ritk042019

ОГЛАВЛЕНИЕ ВЫПУСКА ЖУРНАЛА

РОБОТОТЕХНИКА И ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (Санкт-Петербург)

Том: 7

Номер: 4

Год: 2019

Название статьи

Страницы

ОБЩИЕ ВОПРОСЫ К ПРОБЛЕМЕ СОЗДАНИЯ РОБОТОТЕХНИЧЕСКИХ СИСТЕМ С ИСКУССТВЕННЫМ СОЗНАНИЕМ И ДЕЙСТВУЮЩЕЙ ЛИЧНОСТЬЮ Сергеев С.Ф.

245-257

МИРОВОЙ И РОССИЙСКИЙ РЫНКИ ПРОМЫШЛЕННОЙ РОБОТОТЕХНИКИ. ПЕРСПЕКТИВЫ ИХ РАЗВИТИЯ Николаев А.Б.

258-269

ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ ИСПЫТАНИЙ АВТОНОМНЫХ НЕОБИТАЕМЫХ ПОДВОДНЫХ АППАРАТОВ ВОЕННОГО И СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ Антохин Е.А., Исламов В.К., Тихонов Н.В., Коваленко Р.В.

270-277

ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ИССЛЕДОВАНИЕ АЛГОРИТМА ОБСЛЕДОВАНИЯ МЕСТНОСТИ ГЕТЕРОГЕННОЙ ГРУППОЙ АВТОНОМНЫХ МОБИЛЬНЫХ РОБОТОВ Попов С.Г., Крашенинников А.С., Чуватов М.В.

278-290

ИССЛЕДОВАНИЕ ПОЛИМОДЕЛЬНОГО КОМПЛЕКСА СИСТЕМЫ ПЛАНИРОВАНИЯ ДВИЖЕНИЯ ГЕТЕРОГЕННОЙ ГРУППЫ АВТОНОМНЫХ РОБОТОВ В УСЛОВИЯХ ПРОСТРАНСТВЕННОСИТУАЦИОННОЙ НЕОПРЕДЕЛЕННОСТИ Моторин Д.Е.

291-299

ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ БЛОКЧЕЙНТЕХНОЛОГИИ В ГРУППОВОЙ РОБОТОТЕХНИКЕ Иванов Д.Я.

300-305

РАЗРАБОТКИ КОГНИТИВНОЕ ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТИЗИРОВАННОЙ РУКОЙПРОТЕЗОМ. ЧАСТЬ 1 Ульянов С.В., Решетников А.Г., Немчанинов А.В.

306-317

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

Общие вопросы УДК: 159. 922:004.896 DOI: 10.31776/RTCJ.7401 C. 245-257

К проблеме создания робототехнических систем с искусственным сознанием и действующей личностью С.Ф. Сергеев

Це нтрал ьны й нау чно -иссл едова тел ьс кий и опы тно -ко нс тру кторс кий и нс титут ро бо то тех ни ки и техничес кой ки бернетики (ЦН ИИ РТК), Санкт-Пе тер бургс ки й Пол итехни чес кий у ни вер сит ет Пе тра Вели кого (СП бП У), Санкт-Петербур г, Рос сийс ка я Ф е дер а ци я, ss fpos t@mail.ru ( М а т е р и а л п ос т у п и л в р ед ак ц и ю 19 и ю л я 20 1 9 г од а )

Аннотация В работе рассматриваются вопросы, связанные с возможностью и ограничениями технологического создания искусственных систем, наделенных сознанием и действующим субъектом, существующим в мире искусственной субъективной реальности. Показаны проблемы создания искусственной личности в заданных параметрах. Основным препятствием к созданию разумных систем является отсутствие прогресса в нашем понимании природы и механизмов работы головного мозга в процессе порождения психического образа и организации целенаправленной деятельности. Перенос данных психологии в инженерную сферу малоэффективен в силу различия понятийных и инструментальных областей данных дисциплин. Представлены подходы синтетической психологии и педагогики, призванные обеспечить решение проблемы создания искусственной субъективной реальности и техногенной модификации человека.

Ключевые слова Искусственная субъективная реальность, искусственное сознание, искусственные органы чувств, синтетическая психология, самоорганизация, конвергентные и дивергентные технологии.

Благодарности Работа выполнена в рамках государственного задания Минобрнауки РФ №25.8444.2017/БЧ.

On the problem of creating robotic systems with artificial consciousness and acting personality Sergey F. Sergeev

Russ ian State Sc ie ntific Center fo r Robo tics and Technical Cybernetics (RTC), Pete r th e Grea t Sa in t-Pe te rsburg Po ly te chnical U nive rs ity (SPbPU ), Sa in t-Pe te rsb u rg , R uss ia , ss fp os t@ ma il.ru ( R ec ei v e d 1 9 J u ly 2 0 1 9)

Abstract The paper deals with the issues related to the possibility and limitations of technological creation of artificial systems endowed with consciousness and the subject existing in the world of artificial subjective reality. The problems of creating an artificial personality in the given parameters are shown. The main obstacle to the creation of intelligent systems is the lack of progress in our understanding of the nature and mechanisms of the brain in the process of generating a mental image and organization of targeted activities. The transfer of psychology data to the engineering sphere is ineffective due to the difference in conceptual and instrumental areas of these disciplines. The approaches of synthetic psychology and pedagogy designed to provide a solution to the problem of creating an artificial subjective reality and technogenic modification of a man are presented.

Key words Artificial subjective reality, artificial consciousness, artificial sensory organs, synthetic psychology, self-organization, convergent and divergent technologies.

245

Общие вопросы / General Issues

Acknowledgements Work was accomplished within the frame of state task of the Ministry of Science and Higher Education of the Russian Federation No. 25.8444.2017/БЧ.

Введение Доминирующие темы определяющей части научно-технологического дискурса современного инженерного знания последнего десятилетия и, в частности, робототехники так или иначе, связаны с проблемой человеческого фактора и следующей из нее проблемой создания сложных технических систем, наделенных искусственным интеллектом по своим возможностям тождественным или превосходящим разум человека. В случае робототехники речь идет не только об интеллектуальных, но и о разумно действующих в социальных системах и коммуникациях искусственных машинах и механизмах. При этом категории «интеллект» и «разум» часто рассматриваются инженерно-техническим сообществом в качестве синонимов, несмотря на глубокие, неоднократно отмечаемые в гуманитарных науках, фундаментальные различия в их содержательном и понятийном строе [1, 2]. Источниками стремления человечества в мир «разумных машин» являются общая неудовлетворенность человека самим собой и попытки найти ему замену в сложном технологическом мире, который предъявляет к человеку особые требования, значительно превосходящие его физические, психофизиологические и умственные возможности. Наряду с развитием технологий и средств коммуникации наблюдается процесс интеграции человека с возникающей интеллектуальной техногенной средой планетарного масштаба [3, 4]. Проблема симбиоза человека с создаваемым им техногенным миром становится особенно актуальной, когда мы говорим об экспансии разума человечества в новые среды опыта, проявляющейся, в том числе, при освоении космического пространства, макро- и микромиров физического мира, в агрессивных и вредных для человека формах, и условиях деятельности. Вопросы взаимодействия человека и техники неизбежно возникают при создании сложных систем и управляемых комплексов. Например, при изучении и колонизации планет солнечной системы и освоении далекого космоса требуют своего решения проблемы взаимодействия в космической робототехнике, управления автоматизированными техническими системами и технологиями, обслуживающими напланетные базы и производства. Проблемы единства человека и техники в жёстких условиях космоса становятся особенно сложными и актуальными. Решение проблемы «человек в техногенном мире» видится большинством ученых и инженеров только в технологическом аспекте и сводится к созданию искусственного разума, превосходящего возможности человека. При этом технология рас-

сматривается как катализатор прогресса, как дружественная среда, усиливающая возможности человечества, как компас и ориентир развития. Это довольно опасная точка зрения, снимающая контроль над технологическим развитием. Забыты предупреждения основателя кибернетики Норберта Винера, который считал, что «чрезмерное увлечение техникой может серьезно повредить окружающей среде, о чем мы узнаем довольно скоро или не узнаем никогда – нас больше не будет». Чрезмерные вера в науку и оптимизм создают и поддерживает у населения и части научно-технических работников веру в безграничные возможности человечества, пользующегося плодами техногенной цивилизации [5]. Нас убеждают в том, что практически не осталось сфер человеческой деятельности, где бы ни использовались достижения технонауки, образующей конвергентные комплексы NBICS-технологий и их варианты, объединяющие междисциплинарные поля гуманитарного и технического знания [6, 7]. Цивилизация движется к точке технологической сингулярности, в которой технический прогресс станет недоступен нашему пониманию и будет осуществляться искусственным интеллектом, который в свою очередь будет интегрирован с техномодифицированным человеком посредством компьютерных и нейрокомпьютерных интерфейсов и виртуальных сред [8, 9]. В перспективе человек уходит в прошлое как биовид и становится технобиовидом. Эволюция техногенной среды человеческой цивилизации планеты Земля, ее проникновение во все уровни организации общества, человеческого тела и психики приобретает тотальный характер, сопровождаемый организованным повышением уровня межсистемной интеграции, воплощенности в среду, интеллектуальности и дружественности человеку, возникающего нового технобиотического единства. Экспансия жизни, ведущая к появлению сложного симбиоза человека и созданной им посредством технологии среды, может рассматриваться как следующий этап развития ноосферы, порождающий планетарное самоорганизующееся единство – технобиод. Его влияние на человека и человечество отличается от распространенного в современном гуманитарносоциологическом дискурсе мнения о самоорганизующемся действии аутопоэтической коммуникации, конституирующей и определяющей наблюдаемые формы человеческого общества. Технобиод является эволюционирующей системой, строящей свою индивидуальную историю, но это история не общества и человека, а техно-биологического симбионта. При этом перестают работать модели, оперирующие

