Split (1)

train · 48.5k rows

text stringlengths 0 4.32k
Классическая задача в компьютерном зрении, обработке изображений и машинном зрении это определение содержат ли видеоданные некоторый характерный объект, особенность или активность. Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае случайные объекты в случайных ситуациях.
Существующие методы решения этой задачи эффективны только для отдельных объектов, таких как простые геометрические объекты например, многогранники, человеческие лица, печатные или рукописные символы, автомобили и только в определённых условиях, обычно это определённое освещение, фон и положение объекта относительно камеры.
В литературе описано различное множество проблем распознавания
Существует несколько специализированных задач, основанных на распознавании, например
Несколько задач, связанных с оценкой движения, в которых последовательность изображений видеоданные обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены. Примерами таких задач являются
Даны два или больше изображения сцены, или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель сцены. В простейшем случае, моделью может быть набор точек трехмерного пространства. Более сложные методы воспроизводят полную трехмерную модель.
Задача восстановления изображений это удаление шума шум датчика, размытость движущегося объекта и т. д.. Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот. Более сложные методы используют представления того, как должны выглядеть те или иные участки изображения, и на основе этого их изменение.
Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.
Реализация систем компьютерного зрения сильно зависит от области их применения, аппаратной платформы и требований по производительности. Некоторые системы являются автономными и решают специфические проблемы детектирования и измерения, тогда как другие системы составляют подсистемы более крупных систем, которые уже могут содержать подсистемы контроля механических манипуляторов роботы, информационные базы данных поиск похожих изображений, интерфейсы человек-машина компьютерные игры и т. д. Однако, существуют функции, типичные для многих систем компьютерного зрения.
</s_text>

<s_text>
Эволюционное моделирование англ. Evolutionary computation использует признаки теории Дарвина для построения интеллектуальных систем методы группового учёта, генетические алгоритмы. Является частью более обширной области искусственного интеллекта вычислительного интеллекта.
Эволюционное моделирование это уже достаточно сложившаяся область, в которой можно выделить
Использование принципов дарвинизма для автоматизированного решения проблем началось в 1950-х. К 1960-му году три различные интерпретации этой идеи разрабатывались в трех разных местах.
Эволюционное программирование было введено Лоуренсом Дж. Фогелем в США, в то время как Джон Генри Холланд назвал свой метод генетическим алгоритмом. В Германии Инго Rechenberg и Ханс-Пол Schwefel представили подход эволюционной стратегии. Эти области разрабатывались отдельно в течение примерно 15 лет. С начала девяностых годов они были унифицированы как диалекты одной технологии, называемой эволюционные вычисления. Кроме того, в начале девяностых годов появился четвертый поток генетическое программирование. С 1990-х эволюционные вычисления во многом стали связаны с идеей роевого интеллекта и вдохновленные природой алгоритмы становятся все более значительной частью этого направления.
Таким образом, термины эволюционное программирование, эволюционные стратегии, генетические алгоритмы и генетическое программирование рассматриваются как частные случаи общего термина эволюционные вычисления или эволюционное моделирование.
Моделирование эволюции с использованием идей эволюционных алгоритмов и искусственной жизни началось с работы Нильса Aall Barricelli в 1960-х, и было продлено Алексом Фрейзером, который опубликовал ряд работ по моделированию искусственного отбора.1 Эволюционные алгоритмы стали общепризнанным методом оптимизации в результате работ Инго Rechenberg в 1960-х и начале 1970-х, который использовал их для решения сложных инженерных задач.2 Генетические алгоритмы стали особенно популярны благодаря работам Джона Холланда.3 Вместе с ростом академического интереса, резкое увеличение мощности компьютеров позволило практические применения, в том числе автоматическую эволюцию компьютерных программ.4 Эволюционные алгоритмы в настоящее время используются для решения многомерных задач более эффективно, чем программное обеспечение, разрабатываемое человеком.5
На рисунке изображена схема работы одной из разновидностей эволюционных вычислений генетического алгоритма ГА, но по ней можно понять общую идею подхода.
Под начальной популяцией понимается некоторое количество получаемых, обычно, случайным путём, объектов. В ГА такими объектами выступают вектора генотипы генов, где каждый ген может быть битом, числом или неким другим объектом. Эволюционная стратегия ЭС оперирует векторами действительных чисел. В генетическом ГП и эволюционном ЭП программировании роль объектов играют программы, всё лучше и лучше в соответствии с определенной функцией приспособленности решающие поставленную вычислительную задачу.
