Formulation of a lightweight hybrid AI algorithm towards self-learning autonomous systems

Yusof, Y.; Mansor, H. M. Asri H.; Ahmad, Adizul

doi:10.1109/spc.2016.7920719

Cited by 9 publications

(4 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Аналіз робіт [12,13] показує, що для реалізації системи управління групою мобільних роботів, яка враховує динаміку змін у оточуючому середовищі, використовуються нейронні мережі. У роботах [14,15] автори пропонують методи навчання з підсиленням для таких нейронних мереж.…”

Section: =Bdeg/introductionunclassified

Basic structure of the neurofuzzy control system for a group of mobile robotic platforms

Tsmots,

Opotyak,

Shtohrinets

et al. 2023

UJIT

View full text Add to dashboard Cite

It is shown that the following approaches can be used for group management of mobile robotic platforms (MRP): centralized (concentrated), decentralized (distributed) and hybrid. It was determined that an urgent task is the development of a neurofuzzy management system for the MRP group, which must perform the distribution of tasks between the MRPs, the determination of MRP movement routes, joint planning of works and their synchronization. The requirements for the system of neurofuzzy management of the MRP group are formulated, the main of which are the provision of: effective management of the MRP group; minimization of time for tasks; flexibility and adaptability to changing working conditions; reliable and stable operation when implementing various scenarios; expansion of functions and scaling relative to the number of MRPs; accuracy and reliability of traffic management of each MRP; response to changes in working conditions; uninterrupted work of the MRP group; effective use of MRP resources; reduction of dimensions, weight and energy consumption; management in real time; collecting data on the environment and the state of the MRP; wireless communication between MRP; development of software tools taking into account the distributed architecture; implementation of a programming interface with the possibility of developing additional software and integration with other systems; saving data on the status of all MRPs for further analysis and improving the management of the MRP group. The following main stages of the development of the neurofuzzy control system by the MRP group were identified: problem formulation; analysis of system requirements; hardware design; development of a neurofuzzy control algorithm; software development; testing and tuning; implementation and operation. It is suggested that the development of the system of neurofuzzy control of the MRP group be carried out on the basis of an integrated approach, which includes: methods of neurofuzzy control of the MRP group, artificial neural networks and fuzzy logic; navigation methods, methods of pre-processing and image recognition; methods of intellectual processing and evaluation of data from sensors in conditions of interference and incomplete information; modern methods and algorithms of intelligent traffic control of MRP; modern element base (microcontrollers, systems-on-chip, FPGA, etc.); methods and means of automated design of hardware and software of MRP. It is proposed to implement the neurofuzzy control system by the MRP group on the basis of a problem-oriented approach, which involves a combination of universal software and specialized hardware, which ensures high efficiency of equipment use. The method of time allocation of resources of the storage medium of multiport memory has been improved, which, due to the consideration of the speed of the storage medium and external devices, ensures an increase in the number of devices with conflict-free access to the storage medium.

show abstract

Section: =Bdeg/introductionunclassified

Basic structure of the neurofuzzy control system for a group of mobile robotic platforms

Tsmots,

Opotyak,

Shtohrinets

et al. 2023

UJIT

View full text Add to dashboard Cite

show abstract

“…Obstacle avoidance for mobile robots has not been an exception. Authors in [11] developed a hybrid AI algorithm combining Q-learning and Autowisard that will permit an autonomous mobile robot to self-learn. Using five layers Neuro-fuzzy architecture to learn the environment and the navigation map of a place, the mobile robot was routed based wholly on the sensor input (3D vision) by [12].…”

Section: Introductionmentioning

confidence: 99%

Reactive Obstacle–Avoidance Systems for Wheeled Mobile Robots Based on Artificial Intelligence

et al. 2021

View full text Add to dashboard Cite

Obstacle–Avoidance robots have become an essential field of study in recent years. This paper analyzes two cases that extend reactive systems focused on obstacle detection and its avoidance. The scenarios explored get data from their environments through sensors and generate information for the models based on artificial intelligence to obtain a reactive decision. The main contribution is focused on the discussion of aspects that allow for comparing both approaches, such as the heuristic approach implemented, requirements, restrictions, response time, and performance. The first case presents a mobile robot that applies a fuzzy inference system (FIS) to achieve soft turning basing its decision on depth image information. The second case introduces a mobile robot based on a multilayer perceptron (MLP) architecture, which is a class of feedforward artificial neural network (ANN), and ultrasonic sensors to decide how to move in an uncontrolled environment. The analysis of both options offers perspectives to choose between reactive Obstacle–Avoidance systems based on ultrasonic or Kinect sensors, models that infer optimal decisions applying fuzzy logic or artificial neural networks, with key elements and methods to design mobile robots with wheels. Therefore, we show how AI or Fuzzy Logic techniques allow us to design mobile robots that learn from their “experience” by making them safe and adjustable for new tasks, unlike traditional robots that use large programs to perform a specific task.

show abstract

“…З аналізу літератури [3,7,16,17,18] випливає, що основними шляхами вирішення невизначеності зовнішнього середовища, в якому рухається мобільна робототехнічна платформа, є набір інтелектуальних давачів (інфрачервоні, ультразвукові, лазерні) та засобів опрацювання вхідних даних на підставі штучних нейронних мереж.…”

Section: вступ / Introductionunclassified

Розроблення Автономної Системи Керування Мобільною Робототехнічною Системою З Використанням Моделей На Підставі Штучних Нейромереж

Stasenko¹,

Островка²,

Teslyuk³

2021

SBUNFU

View full text Add to dashboard Cite

Проаналізовано основні літературні джерела щодо розроблення автономних систем керування на базі штучного інтелекту (ШІ). Після літературного огляду сформовано вимоги до розроблюваної мобільної робототехнічної системи з автономним керуванням та спроєктовано її структуру. Розроблено середовище для навчання штучних нейромереж на підставі платформи Unity, з використанням об'єктно-орієнтовної мови розроблення – C#. Розроблено програмний інтерфейс для роботи зі штучною нейромережею. Обрано для розроблення мобільної робототехнічної системи з автономним керуванням такі принципи: ієрархічності та побудови інтелектуальної системи керування; модульності; змінного складу обладнання; зменшення габаритів, електроспоживання та вартості; автономного пересування в невідомому середовищі. Після аналізу методів та апаратно-програмних засобів функціонування спроектовано та розроблено роботизовану систему на підставі контролера Raspberry PI 2B. Розроблено програмну та апаратну систему збирання даних з використанням інфрачервоних давачів відстані. Розроблено програмні засоби для автономного керування мобільною системою. Для ефективності тренування моделі створено симульоване середовище з різними типами перешкод. Результатом цих досліджень є автономна мобільна робототехнічна система, що використовує розроблену штучну нейронну мережу прийняття рішень для руху в невідомій місцевості. Розроблена модель ШІ та система успішно пройшли тестування на симуляторі та в реальному середовищі. Розроблені системи придатні до покращень та можуть бути використані в інтересах промисловості чи малого бізнесу, а також здатні до адаптації відповідно до вимог користувачів (замовників).

show abstract

Formulation of a lightweight hybrid AI algorithm towards self-learning autonomous systems

Cited by 9 publications

References 8 publications

Basic structure of the neurofuzzy control system for a group of mobile robotic platforms

Basic structure of the neurofuzzy control system for a group of mobile robotic platforms

Reactive Obstacle–Avoidance Systems for Wheeled Mobile Robots Based on Artificial Intelligence

Розроблення Автономної Системи Керування Мобільною Робототехнічною Системою З Використанням Моделей На Підставі Штучних Нейромереж

Contact Info

Product

Resources

About