246

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

идеальными представлениями о социальной эволюции человеческой цивилизации, в которых ведущую роль играют индивидуальные научные и коллективные творческие способности человека, порождающие среду, обладающую свойствами ноосферы В.И. Вернадского. Технобиод становится самостоятельным самоорганизующимся системным объектом, порождающим формы симбиотического и искусственного интеллектов и их гибриды, в котором некогда ведущая роль индивидуального человеческого разума постепенно уходит на второй план. Отделяясь от биосферы, человек превращается в разумный элемент эволюционирующего техногенного мира, в котором индивидуальное поведение и активность человека теряют определяющее значение для процессов развития технобиода. Человек становится регулируемым механизмами самоорганизации элементом нового планетарного системного единства, в своем развитии активновключающего рефлексивные процессы сборки и эволюции систем различной природы. Образуются ранее неизвестные техно-социальные каталитические формы, резко ускоряющие появление новых и утилизацию старых системных объектов организованной сложности. Наблюдаются процессы порождения активной самоорганизующейся среды жизнедеятельности человечества. Начальные фазы развития новой технобиотической цивилизации можно связать с явлением мультисредовой самоорганизации, ведущей к точкам сингулярности. В них нарушены все ранее действовавшие законы, а предположения о будущем неизвестны и неопределенны. Все теряет смысл. И даже научное осмысление происходящего тоже не имеет никакого значения для появления нового качества сложной организации [10]. Впервые термин «сингулярность» в технологическом контексте был использован Станиславом Уламом (Stanislaw Ulam) в некрологе, посвященном памяти Джона фон Неймана. В нем описан разговор с фон Нейманом о «постоянно ускоряющемся прогрессе технологий и изменениях в человеческой жизни, которые ведут к приближению существенной сингулярности в историческом развитии, за которой человеческая деятельность в известных нам формах не сможет продолжиться» [11]. Текущий этап развития человеческой цивилизации, на первый взгляд, подтверждает эту гипотезу. Появились ранее недоступные технологии и продукты, отражающие наше знание о природе вещей в широком диапазоне пространства, энергии и времени. Это нано- и биотехнологии, интернет, сотовая связь, робототехнические системы, технологии искусственного интеллекта. В них отражен прогресс, возможности синтеза науки и технологии. Создается впечатление о неограниченных возможностях техногенной цивилизации. Однако это не совсем верно. Несмотря на значительные

2019; 7(4)

усилия научного сообщества, использующего самые совершенные приборы и оборудование, никому не удалось понять источники развития человека и цивилизации и объяснить определяющую роль в них морально-нравственной и духовной основы окружающего нас мира. Наблюдается некоторое отторжение технологии и науки от человека, которые становятся самостоятельными сущностями, лишенными любых форм социального контроля. Это довольно опасно в силу возможного неконтролируемого развития ситуаций, ведущих в итоге к уничтожению человечества. В общественном сознании доминируют формы технократического мышления и интеллекта. Поддерживается тезис об их превосходстве над их социальными и биологическими формами. По определению В.П. Зинченко, «технократическое мышление – это мировоззрение, существенными чертами которого являются примат средства над целью, частной цели над смыслом и общечеловеческими интересами, символа над бытием и реальностями современного мира, техники (в том числе и психотехники) над человеком и его ценностями. Технократическое мышление – это Рассудок, которому чужды Разум и Мудрость. Для технократического мышления не существует категорий нравственности, совести, человеческого переживания и достоинства. Существенной особенностью технократического мышления является взгляд на человека как на обучаемый, программируемый компонент системы, как на объект самых разнообразных манипуляций, а не как на личность, для которой характерна не только самодеятельность, но и свобода по отношению к возможному пространству деятельностей» [12]. Наше мировоззрение за прошедшие десятилетия техногенного развития сильно изменилось. Мир уже не столь механистичен, предсказуем и прост, каким он был представлен в нашем сознании в моделях классических естественных наук. Он сложен и многообразен, в нем действуют вероятность и случай, квантовая запутанность и нелокальность, темная энергия и материя, модели и технологии, меняющие наши представления о природе времени и пространства. Попытки использования всех этих достижений естествознания неэффективны при изучении феноменов человеческой души и психики. Эксперимент, даже если это мысленный эксперимент или факт самонаблюдения, мгновенно изменяет психическую реальность человека. Его сознание становится другим. Данные нам непосредственно в чувственном опыте феномены упрямо не поддаются экспериментальному исследованию. Нам не известны способы и технологии, позволяющие непосредственно инструментально изучать содержание и базовые механизмы работы психики человека, его субъективную сфе-

247

Общие вопросы / General Issues

ру. Попытки изучения функций и структуры мозга дают довольно скромные результаты и в практическом плане пригодны лишь в медицине для диагностики патологических состояний организма. Мы попрежнему, несмотря на технический прогресс, далеки от понимания работы человеческой психики и механизмов ее реализации. Такое состояние психологических наук сдерживает прогресс в сфере технологической реализации искусственного интеллекта и разума. Основная проблема в научном изучении психического содержания обусловлена, по-видимому, его целостным, интегральным характером. В силу этого в психологии плохо работают базовые инструменты науки, основанные на анализе, наблюдении и измерении. Также малоэффективны методы моделирования и эксперимента, хорошо зарекомендовавшие себя в естественных науках. Научный анализ психического и следующая за этим редукция содержания уничтожают синтетические свойства живого, превращая его в своих моделях и отношениях в совокупность сложных, иерархически связанных, но мертвых и безжизненных элементов и структур. Исчезает упомянутое нами выше системное целое, определяемое понятием «душа». Это дало повод известному отечественному психологу В.П. Зинченко породить сентенцию о том, что «психология пожертвовала душой ради объективности своей субъективной науки» [13]. Психологи не отрицают существования души, но воздерживаются от ее изучения, отдавая пальму первенства в этом вопросе религии. В силу этого основные достижения психологии связаны с изучением лишь поведенческих характеристик человека, косвенно свидетельствующих о работе его психики. Этого крайне мало для решения проблемы создания искусственных аналогов человека. Заметим также, что теоретическая психология все больше теряет свое психологическое содержание, отдавая эстафету модной в настоящее время когнитивной психологии, использующей кибернетические и информационные метафоры и подходы при изучении физиологических реакций человека на стимульный материал. Эксплуатируются гипотезы о физиологических детерминантах головного мозга, определяющих формы психического отражения действительности [14, 15]. Активно развивается комплекс дисциплин, именующий себя когнитивными науками, основанный на представлениях когнитивной нейронауки впитавшей все иллюзии, ошибки и ожидания физиологической психологии технологическим продолжением которой они являются. Использование новых технологий компьютерного анализа нейрофизиологических показателей действующего мозга и методов визуализации результатов в сущности ничего не меняют в наших знаниях о психике по сравнению с результатами, полученными в прошлом

веке на более простых экспериментальных установках. Джентельменский набор современного исследователя человеческого мозга и психики, включает компьютерную томографию, многоканальную электроэнцефалографию, магнитно-резонансную томографию, магнитоэнцефалографию и транскраниальную магнитную стимуляцию. С их помощью получено огромное количество экспериментальных данных, вольная интерпретация которых и составляет сущность нейронауки. Она позволяет описать новым языком любые известные факты человеческого поведения, но не объясняет их сущности. Создаваемые в рамках новых технологий модели очень далеки по своей сущности до объекта исследования психологии – действующего в мире человека, преобразующего и познающего мир и природу. В них не решена главная проблема сознания – проблема квалиа, заключающаяся в объяснении качественных субъективных переживаний, испытываемых человеком в различных ментальных состояниях [16]. Несмотря на огромный объем накопленного в нейронауках экспериментального материала, характер и формы возникающих в физиологической структуре мозга связей с квалиа субъективной реальности по настоящее время изучены недостаточно. Реальный человек имеет дело с психической реальностью, включающей субъективный мир и действующего в нем субъекта в виде личности, переживающей в мультимодальной форме целый спектр внутренних и внешних сенсорных, ментальных и чувственных феноменов, живущей сложной социальной и личной жизнью, проявляющей человеческие качества, демонстрируя феномены творчества, вершин человеческого духа. Все это изучено пока на описательном уровне вне объяснения их сущности и связи с порождающим их физическим миром. Справедливости ради нужно признать, что благодаря развитию естественных наук и психологии разгаданы многие тайны живой природы, недоступные нашему непосредственному восприятию и здравому смыслу. Мы уже многое знаем об устройстве тела человека, его биологии и физиологии, психике. Однако почти ничего о его душе. Здесь достижения науки довольно скромны. По мнению В.П. Зинченко, «раскрыть механизм чудесного, взять приступом абсолютное еще никому не удавалось (не только в области психологии) … душу нельзя свести к познанию, чувству и воле. Душа – это таинственный избыток познания, чувства и воли, без которого невозможно их полноценное развитие» [13, с. 4]. Психология, используя методы естественных наук, научилась в своих конструктах и моделях расчленять живое психическое целое на части, но обратный синтез их в целое по-прежнему нам недоступен. Остаются нерешенными основные проблемы человеческого «Я»,

248

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

сознания, творческих и познавательных возможностей человека, его созидательной активности, целеполагания в деятельности, пронизывающие всю пирамиду психологического знания, без решения которых трудно говорить о создании искусственного разума.

Проблемы техномодификации психики человека и создание систем с искусственным разумом Создание подобных человеку разумных технических систем и роботов, включение их в социальную жизнь человечества, предполагает серьезные изменения в социальной и личной жизни человека и общества, вызывая к жизни проблемы моральнонравственного характера, без решения которых было бы опрометчиво говорить о появлении данных систем. Наделение их свойствами рефлексирующей системы, порождающей искусственное «Я». может стать причиной социальных конфликтов и борьбы искусственных систем с человеком, что питает авторов научно-фантастической литературы и кинематографа. Философская рефлексия последствий технологического вмешательства в процессы биологической и социальной эволюции человека отражена в представлениях трансгуманизма, представляющего собой интеллектуальное и культурное движение, систему взглядов, поддерживающих использование новых данных науки и технологий для увеличения познавательных и физических способностей человека. Продвинутая радикальная версия трансгуманизма изложена в концепции постгуманизма [17]. Понятие «трансгуманизм» создано основателем ЮНЕСКО биологом Джулианом Хаксли (Julian Huxley) в своем эссе «Трансгуманизм», опубликованном в сборнике «Новые сосуды для нового вина» (New Bottles for New Wine) (1957). Он с позиций глобального эволюционизма считал возможным технологическое самосовершенствование человека. «Человеческий род, – по мнению Хаксли, — может, если того захочет, превзойти самого себя, и делать это не только спорадически: кто-то в чем-нибудь одном, кто-то – в чем-нибудь совсем другом, а совершенно иначе, в масштабах человечества в целом. Нам необходимо дать название этому новому убеждению. Возможно, здесь подойдет слово трансгуманизм: человек останется человеком, но превзойдет себя, реализуя новые возможности своей собственной природы» [18 с. 17]. Первая проблема трансгуманизма связана с его философским базисом. Трансгуманизм, как радикальная форма материалистического мировоззрения, отражает избыточный технократический оптимизм, поддерживаемый, главным образом, представителями инженерного и естественнонаучного знания, и довольно легко относится к глубинным психо-