Мутация это случайное изменение генотипа. В ГА и ЭС оператор мутации может быть реализован простым добавлением нормально распределенной случайной величины к каждой компоненте вектора. В ГП и ЭП эта операция сильно зависит от способа кодирования выращиваемых программ. Например, при древовидном кодировании см. рисунок она может быть осуществлена случайным изменением информации в узле или добавлением, удалением узла или целого поддерева.
Оператор скрещивания производит рекомбинацию решений-кандидатов, роль которой аналогична роли скрещивания в живой природе. Размножение в эволюционных вычислениях обычно половое чтобы произвести потомка, нужны несколько родителей, обычно два.
Размножение в разных алгоритмах определяется по-разному оно, конечно, зависит от представления данных. Главное требование к размножению чтобы потомок или потомки имели возможность унаследовать черты обоих родителей, смешав их каким-либо способом.
На этапе отбора нужно из всей популяции выбрать определённую её долю, которая останется в живых на этом этапе эволюции. Есть разные способы проводить отбор. Вероятность выживания особи h должна зависеть от значения так называемой функции приспособленности Fitnessh. Эта функция должна быть задана так, чтобы по её значению на данном генотипе векторе генов, результатам работы выращиваемой программы можно было судить о степени успешности данного генотипа. Сама доля выживших s обычно является параметром генетического алгоритма, и её просто задают заранее. По итогам отбора из N особей популяции H должны остаться sN особей, которые войдут в итоговую популяцию H. Остальные особи погибают.
В начале 70-х годов лауреат Нобелевской премии М.Эйген совершил впечатляющую попытку построения моделей возникновения в ранней биосфере Земли молекулярно генетических систем обработки информации6. Наиболее известная из них модель квазивидов, описывающая простую эволюцию полинуклеотидных информационных последовательностей. Вслед за Эйгеном в 1980 г. новосибирскими учеными В.Ратнером и В.Шаминым была предложена модель сайзеров7.
В модели квазивидов рассматривается поэтапная эволюция популяции информационных последовательностей векторов, компоненты которых приобретают небольшое число дискретных значений. Приспособленность особей в моделях задается как функции векторов. На каждом этапе происходит отбор особей в популяции следующего поколения с вероятностями, пропорциональными их приспособленности, а также мутации особей случайные равновероятные замены компонентов векторов.
Модель сайзера в простейшем случае рассматривает систему из трех типов макромолекул полинуклеотидной матрицы и ферментов трансляции и репликации, кодированных этой матрицей. Полинуклеотидная матрица это как бы запоминающее устройство, в котором хранится информация о функциональных единицах сайзера ферментах. Фермент трансляции обеспечивает изготовление произвольного фермента по записанной в матрице информации. Фермент репликации обеспечивает копирование полинуклеотидной матрицы. Сайзеры достаточны для самовоспроизведения. Включая в схему сайзера дополнительные ферменты, кодируемые полинуклеотидной матрицей, можно обеспечить сайзер любыми свойствами, например свойством регулирования синтеза определенных ферментов и адаптации к изменениям внешней среды.8
Эволюционные вычисления ЭВ часто используются для организации стохастического поиска, особенно в случае многомодальных задач, когда
детерминированные методы оптимизации или более простые стохастические методы не позволяют исследовать поведение целевой функции вне областей локальных оптимумов. Методы ЭВ не гарантируют обнаружения глобального оптимума за полиномиальное время. Практический интерес к ним объясняется тем, что эти методы, как показывает практика, позволяют найти более хорошие или достаточно хорошие решения очень трудных задач поиска за меньшее время, чем другие, обычно применяемые в этих случаях, методы. Типичное ограничение на их применение заключается в необходимости для построения хорошего решения многократного вычисления целевой функции под словом многократно обычно подразумеваются числа от сотен до миллионов. Тем не менее, методы ЭВ оказались достаточно эффективными для решения ряда реальных задач инженерного проектирования, планирования, маршрутизации и размещения, управления портфелями ценных бумаг, поиска оптимальных энергетических состояний химических и молекулярных структур, а также во многих других областях, допускающих подходящий набор представлений, операторов, объемов и структур популяций и т. д.
