество состояний;
• Σ — конечное множество входных символов (алфавит);
• δ — функция перехода: δ: Q × Σ → Q;
• q₀ — начальное состояние (q₀ ∈ Q);
• F — множество конечных (принимающих) состояний (F ⊆ Q).

Применение автоматного программирования позволяет разрабатывать системы со сложным поведением без необходимости явной настройки большого числа параметров — структура поведения вытекает из топологии автомата.

6.3. Координация группы роботов с подкреплением (Ерусалимчик, Каминка)

Дан Ерусалимчик и Галь Каминка (университет Бар-Илан, Израиль) разработали подход обучения с подкреплением для выбора алгоритма координации группы автономных роботов. Работа выполнялась в рамках магистерской диссертации и публиковалась на конференциях IAS-10, AAMAS-09, ALA-09 и ICRA-10.

Подход не только демонстрирует хорошие результаты экспериментов, но и аналитически обоснован.

Индекс Эффективности (EI)

Функция награды (Индекс Эффективности, EI) помогает:

• сократить время и ресурсы, расходуемые на координацию;
• максимизировать время между конфликтами, которые требуют координации.

Эта награда вычисляется через оценку скорости, с которой методы координации тратят ресурсы.

Экспериментальная проверка

• Обучение с подкреплением без состояний — подходит для динамичных сред.
• Реальные роботы AIBO и виртуальная среда симуляции роботов — задача фуражирования.
• Дискретный симулятор — лабиринт с узкими коридорами, перемещение от одной цели к другой.
• Виртуальные агенты в среде коммерческого симулятора высокой реалистичности VR-Forces.

Источник: Ерусалимчик Д., Каминка Г., «Обучение координации с подкреплением группы роботов» (article_0055.md).

6.4. Автоматное управление мобильными роботами

На 8-м семинаре рассматривалось применение автоматного программирования для построения систем управления мобильными роботами. Содержание доклада:

1. Применение автоматного программирования для построения систем управления мобильными роботами.
2. Система управления малоразмерным беспилотным вертолётом.
3. Разработка стенда для проверки алгоритмов автоматного управления мобильными роботами.
4. Применение генетических алгоритмов для синтеза систем управления мобильными роботами.

Источник: 8-й семинар (article_0059.md).

6.5. Вывод главы

Источник: статьи Шалыто (article_0050.md), Ерусалимчика и Каминки (article_0055.md), 8-й семинар (article_0059.md).