2019; 7(4)

логическим феноменам. Его адепты считают возможным копирование разума с помощью технологической процедуры, позволяющей перенести идеальное содержания живого мозга на иные, не только биологические, носители. Данная форма философской рефлексии отражена в форме вульгарного тотального когнитивизма, сторонники которого считают феномены разума и психики чисто информационными процессами, а человека -– компьютерной алгоритмической биологической системой. Теоретически трансгуманизм, по существу, является новой концепцией эволюции человека в современных условиях. Переходным типом объявляется трансчеловек, как новое существо, возникшее благодаря современным достижениям в науке и технологии. Транслюди не обязательно должны быть ориентированными на будущее или самыми сведущими в технологии людьми, не обязательно должны осознавать свою «связующую роль в эволюции». Они обладают признаками самоидентификации и активной личности, имеют улучшенные имплантами тела, бесполы, размножаются искусственным образом, имеют распределенную индивидуальность [19]. Одна из нерешенных проблем трансгуманизма связана с самоорганизующимся характером живого, что препятствует управлению этими процессами извне. В силу этого действия, связанные с конструированием живого, являются технологической интервенцией в процессы, имеющие внутреннюю логику и механизмы существования. В результате могут быть повреждены базисные структуры, определяющие работу механизмов жизни. Критика трансгуманизма связана главным образом с возникающими проблемами этического и морального характера по отношению к «неудачным продуктам техномодификации». Прежде всего, это касается генной инженерии, которая противоречит «воле Бога» и «нарушает естественный природный порядок» [20]. По мнению Е. В. Введенской, – «у трансгуманистов явно доминирует вера в невероятные перспективы технического усовершенствования человечества и полностью отсутствует критический анализ негативных последствий этого, учет экзистенциальных рисков, подрывающих основы существования как отдельного человека, так и человеческого общества» [20, с. 39]. «Радикальная генная модификация биологической природы человека, по чаяниям трансгуманистов, является лишь этапом в дальнейшем развитии человеческой автоэволюции, когда должен будет осуществиться синтез человека и машины, путем внедрения в тело и мозг искусственных имплантатов и чипов. Человек, согласно трансгуманистам, уходит в прошлое как биовид и переходит в будущее как техновид. Мир патологической искусственности убивает в человеке все живое, он сам конструирует себя, определяет свою физиче-

249

Общие вопросы / General Issues

скую качественность. В сознании постчеловека оказывается демонтированной граница между реальным и искусственным, исчезает не только его телесность, но и подлинное индивидуальное «Я» [там же]. С точки зрения биоэтики «главное противоречие в трансгуманизме заключено в отрицании моральнонравственного совершенствования человека и сведении его сущности только к улучшению соматических и когнитивных характеристик» [там же]. Близкие рассуждения о нарушении границ человеческого Я и исчезновении субъекта в процессе техномодификации тела и мозга присутствуют у Е.В. Маревой, – «Если нанотехнологии и имитация живой ткани сделают возможным замену человеческого мозга, сохранит ли человек при этом свою индивидуальность, личность? Ведь, в конце концов, зачем мне бессмертие тела, если это буду уже не Я? Если личность – производная телесной организации, то меняя тело, мы ее утрачиваем. Если личность – производное от общения с себе подобными, не только современниками, но и предками через мир культуры, то можно предположить, что иное существование скажется на духовном самочувствии, но это будет мое самосознание и самочувствие при помощи «отремонтированного» мозга как средства, но не сути моего Я» [21, c. 173]. По мнению А.И. Кримана «часто можно встретить синонимичное понимание трансгуманизма и постгуманизма. Хотя эти философские направления работают с конструктами современности и используют схожую терминологию, но предлагаемые ими интерпретации принципиально различны. Дискурс трансгуманизма отсылает к картезианскому противопоставлению души и тела. Несмотря на сакрализацию технологического и очищение постчеловеческого от таких, казалось бы, постоянных атрибутов живого, как старение и смерть, трансгуманизм во многом продолжает идеи эпохи Просвещения. В понимании постгуманистов субъект номадичен и представляет собой сборку человеческого, животного, дигитального, химерического. Тем самым нарушается главная максима гуманизма о человеке как наивысшей ценности – человек в постгуманизме перестает быть «мерой всех вещей» [17]. Постгуманизм ведет к идее постчеловека и рассматривает равенство человека, природы и общества как совместно эволюционирующих самоорганизующихся сущностей. Вместе с тем ряд ученых считают неизбежной техноэволюцию человека и находят решение этой проблемы в усилении гуманитарной компоненты технологического знания. По мнению В.И. Аршинова и А.Л. Андреева, «если рассматривать инженерную деятельность в отношении перспектив развития технонауки и социотехнического проектирования, то совершенно естественно может возникнуть вопрос о существенном расширении инженерной компетенции

благодаря обогащению ее социальными знаниями. Ибо именно социальная наука призвана прояснять и доводить до сознания человека ценности, мотивы и образы, которые имплицитно заложены в основание различных программ, проектов и направлений технонауки, а также моделировать будущие «социальные миры», которые будут возникать в ходе эволюции создаваемой деятельностью человечества техносферы» [22]. Наши довольно ограниченные знания о человеческой душе сопровождаются наблюдаемым в настоящее время серьезным технологическим прорывом в области естественных наук и конвергентных технологий и их приложений. И это довольно опасно, так как вызывает у технократической части человечества желание заменить естественную эволюцию человека технологическим вмешательством в его организм и природу. «Скальпель» уже создан, но кто и как будет его использовать? Многим ответ кажется очевидным – это робототехнические системы и «умные» технологии будущего, превосходящие естественный интеллект человека и его несовершенный разум. Только они позволят преодолеть барьер технологической сложности возникающих задач. Но к сожалению, и здесь мы не готовы к радикальным, но выверенным действиям. Развитие техногенной среды современной цивилизации сопровождается появлением проблемы повышения ее сложности, разумности, интеллектуальности. Требуются особые формы интеллекта, отличающиеся от естественного человеческого интеллекта, возникшего и ориентированного на решение задач биологического выживания человека. Мы не знаем технологий их получения. Наблюдаемый в последнее десятилетие прогресс в технологиях передачи и обработки информации, к сожалению, также не ведет автоматически к появлению соответствующего качества и эффективности интеллектуальных программных средств, попрежнему работающих на детерминированных алгоритмах ситуативного управления. Использование технологий машинного обучения, интенсивно развивающихся в настоящее время, многими специалистами рассматривается как начало подлинной интеллектуализации мира машин. Однако фундаментальным ограничением данной технологии является невозможность самостоятельного выбора машиной обучающего алгоритма, так как из конечного набора данных может быть получено бесконечное количество закономерностей. В их числе будут и алгоритмы, с которыми машина будет справляться плохо. Это заставляет нас обращаться к изучению механизмов самоорганизации опыта в обучающихся технических системах, ведущих к возможному квазисоциальному развитию систем с искусственным сознанием и когнитивным освоением мира, но что будет результатом машинной социализации нам не-

250

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

понятно. Возможно, это будет машинное повторение человеческой истории, в которой нет места человеку. Вопрос создания систем с искусственным сознанием становится актуальным в проблеме «умного мира», заменяя проблему искусственного интеллекта, испытывающую концептуальный кризис. Дело в том, что ограничения интеллекта алгоритмически функционирующей искусственной системы связаны с ограничениями ее создателя, редуцирующего свой опыт в алгоритм. Система же с искусственным сознанием потенциально может сформировать субъекта – актора способного к самообучению и ассимиляции социального опыта различных доступных ему через язык и поведение сообществ, более эффективного чем человек. Однако мы не можем сказать, что за личность сформируется в процессе социальной и личностной самоорганизации, и какие цели она поставит перед собой? Обладая свободой воли, она может посчитать человека лишним звеном и предпринять соответствующие меры. Проще всего с инженерной точки зрения было бы скопировать информацию о личности живого человека, желательно умудренного профессиональным и социальным опытом, и внедрить её в техническую систему, создающую условия для поддержания и продолжения процесса психической самоорганизации, обеспечивающего существование самоорганизующейся самости, что эквивалентно переносу души на другие носители. Однако здесь не все так просто как, например, в кибернетической системе, программа которой не зависит от реализующего ее компьютера. Цифровая копия компьютерной программы абсолютно ничем не отличается от оригинала, что позволяет копировать ее в неограниченных количествах. Психическое содержание человека уникально, обусловлено его непрерывно эволюционирующей в зависимости от условий жизни психофизиологической структурой и самостью в виде действующего субъекта. Это ведет к принципиальной невозможности одномоментной и полной фиксации состояния всех структур и процессов мозга, участвующих в создании и подержании психического. Решение данной задачи на настоящем этапе развития науки и технологии представляется сложной, по мнению некоторых авторов, практически неразрешимой задачей. В процессе измерения одних состояний структуры мозга, другие его части перейдут в новое состояние, в результате чего исчезнет непрерывность процесса психической регуляции. Не сможет возникнуть рефлексирующий субъект, который определяет дальнейшее направление развития и форму психического процесса. Гипотетически можно предположить, что будет создана действующая модель психического процесса с допустимой ошибкой, при которой сохраняются все основные свойства оригинала. Правда мы не знаем, с какой точностью функционирует ре-

2019; 7(4)

альный мозг, поддерживая психическое содержание конкретного человека, и насколько оно устойчиво при изменении физических параметров мозга. Косвенные наблюдения свидетельствуют о существовании широкого диапазона устойчивых психических процессов, сохраняющих «я» человека, обеспечивающих его самоидентификацию даже при довольно обширных поражениях мозга после серьезных заболеваний и даже клинической смерти [23]. Вместе с тем никто не смог обнаружить прямую физическую связь между явлениями субъективной реальности и нейродинамическими системами мозга, хотя именно гипотеза о наличии связи является основой практически всех информационных моделей работы мозга. В центре внимания исследователей находятся два главных вопроса «трудной проблемы»: если явлениям субъективной реальности нельзя приписывать физические свойства – массу, энергию, пространственные характеристики, – то, как объяснить 1) их связь с мозговыми процессами и 2) их каузальное действие на телесные процессы. Эти вопросы в рамках информационной концепции сознания исследованы профессором Д.И. Дубровским. Им введены две исходные посылки: 1. Информация необходимо воплощена в своем материальном, физическом носителе (т.е. не существует вне и помимо него).