Поскольку эволюция, по-видимому, и представляет собой основу механизма обработки информации в естественных системах, исследователи стремятся построить теоретические и компьютерные модели, реально объясняющие принципы работы этого механизма см. Естественная информатика. Для исследований этого направления характерно понимание, что модели должны содержать не только рождение и смерть популяций, но и что-то между ними. Чаще всего привлекаются следующие концепции.
Роевой интеллект англ. Swarm intelligence описывает коллективное поведение децентрализованной самоорганизующейся системы. Рассматривается в теории искусственного интеллекта как метод оптимизации. Термин был введен Херардо Бени и Ван Цзином в 1989 году, в контексте системы клеточных роботов9. Системы роевого интеллекта, как правило, состоят из множества агентов Многоагентная система локально взаимодействующих между собой и с окружающей средой. Сами агенты обычно довольно просты, но все вместе, локально взаимодействуя, создают так называемый роевой интеллект. Примером в природе может служить колония муравьёв, рой пчёл, стая птиц, рыб
Коллективный интеллект термин, который появился в середине 1980-х годов в социологии при изучении процесса коллективного принятия решений. Исследователи из NJIT определили коллективный интеллект как способность группы находить решения задач более эффективные, чем лучшее индивидуальное решение в этой группе.
Социологическое направление поскольку человеческое общество представляет собой реальный, к тому же хорошо поддающийся наблюдению и задокументировнный в отличие от человеческого мозга, инструмент обработки информации, социологические метафоры и реминисценции присутствуют в работах по кибернетике и смежным направлениям с самого их возникновения. Если роевой интеллект ориентирован на получение сложного поведения в системе из простых элементов, этот подход, наоборот, исследует построение простых и специальных объектов на базе сложных и универсальных государство глупее, чем большинство его членов10. Для этого направления характерно стремление дать социологическим понятиям определения из области информатики. Так в11 элита определяется как носитель определенной частной модели реального мира, а базис то есть народ играет роль арбитра между элитами. Эволюционный процесс заключается в порождении и гибели элит. Базис не в состоянии разобраться в сути идей и моделей, представляемых элитами, и не ставит перед собой такой задачи. Однако, именно в силу своей невовлеченности сохраняет способность к ясной эмоциональной оценке, позволяющей ему легко отличать харизматические элиты от загнивающих, пытающихся сохранить свои привилегии, понимая, что их идея или модель не подтвердилась.
</s_text>

<s_text>
Экспертная система ЭС, англ. expert system компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х годах получили коммерческое подкрепление. Предшественники экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые интеллектуальные машины, позволявшие находить решения по заданным условиям, например, определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания1.
Важнейшей частью экспертной системы являются базы знаний как модели поведения экспертов в определённой области знаний с использованием процедур логического вывода и принятия решений, иными словами, базы знаний совокупность фактов и правил логического вывода в выбранной предметной области деятельности.
Похожие действия выполняет такой программный инструмент как Мастер англ. Wizard. Мастера применяются как в системных программах, так и в прикладных для упрощения интерактивного общения с пользователем например, при установке ПО. Главное отличие мастеров от экспертных систем отсутствие базы знаний все действия жёстко запрограммированы. Это просто набор форм для заполнения пользователем.
Другие подобные программы поисковые или справочные энциклопедические системы. По запросу пользователя они предоставляют наиболее подходящие релевантные разделы базы статей представления об объектах областей знаний, их виртуальную модель.
В настоящее время классическая концепция экспертных систем, сложившаяся в 19701980 годах, переживает кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях почти полностью вытеснен графическим GUI. Кроме того, классический подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем.
Нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в классическом понимании таковыми не являющиеся например, компьютерные справочно-правовые системы. Предпринимаемые энтузиастами попытки объединить классические подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса проекты CLIPS Java Native Interface, CLIPS.NET и др. не находят поддержки среди крупных компаний-производителей программного обеспечения и по этой причине остаются пока в экспериментальной стадии.
Книга2 представляет следующую структуру ЭС
База знаний состоит из правил анализа информации от пользователя по конкретной проблеме.
ЭС анализирует ситуацию и, в зависимости от направленности ЭС, даёт рекомендации по разрешению проблемы.
Как правило, база знаний экспертной системы содержит факты статические сведения о предметной области и правила набор инструкций, применяя которые к известным фактам можно получать новые факты.