2. Информация инвариантна по отношению к физическим свойствам своего носителя (одна и та же информация может быть воплощена и передана разными по своим физическим свойствам носителями [16]. Введенный автором принцип информационной причинности призван и позволяет обойти физические ограничения носителей информации, формирующих содержание человеческой психики. Для обоснования информационного подхода Д.И. Дубровский выдвинул гипотезу о существовании нейродинамических кодов, которые определяют существование квалиа. Всякое квалиа необходимо воплощено в своем нейронном коде, не существует вне и помимо него [24]. Современные модели психического рассматривают его как результат работы мозга, представляющего собой биологический компьютер, включенный во множественные взаимоотношения с физической реальностью, представленной в сознании в виде виртуальной субъективной реальности. Проблема субъекта как активного участника жизненного процесса, осуществляющего свою деятельность в контексте взаимодействия с объективным миром, является самой трудной для понимания и реализации в технологическом плане. Возможность создания эгосистемы с действующим в ней субъектом можно отнести к плохо изученным как в теоретическом, так и практическом плане вопросам. Многое говорит о том, что речь идет о форме информационной самоорга-

251

Общие вопросы / General Issues

низации, возникающей в феноменальном поле сознания. Можно предположить возможность осуществления и работу следующего механизма порождения искусственной субъектной среды (мира действительности искусственного субъекта) на основе двухступенчатой модели редуцирующего сознания (Сергеев С.Ф., Сергеева А.С., 2016) [25]. В соответствии с нею перцептивные системы искусственного организма на первом этапе своего развития непрерывно осуществляют процесс редукции поступающего из физического мира потока различений, превращая его в некоторое конечное множество взаимодействующих аутопоэтических вариантов состояний внутреннего мира, сопровождаемых появлением рефлексирующего субъекта и его субъективной реальности. При этом соблюдается условие непротиворечивого существования порождающего их физического процесса. Возникают внутренняя и внешняя формы замкнутого циклического процесса преобразований внешнего во внутреннее и внутреннего во внешнее. Можно предположить, что искусственную систему, обладающую подобными свойствами, вполне возможно реализовать технически в виде гибридной кибербиологической формы, реализующей принцип повторного входа (re-entry) (Эдельман Дж.) [26] и постулаты теории информационного синтеза (Иваницкий А.М.) [27]. В соответствии с ними мозг поддерживает непрерывный рекурсивный циклический процесс параллельного многомерного сравнения сигналов, поступающих в мозг из мозга и внешней среды. В циклическом повторении операций сравнения входных и выходных сигналов системы отражается и реакция возникающего субъекта на внешний мир. Внутренняя форма мира искусственного субъекта аналогична, но не тождественна субъективному миру человека. Различие состоит в том, что в человекесубъекте и его мире воплощены витальные потребности живого организма, формирующие деятельностную и мотивационную сферы. Организм сам создает субъективную реальность под свои потребности. История субъектных форм возникающего в процессе жизни субъекта, его опыт определяются селективным взаимодействием динамической информационной системы мозга, ограничивающей бесконечное или очень большое разнообразие возможных, являющихся субъекту аутопоэтических вариантов мира. Отобранные варианты существуют в имплицитной памяти субъекта в виде облака возможностей в потенциальной, вневременной форме. Каждый из вариантов может быть актуализирован, сконструирован и воспроизведен в виде временной последовательности текущей действительности субъекта (в его субъективном времени и субъективной форме), отражающей в сознании актуальное состояние субъекта. В памяти субъекта хранится не весь

опыт, а лишь маркеры, запускающие стандартные независимые биологические генераторы, составляющие сетевую структуру, реализующую картину мира и субъекта. Отметим, что функциональная независимость, стандартность поведения и топологическая организация генераторов способствуют поддержанию пространственно-временной и модальностной целостности и стабильности субъективной картины мира. Сознание в соответствии с логикой его функционирования выбирает из существующего в подсознании редуцированного множества возможных вариантов развития индивидуального мира самый нужный и близкий в данный момент вариант, который реализуется и используется для обеспечения самосохранения организма и написания истории мира и жизни субъекта. Таким образом, происходит двухступенчатый процесс формирования образа физической реальности. На первом этапе создается база вариантов, не противоречащих условиям существования аутопоэтического процесса сознания и наблюдаемого мира (опыт субъекта), а на втором – реализуется, воспроизводится в осознаваемой форме один из его вариантов. Отметим, что далеко не все состояния физического мира могут быть использованы в элементах аутопоэтической самоорганизации сознания. Проявляется селективный характер психики. На втором этапе редукции идет организация доступных аутопоэтически непротиворечивых вариантов развития истории субъекта. Именно они отражаются в сознании в феноменах мыслящего субъекта. Отметим, что субъект оценивает не только варианты своей судьбы, но и выбирает приемлемые варианты по критериям, отраженным в его личностной организации, возникающей под влиянием социальных ориентаций, создаваемых общественными механизмами самоорганизации. В приведенной модели делается акцент на важной роли потребностно-мотивационной сферы человека, создающей условия для появления рефлексирующего субъекта и его развития в процессе жизни. Как обеспечить подобные механизмы в искусственной системе, не совсем понятно. Рефлексирующая искусственная сознающая система может функционировать только путем самообучения в условиях ее взаимодействия с социальными или обучающими системами. При этом формируется искусственная личность, играющая роль активного агента, определяющего сознательное поведение и познавательную активность. Внедрение моральных кодексов, созданных человечеством, может быть разрушительным для психики искусственного субъекта, который при этом потеряет важные для рефлексивной системы смыслы самосохранения, организующие и поддерживающие жизнь субъекта.

252

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

По мнению Томаса Метцингера (T. Metzinger), человеческое Эго и его субъективная реальность – это сложные репрезентационные феномены, развившиеся в результате эволюции, результат процесса автоматической динамической многоуровневой самоорганизации. В конечном счете, субъективное переживание – это биологический формат данных, крайне специфичный способ, при котором информация о мире представляется как наше знание. Но в мире не существует такой вещи, как Я. Биологический организм как таковой не есть Я. Эго – тоже не есть Я. Оно представляет собой только форму контента представлений – а именно контента транспарентной Я-модели, активированной в мозгу организма [28]. Несмотря на кажущуюся парадоксальность гипотезы Метцингера, следует отметить, что она подкреплена значительным количеством исследований и экспериментов, демонстрирующих образование и трансформацию субъективной картины мира [29, 30, 31]. В частности, в них показана роль синхронизации между мультисенсорными перцептивными сигналами с наблюдаемой формой телесного самосознания, развивающейся в детстве и проявляющейся в чувстве присутствия в мире. Исследования Метцингера дают принципиальную возможность создания и существования систем с искусственной субъективной реальностью на небиологических носителях, что ставит ряд проблем технологического и этического характера, которые можно решить только методами будущих техногуманитарных наук, которые можно условно назвать синтетической педагогикой и психологией [32]. Это научно-практические дисциплины, которые неизбежно возникнут и будут изучать процессы обучения, самообучения и социализации в искусственных, осознающих свое бытие в мире системах с искусственной или гибридной субъективной реальностью. В настоящее время эта сфера знания совершенно не исследована. Мы можем очертить только приблизительный круг проблем, которыми будут заниматься в этих дисциплинах. Прежде всего, это проблема искусственной картины мира, создаваемой техносубъектом в процессе его развития в условиях интеграции искусственных сенсорно-перцептивных систем и накопления опыта. Создание искусственных сенсорных систем, воспринимающих отличные от человеческих спектры физических воздействий, приведет к появлению особой экологической ниши искусственного существа и особых форм отношений между ним и человеком. В сознании искусственного индивидуума возникает многомерный образ реальности, в которой он действует, и эта реальность может разительно отличаться от человеческой. Синтетическая психология является дисциплиной трансграничной с синтетической биологией и изучает методы создания и последствия социального и иного существования

2019; 7(4)

психических структур, реализованных с помощью различных технологий, в том числе и искусственной сборки. Рассматриваются проблемы создания разумных систем, в том числе и обладающих заданными или неизвестными ранее функциями и свойствами. Одним из важных вопросов данной дисциплины будет вопрос о минимально возможной структуре, порождающей психику и стабильные формы сознания. Кроме того, рассматриваются психологические особенности модифицированного человека, наделенного:  искусственными органами и системами чувств (в том числе и с новыми функциями и свойствами);  искусственными эмоциями;  искусственным сознанием;  искусственной памятью (гибридной, распределенной и воплощенной в информационные среды и т.д.). Заметим, что сейчас мы многого не знаем о сущности возникающих искусственных психических явлений, диапазонов и границ, в которых они существуют, что позволило бы перейти к решению технологических задач техномодификации человека и создания искусственного разума. По настоящее время создание интерфейсных объединений «человекмашина» не затрагивало сущностных особенностей субъективной реальности, а именно:  мультимодального характера, проявляющегося в целостности восприятий и наличии качественной организации, редуцирующей спектры физических воздействий на перцептивные системы в субъективные образы;  наличия пространственно-временной структуры и событийного характера изменений, отражающих причинно-следственные связи объективного мира;  наличия субъекта, играющего роль активного наблюдателя и деятеля. Вмешательство в перцептивную сферу человека, расширение ее возможностей позволяют когнитивной системе человека эффективнее использовать диапазоны электромагнитных волн, недоступные естественным органам чувств. Однако в настоящее время эта операция производится лишь путем аппаратного преобразования интересующих нас диапазонов в перцептивно доступные формы с использованием электрооптических преобразователей, тепловизоров, приборов ночного видения, ультразвуковых сонаров и т.д.). Введение новых сенсорных форм в субъективную сферу человека с момента его рождения потребует создания новой сферы инженерно-гуманитарного знания, которую можно назвать сенсорной инженерией. Техномодификация субъективной реальности представляет собой форму целенаправленного из-

253

Общие вопросы / General Issues

менения свойств субъективной реальности человека посредством технологий, и здесь основную роль играют технологии генной инженерии и нейробиологии, которые отражают материалистическую картину мира. Изучаются отношения между ментальными и физическими состояниями и процессами. Однако многие ученые отрицают саму возможность «редукции» ментальных феноменов к процессам в центральной нервной системе [33]. По их мнению, психическое управляет физиологическими процессами мозга, который в свою очередь порождает условия для появления психической регуляции. Психология возникающих искусственных чувственных форм в дополнение к психологии человека в естественном мире делает первые шаги и очень важно, чтобы она не стала жертвой технократических представлений о жизни. Искусственные органы чувств приводят к появлению искусственных дополнительных модальностей в сознании и субъективной реальности модифицированного человека. Возможны дополнительные или модифицированные органы чувств. Важно насколько они могут непротиворечиво интегрироваться в единую картину мира субъекта, обеспечив ему право и возможность счастливой и достойной жизни. Заметим, что системы с искусственным сознанием являются системами, генерирующими свой субъективный мир и порождающими действующего субъекта, реализующего цели своего существования. По-

нятие «субъект» отражает свойства целостной самоорганизующейся системы наделенной механизмом сознания, ориентирующейся в мире проявляющей свойства личности. Однако что за личность сформируется в процессе искусственной жизни, узнать невозможно, так как это результат эволюции самоорганизующейся системы, вмешательство в работу которой разрушает механизм самоорганизации. Популярные в инженерной среде идеи наделения рефлексивной искусственной системы нужными чертами личности не учитывают целостный характер личности, не сводимость ее к сумме независимых черт. Например, в модели В.А. Виттиха человек в предлагаемой им социальной эргатической системе, рассматривается как довольно ограниченное существо, личностными свойствами которого можно пренебречь [34]. Автор оставил ему только функции «атомарного холона» и возможности проявления «чувства солидарности». Этого явно недостаточно для систем, моделирующих поведение действующего человека. В заключение можно сделать вывод о том, что человечество находится только на начальном этапе создания систем, подобных живым системам, наделенных сознанием и разумом. Решение возникающих при этом проблем потребует мобилизации сил научного сообщества в области гуманитарных и технических наук.

Литература 1. Сергеев C.Ф. На пути от биоорганизации к киберорганизации: человек в тени искусственного интеллекта // Естественный и искусственный интеллект: методологические и социальные проблемы / Под ред. Д. И. Дубровского и В. А. Лекторского. – Москва: «Канон+» РООИ «Реабилитация». – 2011. – С. 48-59.

2. Сергеев С.Ф. Психологические основания проблемы искусственного интеллекта // Мехатроника, автоматизация, управление. – 2011. – № 7. – С. 2-6.

3. Глобальное будущее 2045. Конвергентные технологии (НБИКС) и трансгуманистическая эволюция / Под ред. проф. Д.И. Дубровского. – Москва: ООО «Издательство МБА». – 2013. – С. 158-168.

4. Чеклецов В.В. Чувство планеты (Интернет Вещей и следующая технологическая революция). – Москва: Российский исследовательский центр по Интернету Вещей, 2013.

5. Лем С. Сумма технологии. – Москва: Мир. – 1968. – 608 с.

6. Быков Е. NBIC-конвергенция технологий: исторический обзор. Ч. I: 2001-2006гг. // НБИКСНаука.Технологии. – №1. – 2017. – С. 12-24.

7. Быков Е. NBIC-конвергенция технологий: исторический обзор. Ч. II: 2007-2013гг. // НБИКСНаука.Технологии. – №2. – 2017. – С. 24-36.

8. Vinge, Vernor (30-31 March 1993), «The Coming Technological Singularity», Vision-21: Interdisciplinary Science & Engineering in the Era of Cyberspace, proceedings of a Symposium held at NASA Lewis Research Center (NASA Conference Publication CP-10129), retrieved 2007-08-07. See also this HTML version, retrieved on 2009-0329.

9. Kurzweil R. The Singularity Is Near, New York: Viking, 2005.

10. Сергеев С.Ф. Рефлексивная автоэволюция глобальных интеллектных техногенных сред // IX Международный симпозиум «Рефлексивные процессы и управление»: сборник материалов (17-18 октября 2013 г.). – Москва: «Когито-Центр». – 2013. – С. 245-248.

11. Ulam, Stanislaw Tribute to John von Neumann // Bulletin of the American Mathematical Society: 5 (May 1958).

– 64, № 3, part 2.

254

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

12. Зинченко В.П. Психологические основы педагогики (Психолого-педагогические основы построения системы развивающего обучения Д.Б. Эльконина В.В. Давыдова) / В.П. Зинченко. – Москва: Гардарики. – 2002.

– 431 с.

13. Зинченко В.П. Размышления о душе и ее воспитании (Час Души) / В. П. Зинченко // Международный симпозиум «Духовность детства»: доклад г. Мачида (Япония) 21-22 августа 2001, 33 с.

14. Кратин Ю.Г. Нейрофизиология и теория отражения. – Ленинград: Наука, 1982, 84 с.

15. Сергин В.Я. Сознание и мышление: нейробиологические механизмы. – Текст: электронный // Психологический журнал Международного университета природы, общества и человека «Дубна». – 2011. – № 2. – URL: http://www.psyanima.ru (дата обращения: 18.07.2019).

16. Дубровский Д.И. Проблема идеального. Субъективная реальность. – Москва: Канон+, 2002. – 368 с.

17. Криман А.И. Идея постчеловека: сравнительный анализ трансгуманизма и постгуманизма // Философские науки. – 2019. – 62(4). – С. 132-147.

18. Huxley J. Transhumanism, in Huxley, J., New Bottles for New Wine. – London: Chatto & Windus, 1957. – Pp. 13-17.

19. Hayry M. Categorical objections to genetic engineering − a critique / eds. A. Dyson, J. Harris. L. // Ethics and Biotechnology; N.Y.: Routledge, 1994. – Рp. 202-215.

20. Введенская Е. В. Биоэтический анализ противоречий трансгуманизма // Вестник МИТХТ. Социальногуманитарные науки и экология. – № 3. – 2014. – С. 35-40.

21. Мареева Е.В. От искусственного интеллекта к искусственной душе // Вопросы философии. – 2014. – № 1. – С. 171-177.

22. Аршинов В.И. Технонаука и проблема человека / В. И. Аршинов, А. Л. Андреев // Вестник МЭИ. – 2011.

– № 4. – С. 110-116.

23. Литвак Л.М. «Жизнь после смерти»: предсмертные переживания и природа психоза: опыт самонаблюдения и психоневрологического исследования / Под ред. и со вступ. ст. проф. Д.И. Дубровского; изд. 2-е. – Москва: Канон+, 2007. – 671 с.

24. Дубровский Д.И. Проблема нейродинамического кода психических явлений // Вопросы философии.

1975. – № 6. – С. 84-95.

25. Сергеев С.Ф. Человек в сложных технических системах: проблема сознания / С.Ф. Сергеев, А.С. Сергеева // Вторая межд. науч.-практ. конф. «Человеческий фактор в сложных технических системах и средах» (Эрго-2016) (Санкт-Петербург, Россия, 6–9 июля 2016): труды. – Санкт-Петербург: межрегион. эргоном. ассоц. ФГАОУ ДПО «ПЭИПК», Северная звезда, 2016. – С. 66-72.

26. Edelman G. The Remembered Present: A Biological Theory of Consciousness. – N.Y.: Basic Books, 1989.

27. Иваницкий А.М. Синтез информации в ключевых отделах коры как основа субъективных переживаний // Журнал высшей нервной деятельности. – 1997. – Т. 47. – Вып. 2. – С. 209-225.

28. Metzinger T. (2009). The ego tunnel: The science of the mind and the myth of the self. New York, NY, US: Basic Books.

29. Stimulating illusory own-body perceptions / O. Blanke [et al] // Nature. – 2002. – Vol. 419. – Pp. 269-270.

30. Video Ergo Sum: Manipulating Bodily Self-Consciousness / B. Lenggenhager [et al] // Science 24 August 2007: Vol. 317. – №. 5841, pp. 1096-1099.

31. Maselli A. Sliding perspectives: dissociating ownership from self-location during full body illusions in virtual reality / A. Maselli, M. Slater Frontiers in Human Neuroscience 8:693.

32. Сергеев С.Ф. Психология техноинтеграции и техномодификации человека: теоретикометодологический базис // Актуальные проблемы психологии труда, инженерной психологии и эргономики. Выпуск 8 / Под ред. А.А. Обознова, А.Л. Журавлева. – Москва: Изд-во «Институт психологии РАН», 2018. – С.

30- 49.

33. The Self and Its Brain: An Argument for Interactionism by Karl R. Popper and John C. Eccles Berlin: SpringerVerlag, 1977, xvi + 597 p.

34. Виттих В.А. Когнитология развивающихся систем // Мехатроника, автоматизация, управление. – 2011. – № 10. – С. 45-50.

References 1. Sergeev, S. (2011). Na puti ot bioorganizatsii k kiberorganizatsii: chelovek v teni iskusstvennogo intellekta [On the Way from Bio-Organisation to Cyber-Organisation: Human in the Shadow of Artificial Intelligence]. In: D. Dubrovsky and V. Lektorsky, ed., Estestvennyi i iskusstvennyi intellekt: metodologicheskie i sotsial'nye problemy [Natural

255

Общие вопросы / General Issues

and Artificial Intelligence: Methodological and Social Problems]. Moscow: «Kanon+» ROOI «Reabilitatsiya» Publ., pp.48-59. (in Russian).

2. Sergeev, S. (2011). Artificial Intelligence: A Psychological Point of View. Mekhatronika, Avtomatizatsiya, Upravlenie, 7, pp.2-6. (in Russian).

3. Dubrovsky, D. ed., (2013). Global'noe budushchee 2045. Konvergentnye tekhnologii (NBIKS) i transgumanisticheskaya evolyutsiya [Global Future 2045. Convergent Technologies (NBICS) and Trans-Humanistic Evolution].

Moscow: OOO Izdatel'stvo MBA Publ., pp.158-168. (in Russian).

4. Chekletsov, V. (2013). Chuvstvo planety. Internet Veshchei i sleduyushchaya tekhnologicheskaya revolyutsiya [Planet's Sense. Internet of Things and Next Technological Revolution]. Moscow: Russian Scientific Center for Internet of Things Publ. (in Russian).

5. Lem, S. (1968). Summa tekhnologii [Technolgy's Summary]. Moscow: Mir Publ., p.608. (in Russian).

6. Bykov, E. (2017). NBIC-Converging Technologies: Historical Overview. Part I. NBIKS-Nauka.Tekhnologii, 1, pp.12-24. (in Russian).