В рамках логической модели базы знаний могут основываться, например, на языке программирования Пролог с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщённых и конкретных сведений, а также конкретных и обобщённых запросов к базам данных и базам знаний.
Конкретные и обобщённые запросы к базам знаний на языке Пролог записываются с помощью языка предикатов, выражающих правила логического вывода и определения понятий над процедурами логического вывода, имеющихся в базе знаний, выражающих обобщённые и конкретные сведения и знания в выбранной предметной области деятельности и сфере знаний.
Обычно факты в базе знаний описывают те явления, которые являются постоянными
для данной предметной области. Характеристики, значения которых зависят от условий конкретной
задачи, ЭС получает от пользователя в процессе работы, и сохраняет их в рабочей памяти.
Например, в медицинской ЭС факт У здорового человека 2 ноги хранится в базе знаний, а факт У пациента одна нога
в рабочей памяти.
База знаний ЭС создаётся при помощи трёх групп людей
ЭС может функционировать в 2-х режимах.
</s_text>

<s_text>
Машинное обучение англ. machine learning, ML класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Различают два типа обучения
Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.
Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации англ. information extraction, information retrieval, интеллектуальным анализом данных data mining.
Имеется множество объектов ситуаций и множество возможных ответов откликов, реакций. Существует некоторая зависимость между ответами и объектами, но она неизвестна. Известна только конечная совокупность прецедентов пар объект, ответ, называемая обучающей выборкой. На основе этих данных требуется восстановить неявную зависимость, то есть построить алгоритм, способный для любого возможного входного объекта выдать достаточно точный классифицирующий ответ. Эта зависимость не обязательно выражается аналитически, и здесь нейросети реализуют принцип эмпирически формируемого решения. Важной особенностью при этом является способность обучаемой системы к обобщению, то есть к адекватному отклику на данные, выходящие за пределы имеющейся обучающей выборки. Для измерения точности ответов вводится оценочный функционал качества.
Данная постановка является обобщением классических задач аппроксимации функций. В классических задачах аппроксимации объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, нечисловыми, разнородными. Эти особенности приводят к большому разнообразию методов машинного обучения.
Раздел машинного обучения, с одной стороны, образовался в результате разделения науки о нейросетях на методы обучения сетей и виды топологий их архитектуры, с другой стороны вобрал в себя методы математической статистикиa. Указанные ниже способы машинного обучения основаны на применении нейросетей, хотя существуют и другие методы, основанные на обучающей выборке например, дискриминантный анализ, оперирующий обобщённой дисперсией и ковариацией наблюдаемой статистики, или байесовские классификаторы. Базовые виды нейросетей, такие как перцептрон и многослойный перцептрон а также их модификации, могут обучаться как с учителем, так и без учителя, с подкреплением и самоорганизацией. Но некоторые нейросети и большинство статистических методов можно отнести только к одному из способов обучения. Поэтому, если нужно классифицировать методы машинного обучения в зависимости от способа обучения, то будет некорректным относить нейросети к определенному виду, правильнее было бы типизировать алгоритмы обучения нейронных сетей.
Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.
Машинное обучение имеет широкий спектр приложенийисточник не указан 4117 дней
Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.
</s_text>

<s_text>
Обработка текстов на естественном языке Natural Language Processing, NLP общее направление искусственного интеллекта и математической лингвистики. Оно изучает проблемы компьютерного анализа и синтеза текстов на естественных языках. Применительно к искусственному интеллекту анализ означает понимание языка, а синтез генерацию грамотного текста.
Теоретически, построение естественно-языкового интерфейса для компьютеров очень привлекательная цель. Ранние системы, такие как SHRDLU, работая с ограниченным миром кубиков и используя ограниченный словарный запас, выглядели чрезвычайно хорошо, вдохновляя этим своих создателей. Однако оптимизм быстро иссяк, когда эти системы столкнулись со сложностью и неоднозначностью реального мира.
Понимание естественного языка иногда считаюткто? AI-полной задачей, потому как распознавание живого языка требует огромных знаний системы об окружающем мире и возможности с ним взаимодействовать. Само определение смысла слова понимать одна из главных задач искусственного интеллекта источник не указан 992 дня.
Качество понимания зависит от множества факторов от языка, от национальной культуры, от самого собеседника и т. д. Вот некоторые примеры сложностей, с которыми сталкиваются системы понимания текстов.