7. Bykov, E. (2017). NBIC-Converging Technologies: Historical Overview. Part II. NBIKS-Nauka.Tekhnologii, 2, pp.24-36. (in Russian).

8. Vinge, V. (1993). The Coming Technological Singularity. In: Proceedings of a Symposium Vision-21: Interdisciplinary Science & Engineering in the Era of Cyberspace.

9. Kurzweil, R. (2005). The Singularity Is Near. New York: Viking Publ.

10. Sergeev, S. (2013). Refleksivnaya avtoevolyutsiya global'nykh intellektnykh tekhnogennykh sred [Reflexive auto-evolution of global intelligent technogenic media]. In: Refleksivnye protsessy i upravlenie. Sbornik materialov IX Mezhdunarodnogo simpoziuma [Reflexive Processes and Control. Proceedings of IX International Symposium]. pp.245-248. (in Russian).

11. Ulam, S. (1958). Tribute to John von Neumann. Bulletin of the American Mathematical Society, 64(3), p.5.

12. Zinchenko, V. (2002). Psikhologicheskie osnovy pedagogiki (Psikhologo-pedagogicheskie osnovy postroeniya sistemy razvivayushchego obucheniya D.B. El'konina V.V. Davydova) [Psychological Fundamentals of Pedagogics (Psychological and Pedagogical Basics for Developmental Education Structure by Elkonin-Davydov Method)]. Moscow: Gardariki Publ., p.431. (in Russian).

13. Zinchenko, V. (2001). Razmyshleniya o dushe i ee vospitanii (Chas Dushi). Rasshirennaya versiya doklada [The thoughts of soul and its education (Soul's Hour). Extended version of report]. In: Mezhdunarodnyi simpozium Dukhovnost' detstva [International Symposium on Childhood Inwardness]. p.33. (in Russian).

14. Kratin, Y. (1982). Neirofiziologiya i teoriya otrazheniya [Neurophysiology and Theory of Reflection]. Leningrad: Nauka Publ., p.84. (in Russian).

15. Sergin, V. (2011). Consciousness and thinking: neurobiological mechanisms. Psychological Journal of International University of Nature, Society and Human «Dubna», 2, pp.7-34. (in Russian).

16. Dubrovsky, D. (2002). Problema ideal'nogo. Sub"ektivnaya real'nost' [Problem of Perfect. Subjective Reality].

Moscow: Kanon+ Publ., p.368. (in Russian).

17. Kriman, A. (2019). The Idea of the Posthuman: A Comparative Analysis of Transhumanism and Posthumanism. Russian Journal of Philosophical Sciences, 62(4), pp.132-147. (in Russian).

18. Huxley, J. (1957). Transhumanism. In: J. Huxley, ed., New Bottles for New Wine. London: Chatto & Windus, pp.13-17.

19. Hayry, M. (1994). Categorical objections to genetic engineering − a critique. In: A. Dyson and J. Harris, ed., Ethics and Biotechnology. New York: Routledge Publ., pp.202-215.

20. Vvedenskaya, E. (2014). Genetic improvement of human: bioethical analysis of transhumanist approach. Vestnik MITKhT. Seriya: sotsial'no-gumanitarnye nauki i ekologiya, 3, pp.35-40. (in Russian).

21. Mareeva, E. (2014). Ot iskusstvennogo intellekta k iskusstvennoi dushe [From artificial intellect towards artificial soul]. Voprosy filosofii, 1, pp.171-177. (in Russian).

22. Arshinov, V. and Andreev, A. (2011). Technoscience and the human problem. Vestnik MEI. Bulletin of Moscow power engineering institute, 4, pp.110-116. (in Russian).

23. Litvak, M. (2007). «Zhizn' posle smerti»: predsmertnye perezhivaniya i priroda psikhoza: opyt samonablyudeniya i psikhonevrologicheskogo issledovaniya [«Postexistence»: premortal experience and psyhosis nature.

Experience of self-observation and psychoneurological research]. 2nd ed. Moscow: Kanon+ Publ., p.671. (in Russian).

24. Dubrovsky, D. (1975). Problema neirodinamicheskogo koda psikhicheskikh yavlenii [Problem of neurodynamic code of psychic phenomenons]. Voprosy filosofii, 6, pp.84-95. (in Russian).

25. Sergeev, S. and Sergeeva, A. (2016). Chelovek v slozhnykh tekhnicheskikh sistemakh: problema soznaniya [Human in compex engineering systems; conscience problem]. In: Trudy II Mezhdunarodnoi nauchno-prakticheskoi 256

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

konferentsii «Chelovecheskii faktor v slozhnykh tekhnicheskikh sistemakh i sredakh» (Ergo-2016) [Proceedings of II International Scientific and Practical Conference on Human Factor in Complex Engineering Systems and Environments (ERGO-2016)]. pp.66-72. (in Russian).

26. Edelman, G. (1989). The remembered present: A Biological Theory of Consciousness. New York: Basic Books.

27. Ivanitsky, A. (1997). Informational synthesis in crucial cortical area as the brain base of the subjective experience. Neuroscience and Behavioral Physiology, 47(2), pp.209-225. (in Russian).

28. Metzinger, T. (2009). The ego tunnel: The science of the mind and the myth of the self.. New York: Basic Books.

29. Blanke, O., Ortigue, S., Landis, T. and Seeck, M. (2002). Stimulating illusory own-body perceptions. Nature, 419(6904), pp.269-270.

30. Lenggenhager, B., Tadi, T., Metzinger, T. and Blanke, O. (2007). Video Ergo Sum: Manipulating Bodily SelfConsciousness. Science, 317(5841), pp.1096-1099.

31. Maselli, A. and Slater, M. (2014). Sliding perspectives: dissociating ownership from self-location during full body illusions in virtual reality. Frontiers in Human Neuroscience, 8.

32. Sergeev, S. (2018). Psikhologiya tekhnointegratsii i tekhnomodifikatsii cheloveka: teoretiko-metodologicheskii bazis [Psychology of technological integration and technological modification of human: theoretical and methodological basis]. Aktual'nye problemy psikhologii truda, inzhenernoi psikhologii i ergonomiki [Current problems of labor psychology, engineering psychology and ergonomics], 8, pp.30-49. (in Russian).

33. Popper, K. and Eccles, J. (1977). The self and its brain Karl R. Popper and John C. Eccles. Berlin: Springer International.

34. Vittikh, V. (2011). Cognitive Science for Developing Systems. Mekhatronika, Avtomatizatsiya, Upravlenie, 10, pp.45-50. (in Russian).

Информация об авторе Сергеев Сергей Федорович, д.псх.н., Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК), в.н.с., 194064, Санкт-Петербург, Тихорецкий пр., д. 21; Санкт-Петербургский Политехнический университет Петра Великого (СПбПУ), профессор, заведующий научно-исследовательской лабораторией «Эргономика сложных систем», 195251, Санкт-Петербург, ул. Политехническая, д. 29, тел.: +7(911)995-09-29, ssfpost@mail.ru

Information about the author Sergey F. Sergeev, Doctor of Psychological Science, Russian State Scientific Center for Robotics and Technical Cybernetics (RTC), Leading Research Scientist, 21, Tikhoretsky pr., Saint-Petersburg, 194064; Russia Peter the Great Saint-Petersburg Polytechnical University (SPbPU), Professor, Head of Scientific and Research Laboratory of Complex Systems, 29, Politekhnicheskaya ul., Saint-Petersburg, 195251, Russia, tel.: +7(911)995-09-29, ssfpost@mail.ru

257

Общие вопросы / General Issues

УДК: 001.18:621.865.8 DOI: 10.31776/RTCJ.7402 C. 258-269

Мировой и российский рынки промышленной робототехники. Перспективы их развития А.Б. Николаев

Це нтрал ьны й нау чно -иссл едова тел ьс кий и опы тно -ко нс тру кторс кий и нс титут ро бо то тех ни ки и техничес кой ки бернетики (ЦНИИ РТК), Санкт-Пе тер бург, Рос сийс ка я Фе дерация, a.niko laev @rtc.ru ( М а т е р и а л п ос т у п и л в р ед ак ц и ю 04 и ю л я 20 1 9 г од а)

Аннотация На основе отчёта статистического отдела IFR по маркетинговым исследованиям рынка промышленных роботов World Robotics 2018 Industrial Robots и других аналитических материалов проведён анализ современного состояния промышленной робототехники в мире и России. Отмечены тенденции развития рынка промышленной робототехники по мировым регионам, а также дана характеристика современной экономической ситуации в России с акцентом на её влияние на отечественный рынок промышленной робототехники. Сформулированы основные факторы, влияющие на современный рынок промышленной робототехники в России, и сделаны выводы относительно причин кризисной ситуации в отечественном роботостроении. Главной причиной провальной ситуации в промышленном роботостроении России является низкая платёжеспособность основной массы населения. В сложившихся условиях единственной тактикой поддержки рассматриваемой отрасли со стороны Правительства РФ является (наряду с мерами по развитию внутреннего рынка России) предоставление режима наибольшего экономического благоприятствования отечественным интеграторам и другим организациям малого и среднего бизнеса, осуществляющим автоматизацию реальных производственных процессов.

Ключевые слова Промышленные роботы, плотность роботизации, производство промышленных роботов, поставки промышленных роботов, промышленная автоматизация, отечественное машиностроение, интеграторы роботов.

Благодарности Работа выполнена при финансовой поддержке Министерства науки и высшего образования РФ в рамках государственного задания ЦНИИ РТК № 075-00924-19-00.

World and Russian markets of industrial robotics.

Prospects of their development Alexander B. Nikolaev

Russ ian State Sc ie ntific Center fo r Robo tics and Technical Cybernetics (RTC), Saint-Petersbu rg, Russ ia , a.nikolaev @rtc .ru ( R e c e i v e d 0 4 J u l y 2 0 1 9)

Abstract The analysis of Industrial robotics’ current state-of-the-art in Russia and in world is carried out on the base of report ‘World Robotics 2018 Industrial Robots’ on marketing researches of industrial robots by IFR statistic department and other analitical materials. Trends in the development of the industrial robotics market in world regions are indicated, as well as a description of the current economic situation in Russia with an emphasis on its impact on the domestic market of industrial robotics. Main factors affecting modern market of industrial robotics in Russia are defined, and conclusions on causes of critical situation in national robotics are drawn. Root cause of disastrous situation for industrial robotics in Russia is low purchasing power of the bulk of the population. Under current conditions the only tactics to support concerned field on Russian Federation government’s part is to assign the highest economical concessionality mode for domestic integrators and other small and medium enterprises realizing automatization of real industrial processes, alongside with Russian internal market promotion measures.