Популярные задачи123
Задачи анализа и синтеза в комплексе
Общая классификация
</s_text>

<s_text>
Робототехника от робот и техника англ. robotics роботика1, роботехника2 прикладная наука, занимающаяся разработкой автоматизированных технических систем и являющаяся важнейшей технической основой развития производства3.
Робототехника опирается на такие дисциплины, как электроника, механика, кибернетика, телемеханика, мехатроника4, информатика, а также радиотехника и электротехника. Выделяют строительную, промышленную, бытовую, медицинскую, авиационную и экстремальную военную, космическую, подводную робототехнику.
Слово роботика или роботехника, robotics было впервые использовано в печати Айзеком Азимовым в научно-фантастическом рассказе Лжец, опубликованном в 1941 году.
В основу слова робототехника легло слово робот, придуманное в 1920 г. чешским писателем Карелом Чапеком и его братом Йозефом для научно-фантастической пьесы Карела Чапека Р. У. Р. Россумские универсальные роботы, впервые поставленной в 1921 г. и пользовавшейся успехом у зрителей. В ней хозяин завода налаживает выпуск множества андроидов, которые сначала работают без отдыха, но потом восстают и губят своих создателей5.
Некоторые идеи, положенные позднее в основу робототехники, появились ещё в античную эпоху задолго до введения перечисленных выше терминов. Найдены остатки движущихся статуй, изготовленных в I веке до нашей эры6. В Илиаде Гомера говорится, что бог Гефест сделал из золота говорящих служанок, придав им разум то есть на современном языке искусственный интеллект и силу7. Древнегреческому механику и инженеру Архиту Тарентскому приписывают создание механического голубя, способного летать ок. 400 г. до н. э.8. Более двух тысяч лет назад Герон Александрийский создал водяной автомат Поющая птица и ряд систем подвижных фигур для античных храмов9. В 270 году древнегреческий изобретатель Ктесибий изобрёл особые водяные часы, получившие название клепсидра или крадущие время, которые своим хитроумным устройством вызвали значительный интерес современников10. В 1500 году великий Леонардо да Винчи разработал механический аппарат в виде льва, который должен был открывать герб Франции при въезде короля в город. В XVIII веке швейцарским часовщиком П. Жаке-Дрозом была создана механическая кукла Писец, которая могла быть запрограммирована с помощью кулачковых барабанов на написание текстовых сообщений, содержащих до 40 букв9. В 1801 году французский коммерсант Жозеф Жаккар представил передовую по тем временам конструкцию ткацкого станка, который можно было программировать с помощью специальных карт с отверстиями для воспроизведения на вытканных полотнах повторяющихся декоративных узоров. В начале XIX века эта идея была позаимствована английским математиком Чарлзом Бэббиджем для создания одной из первых автоматических вычислительных машин10. Примерно к 30-м годам XX века появились андроиды, реализующие элементарные движения и способные произносить по команде человека простейшие фразы. Одной из первых таких разработок стала конструкция американского инженера Д. Уэксли, созданная для Всемирной выставки в Нью-Йорке в 1927 году9.
В 50-х годах XX века появились механические манипуляторы для работы с радиоактивными материалами. Они были способны копировать движения рук оператора, который находился в безопасном месте. К 1960-му году были проведены разработки дистанционно управляемых колёсных платформ с манипулятором, телекамерой и микрофоном для обследования и сбора проб в зонах повышенной радиоактивности9.
Широкое внедрение промышленных станков с числовым программным управлением стало стимулом для создания программируемых манипуляторов, используемых для погрузки и разгрузки станочных систем. В 1954 году американским инженером Д. Деволом был запатентован метод управления погрузочно-разгрузочным манипулятором с помощью сменных перфокарт, как следствие в 1956 году совместно с Д. Энгельбергером им была создана первая в мире промышленная компания Юнимейшн англ. Unimation от Universal Automation по производству промышленной робототехники. В 1962 году вышли в свет первые в США промышленные роботы Версатран и Юнимейт, причём некоторые из них функционируют до сих пор, преодолев порог в 100 тысяч часов рабочего ресурса. Если в этих ранних системах соотношение затрат на электронику и механику составляло 75 к 25 , то в настоящее время оно изменилось на противоположное. При этом, конечная стоимость электроники продолжает неуклонно снижаться. Появление в 1970-х годах недорогих микропроцессорных систем управления, которые заменили специализированные блоки управления роботов на программируемые контроллеры способствовало снижению стоимости роботов примерно в три раза. Это послужило стимулом для их массового распространения по всем отраслям промышленного производства9.