258

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

Key words Industrial robots, robotization density, industrial robots’ production, industrial robots’ supply, industrial automatization, national machine building, robots’ integrators.

Acknowledgements The work is financially supported by Ministry of Science and Higher Education of Russian Federation in the frame of state assignment RTC no. 075-00924-19-00. Информационно-технологическая концепция киберфизических систем (Cyber-Physical System – CPS), распространённая на процесс промышленного производства, получила название «Индустрия 4.0», которую, в самом общем виде, характеризуют как глобальную многоуровневую организационнотехническую систему, основанную на технологиях интеграции в единое информационное пространство физических операций и сопутствующих процессов [3]. На современном этапе промышленного производства, когда преобладают сравнительно простые задачи по изготовлению продуктов или организации техпроцесса, локализованные на ограниченном про1 странстве, CPS эффективно используются в «локальном» варианте – в виде роботов, робототехнических комплексов (РТК) или систем (РТС) со встро__________________________________________ 1

«умные системы, охватывающие вычислительные (аппаратное и программное обеспечение) и эффективно интегрируемые физические компоненты, которые тесно взаимодействуют между собой, чтобы чувствовать изменения состояния реального мира» [1, 2]

енной (в т.ч. на основе искусственного интеллекта – ИИ) системой управления и возможностью обмена информацией с внешней средой. При этом роботы с их прогрессирующими способностями являются как бы «пазлами», из которых будут составляться будущие «панно» «Индустрии 4.0», «Индустрии 5.0» и – далее. Таким образом, хотя в настоящее время «Индустрия 4.0» ещё не реализована, и используются только её отдельные элементы, изучение рынка промышленной робототехнической продукции весьма актуально, т.к. даёт информацию о перспективах перехода мирового сообщества к новому технологическому укладу производства и потребления. Ниже представлены данные и прогнозы статистического отдела Международной федерации робототехники (International Federation of Robotics – IFR), опубликованные в ежегодном сборнике World Robotics 2018, которые следует рассматривать, скорее, как тенденции развития робототехнической отрасли, нежели как фактические и точные прогнозы продаж.

Рисунок 1 — Ориентировочное ежегодное количество поставок промышленных роботов на мировом рынке в 2009-2018 гг. и прогноз на 2019-2021 гг. [4] Figure 1 — Approximate annual delivery quantity of industrial robots in world market in 2009-2018 and forecast for 2019-2021

259

Общие вопросы / General Issues

Рисунок 2 — Распределение ежегодных поставок промышленных роботов по мировым регионам в 2016-2018 гг. и прогноз на 2019-2021 гг. [4]. Здесь R2 – коэффициент достоверности аппроксимации: показывает степень соответствия трендовой модели исходным данным Figure 2 — Annual supply distribution of industrial robots in world regions in 2016-2018 and forecast for 2019-2021.

Here, R2 – approximation validity coefficient: it shows degree of conformity of trend model to input data

Рисунок 3 — Топ-5 мировых рынков ежегодных поставок (на конец года) промышленных роботов в 2015-2017 гг. [4] Figure 3 — World markets top-5 of annual industrial robots’ deliveries (by the end of the year) in 2015-2017

260

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

Рисунок 4 — Ежегодные поставки промышленных роботов в Китай в 2007 - 2017 гг. [4]. Голубым цветом выделены поставки местных производителей, синим – импортная продукция Figure 4 — Annual deliveries of industrial robots in China in 2007-2017. Deliveries of local producers are highlighted by light blue colour; import production – by dark blue

Рисунок 5 — Количество установленных промышленных роботов на 10000 сотрудников в обрабатывающей промышленности в 2017 году (плотность промышленной роботизации) [4] Figure 5 — Quantity of installed industrial robots to 10000 employers in materials processing industry in 2017 (industrial robotization density)

261

Общие вопросы / General Issues

Рисунок 6 — Распределение мировых ежегодных поставок промышленных роботов по отраслям производства на конец года в 2014 – 2017 гг.

Figure 6 — Annual world supply distribution of industrial robots by industries by the end of the year in 2014-2017

Анализ представленных IFR статистических данных позволяет сделать следующие выводы: 1. В период 2018-2021 гг. прогнозируется 14% ежегодный рост мировых поставок промышленных роботов (рис. 1). Драйвером указанного прироста будет азиатско-австралийский регион, поставки в который будут нарастать более чем в 7 раз быстрее по сравнению с Европой и в 12 раз быстрее, чем в Америку (при коэффициентах достоверности аппроксимации R2 не менее 0,88 – см. рис. 2). В абсолютных величинах вклад Азии/Австралии в общее количество мировых ежегодных поставок в течение прогнозируемого периода будет составлять не менее 70% (рис. 1, 2).

2. В топ-5 региональных рынков ежегодных поставок промышленных роботов входят Китай, Япония, Республика Корея, США, Германия (рис. 3). Доля вышеобозначенных стран в 2017 году составляла 73% общемировых поставок. При этом на Китай приходилось 50% поставок группы топ-5 или около 40% общемировых (рис. 1, 3).

3. Динамика темпов роста ежегодных поставок промышленных роботов в Китае (рис. 4) показывает, что в период 2013-2017 гг. количество роботов отечественного производства на рынке страны непрерывно увеличивалось со скоростью около 40% в год. Рост импортных поставок составлял около 30% в год в период 2013-2016 гг. Однако в 2017 году произошло резкое увеличение импортных поставок – на 72% по сравнению с 2016 годом. Приведённые данные свидетельствуют либо о резком увеличении внутреннего спроса на производственное оборудование массового выпуска серийной продукции, либо

о структурной перестройке промышленности Китая – с увеличением доли оборудования производства более высокотехнологичной продукции (которого у местного производителя не хватает или оно отсутствует), либо о том и другом одновременно.

4. Топ-20 лидеров технологического развития производства в области промышленной автоматизации по показателю плотности роботизации в 2017 году возглавила Республика Корея – 710 роботов на 10000 работников; далее следовали Сингапур – 658/10000, Германия – 322/10000 и Япония – 308/10000 (рис. 5). Четвёрка указанных стран занимает лидирующие положения по плотности роботизации уже в течение 6 лет – с 2013 года. При этом Корея является безоговорочным лидером, Сингапур с 2015 года – второй, а Германия и Япония попеременно делят 3-4 места. Средняя плотность роботизации по регионам в 2017 году составила: в Европе – 106, в Америке – 91, в Азии – 75, среднемировая – 85. Из диаграммы рисунка 5 видно, что 14 из 20 стран списка «топ-20» (70%) находятся в Европейском Союзе, что свидетельствует о высоком уровне развития автоматических технологий промышленного производства, позволяющем ставить задачи перехода к новому технологическому укладу – «Индустрии 4.0». Самый перспективный, с точки зрения абсолютных показателей, рынок Китая вообще не вошёл в рейтинг топ-20 диаграммы рисунка 5. Однако для сохранения лидирующего положения в качестве «завода мира» в условиях неизбежного роста затрат на рабочую силу и нехватки квалифицированных кадров Китай будет вынужден увеличивать плотность про-

262

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

мышленной автоматизации на своих предприятиях. Поэтому в правительственном генеральном плане развития промышленности «Сделано в Китае 2025» в числе приоритетных задач планируется увеличить плотность использования роботов уже к 2020 году до 150/10000 [5] – на что потребуется огромная государственная помощь. Реальность китайского амбициозного плана подтверждают статистические показатели: если в 2015 году плотность роботизации оценивалась в 49/10000, то уже в 2017 году (через 2 года!) по данным IFR показатель составил 97/10000 (рис. 5), т.е. увеличился в 2 раза. Основным признаком рынка российской промышленной робототехники является его несопоставимо малый масштаб в сравнении с аналогичными рынками других развитых и наиболее передовых развивающихся стран. Так, по данным Национальной ассоциации участников рынка робототехники (НАУРР) [6], в 2016 году в России было продано 359 промышленных роботов, в 2017 – уже 713 единиц, а в 2018 – 860 штук [7]. Однако несмотря на 54% рост ежегодных поставок в течение текущего трехлетия, абсолютные величины количества закупаемых промышленных роботов в России гораздо меньше, чем в остальных развивающихся странах Европы, Азии или Америки. Для сравнения: по данным IFR в 2017 году было поставлено, например, в Китай – около 138000 роботов, во Вьетнам – 8300 ед., в Индию и Таиланд – по 3400 ед., в Мексику – 6300 ед., в Чехию, Польшу и Словакию, соответственно, 2886, 1891 и 1203 единиц. Плотность роботизации промышленности России в 2017 году оценивалась показателем 3/10000 [7, 8], в 2018 году – 4/10000 [9], что, соответственно, в 19, 23, 26 и 21 раз меньше соответствующих усреднённых показателей по азиатскому, американскому, европейскому и общемировому регионам в 2017 году.