Множество подобных сведений содержится в книге Робототехника История и перспективы И. М. Макарова и Ю. И. Топчеева, представляющей собой популярный и обстоятельный рассказ о роли, которую сыграли и ещё сыграют роботы в истории развития цивилизации.
Можно использовать несколько подходов к классификации роботов например, по сфере применения, по назначению, по способу передвижения, и пр. По сфере основного применения можно выделить промышленных роботов, исследовательских роботов, роботов, используемых в обучении, специальных роботов.
Важнейшие классы роботов широкого назначения манипуляционные и мобильные роботы.
Манипуляционный робот автоматическая машина стационарная или передвижная, состоящая из исполнительного устройства в виде манипулятора, имеющего несколько степеней подвижности, и устройства программного управления, которая служит для выполнения в производственном процессе двигательных и управляющих функций. Такие роботы производятся в напольном, подвесном и портальном исполнениях. Получили наибольшее распространение в машиностроительных и приборостроительных отраслях11.
Мобильный робот автоматическая машина, в которой имеется движущееся шасси с автоматически управляемыми приводами. Такие роботы могут быть колёсными, шагающими и гусеничными существуют также ползающие, плавающие и летающие мобильные робототехнические системы, см. ниже12.
Наиболее распространёнными роботами данного класса являются1516 четырёхколёсные и гусеничные роботы. Создаются также роботы, имеющие другое число колёс в этом случае нередко удаётся упростить конструкцию робота, а также придать ему возможность работать в пространствах, где четырёхколёсная конструкция оказывается неработоспособной.
Двухколёсные роботы, как правило, используют для определения угла наклона корпуса робота и выработки подаваемого на приводы роботов соответствующего управляющего напряжения с целью обеспечить удержание равновесия и выполнение необходимых перемещений те или иные гироскопические устройства. Задача удержания равновесия двухколёсного робота связана с динамикой обратного маятника17. Разработано множество подобных балансирующих устройств18. К таким устройствам можно отнести Сегвей, который может быть использован, как компонент робота так, например, сегвей использован как транспортная платформа в разработанном НАСА роботе Робонавт19.
Одноколёсные роботы во многом представляют собой развитие идей, связанных с двухколёсными роботами. Для перемещения в 2D пространстве в качестве единственного колеса может использоваться шар, приводимый во вращение несколькими приводами. Несколько разработок подобных роботов уже существуют. Примерами могут служить шаробот разработанный в университете Карнеги Меллона, шаробот BallIP, разработанный в университете Тохоку Гакуин англ. Tohoku Gakuin University20, или шаробот Rezero21, разработанный в Швейцарской высшей технической школе. Роботы такого типа имеют некоторые преимущества, связанные с их вытянутой формой, которые могут позволить им лучше интегрироваться в человеческое окружение, чем это возможно для роботов некоторых других типов22.
Существует некоторое количество прототипов сферических роботов. Некоторые из них для организации перемещения используют вращение внутренней массы23242526. Роботов подобного типа называют англ. spherical orb robots, англ. orb bot27 и англ. ball bot2829.
В ряде конструкций мобильных колёсных роботов используются роликонесущие колёса типа omnidirectional всенаправленные колёса такие роботы отличаются повышенной манёвренностью3031.
Для перемещения по неровным поверхностям, траве и каменистой местности разрабатываются шестиколёсные роботы, которые имеют большее сцепление по сравнению с четырёхколёсными. Ещё большее сцепление обеспечивают гусеницы. Многие современные боевые роботы, а также роботы, предназначенные для перемещения по грубым поверхностям, разрабатываются как гусеничные. Вместе с тем, затруднено использование подобных роботов в помещениях, на гладких покрытиях и коврах. Примерами таких роботов могут служить разработанный НАСА робот англ. Urban Robot Urbie32, разработанные компанией iRobot роботы Warrior и PackBot.
Первые публикации, посвящённые теоретическим и практическим вопросам создания шагающих роботов, относятся к 19701980-м годам3334.

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.