5. На мировом рынке роботизации традиционно лидирует автомобилестроение (см. рис. 6). На втором месте – производство электроники. На эти две отрасли приходится около 65% всех ежегодных мировых поставок. При этом в 2018 году по сравнению с 2017 годом наблюдалось 6% уменьшение количества роботов, закупаемых для автомобильной промышленности, с одновременным ростом на 8% поставок для производства электроники [9]. Металлургия и механообработка стабильно на протяжении, по крайней мере, 5 лет занимают третье место. В 2018 году по сравнению с 2017 годом рост поставок робототехнического оборудования для них составил около 7%. На «Другие» роботы традиционно в среднем приходится около 15% общего числа поставок. Достаточно консервативная во времени структура рынка мирового производства робототехнических средств способствует специализации производителей этих средств, стимулируя их деятельность по

2019; 7(4)

непрерывному улучшению качества своей продукции в конкурентной борьбе. В результате рыночного отбора остаётся ограниченное число таких производителей, которые стремятся закрепить доминирующее положение в своём отраслевом сегменте уже не только улучшением потребительских свойств продукции и мероприятиями по повышению внутрифирменной эффективности, но и иными мерами, преимущественно, политико-юридического характера. В настоящее время мировой рынок промышленной робототехники поделен не более, чем 20-30 компаниями, крупнейшими из которых являются: FANUC, Yaskawa, Kawasaki, Nachi, Denso, Mitsubishi, Epson – Япония, ABB – Швеция, Kuka – Китай/Германия, Staubli – Швейцария, Comau – Италия, Omron – США/Япония, Universal Robots – Дания. В России производство, собственно, промышленных роботов в настоящий момент отсутствует. Обращает на себя внимание и слабое использование промышленных роботов в сегменте отечественного производства электроники, требующего высокой точности и быстрой переналадки оборудования. В мировом масштабе электроника является вторым (см. рис. 6) крупнейшим потребителем промышленных роботов (в 2018 году – 28% общего объёма поставок робототехнической продукции), в России же на её долю приходится около 1% поставок [6], и в число перспективных секторов робототехнической отрасли она пока не входит. Общая оценка современного экономического положения России в материалах открытых публикаций весьма противоречива. Например, недавно в отечественных СМИ широко информировалось о достижении Россией второго места в новом рейтинге сравнительного показателя текущей ситуации и перспектив экономического развития развивающихся стран (рынков), опубликованных агентством Bloomberg, смотри, например, [10]. Утверждалось, что при подготовке рейтинга учитывался целый ряд параметров, среди которых присутствуют прогноз роста ВВП в 2018-2019 гг., состояние счёта текущих операций, суверенного кредитного рейтинга, состояния рынков акций и облигаций, валютных резервов и т.д. Кстати, непонятно, почему Китай в этом рейтинге занимает третье место, хотя по своей экономической мощи он многократно превосходит Россию. Одновременно появился ряд статей, в которых экономическое положение РФ не выглядит столь оптимистично. В частности, в [11] приведены результаты очередного опроса – «Барометр уверенности компаний», проведённого аудиторско-консалтинговой группой EY (исследование совпало с апрельским раундом американских санкций против крупного российского бизнеса; в опросе приняли участие 60 руко-

263

Общие вопросы / General Issues

водителей российских компаний из 14 секторов экономики), из которых следует, что 84% собственников малого и среднего бизнеса в России готовы отказаться от части активов из-за их неэффективности или каких-либо выявленных рисков и только 32% инвесторов готовы вложиться в новые проекты. Главным риском, угрожающим развитию бизнеса, 55% респондентов назвали геополитическую напряженность. В тексте исследования подчеркивается, что: «Кризис ослабил позиции компаний малого и среднего бизнеса, которые страдают от введенных в отношении России ограничений, а также от нестабильности и ужесточения требований регуляторов. При этом государство не оказывает им такую поддержку, как крупному бизнесу». Надежды бизнеса на улучшение ситуации связаны с возвращением фондов прямых инвестиций как основных покупателей активов. В июне 2018 года глава Российского фонда прямых инвестиций (РФПИ) Кирилл Дмитриев пообещал инвестировать более 7 трлн. руб. в инфраструктурные и высокотехнологичные проекты в России. Для этих целей в конце 2017 года была создана новая инвестиционная платформа «РФПИ Технологии». Основными рисками для развития рынка остаются политическая неопределенность в экономике на фоне волатильности рубля, зависимость от нефтегазового сектора, повышение НДС и снижение потребительской активности [11]. Отрицательное воздействие на экономику России оказывает и отток капитала, инициированный ужесточением денежно-кредитной политики Федеральной резервной системы США, усилением внешнеторговых ограничений, экономическим кризисом в Турции, санкционной политикой Запада в отношении России и зависимостью российской экономики от ситуации на нефтегазовых рынках. По данным ЦБ, по итогам семи месяцев (январь – июль) 2018 года чистый вывоз капитала российским частным сектором вырос до $21,5 млрд., в то время как за весь 2017 год аналогичный показатель составил $27,3 млрд. ($18,5 млрд. – в 2016 году). В результате Минэкономразвития России пересмотрело прогноз по оттоку капитала в 2018 году – до $41 млрд. вместо прогнозируемых $18 млрд. [12]. Следует также отметить высокий уровень бедности россиян, что не способствует развитию массового внутреннего спроса на товары и услуги. По словам руководителя Счётной палаты Алексея Кудрина [13], 19,3 млн. россиян на 01.01.2018 имели доход ниже прожиточного минимума, среднее значение которого к началу 2018 года составляло (постановление Правительства РФ от 08.12.17 № 1490) 10328 руб. на душу населения. В результате структура потребления среднего россиянина «смещена» в сторону продовольственных товаров. Если в США в структуре

потребления на продукты питания приходится около 6%, а с общепитом – 12%, то в большинстве отечественных домохозяйств – более 50%. Общеэкономическая ситуация во многом определяет положение в машиностроении, с которым непосредственно связано развитие робототехнических технологий. Здесь мы воспользуемся материалами, приведёнными в аналитическом отчёте [14], и данными описания сферы реализации подпрограммы «Развитие производства средств производства в РФ» Государственной программы Российской Федерации «Развитие промышленности и повышение ее конкурентоспособности» (Постановление Правительства РФ от 15.04.2014 № 328 (ред. от 31.03.2017)). В цитируемых источниках к машиностроению отнесены следующие отрасли: станкостроение и инвестиционное машиностроение (энергетическое машиностроение, электротехническая и кабельная промышленность, нефтегазовое и химическое машиностроение, тяжелое машиностроение), автомобилестроение, транспортное и специальное машиностроение, станкоинструментальное производство, радиоэлектроника и приборостроение, авиационная промышленность, судостроение. В течение пяти лет (с 2014 года) российское машиностроение характеризуется отрицательной динамикой выпуска. В 2015 году спад, по оценке экспертов РИА Рейтинг, составил 8,9%, в 2016 году – 0,9%. Экспорт машиностроительной продукции, несмотря на девальвацию рубля, сократился по итогам года, согласно данным Федеральной таможенной службы РФ (ФТС), на 4,3% – $24,3 млрд. Основная причина сокращения объёмов выпуска продукции машиностроения в России – спад внутреннего потребления, как инвестиционного, так и конечного. На фоне негативной динамики выпуска и его высокой волатильности возникает риск возобновления деградации производственных мощностей предприятий машиностроения, в первую очередь станочного парка. Деградация производственных фондов проявляется как в сокращении общего парка станков, так и в увеличении доли физически изношенного оборудования. То есть снижение количества станков не компенсируется ростом производительности оставшихся. Сейчас средний возраст производственного оборудования в отечественном машиностроении превышает 20 лет, что определяет высокий уровень его физического износа: около 45% парка станков и другого промышленного оборудования физически изношены и должны быть выведены из эксплуатации. Большое отставание наблюдается по доле станков с ЧПУ: если в Японии к данному классу относятся более 90% станков, в Германии и США – более 70%, а в Китае – около 30%, то в России в

264

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2016 году доля станков с ЧПУ составляла менее 10%. Процесс количественного сокращения и качественной деградации производственных мощностей в российском машиностроении идет быстрее, чем сокращение персонала. В результате, в то время как на российских предприятиях на 1 станок приходится в среднем 4,7 работников отрасли машиностроения, в ЕС – 0,8 работника, а производительность труда в машиностроении ЕС в 6 раз превышает российскую, и это при том, что в структуре выпуска продукции машиностроения в России преобладают дорогостоящие продукты инвестиционного машиностроения. Следствием вышеуказанных показателей является низкая конкурентоспособность производимой продукции как по цене, так и по качеству. В результате для российских предприятий машиностроения на мировом рынке, включая и российский, доступна лишь небольшая доля существующего спроса, ограниченная: во-первых, долей в цепочке создания новой стоимости (среди мировых производителей), а во-вторых – низкой долей добавочной стоимости в продукции, собственно, российских предприятий. В основном – это сборка и производство недорогих комплектующих и материалов. На рынке оборонной продукции и инвестиционного машиностроения доля продукции, произведенной российскими предприятиями, существенно выше. Но здесь имеет место другая проблема – меньший размер этих рынков, по сравнению с массовыми, их высокая волатильность, а также высокая доля импортных комплектующих (в основном из Китая). Низкая конкурентоспособность не даёт отечественным предприятиям машиностроения окупить вложения в основные фонды и производственные процессы, т.к. результатом ограниченности даже российского рынка сбыта является низкий уровень использования производственных мощностей по отношению к рабочему времени – около 20%, что совершенно неприемлемо на фоне мировых конкурентов с показателем, превышающим 90%. Низкий уровень загрузки производственных мощностей приводит к неэффективности автоматизации без изменения принципов организации производства и сбыта продукции. Очевидно, что инвестиции в средства сокращения времени подготовки заданий к выполнению и его выполнение наиболее оптимальным маршрутом теряют экономический смысл, если для производственного оборудования нет достаточного потока заданий, обеспечивающего их оптимальную загрузку. Другими словами, в ситуации, когда загрузка дорогостоящего производственного оборудования находится на уровне 20-25% рабочего времени, вкладывать деньги в ускорение процессов подготовки заданий для станков и оптимизации их ремонтов нет смысла – на эти операции есть 75-80%

2019; 7(4)

свободного времени, и его не станет меньше, если ничего не делать для увеличения потока производственных заданий [14]. Таким образом, именно малый размер доступных (при существующем уровне себестоимости и качества) рынков сбыта является первопричиной кризисного состояния российского машиностроения, а не низкий уровень маржинальности и дороговизна кредитов [14]. Дополнительным негативным фактором является то, что фрагментарно обновленные производственные фонды разбросаны по отдельным, не связанным между собой производствам. Как следствие, нет возможности даже на отдельных производствах выстроить сквозную автоматизированную цепочку производства (а именно такой подход позволяет в полной мере использовать возможности станков с ЧПУ и обрабатывающих центров), не говоря уже о выстраивании таких цепочек с использованием мощностей различных предприятий. Большинство производств обеспечивают только внутренние потребности и оптимизированы под производство исключительно продукции собственной разработки, контрактное производство практически отсутствует. Такая деградация на фоне перехода крупнейших мировых производителей продукции машиностроения на модель сервисно-продуктовых систем PSS (Product-Service Systems – единые системы, объединяющие собственно физический продукт и все процессы, связанные с его производством и эксплуатацией) окажет разрушительное воздействие не только на сферу материального производства, но и на сферу услуг, доля которой превышает 55% отечественного ВВП. В России более половины объёма рынка услуг напрямую связаны с перепродажей и обслуживанием импортного оборудования, поэтому переход крупнейших мировых компаний-производителей на модель PSS, при которой они получают прямой доступ к конечному потребителю, означает, что вся цепочка отечественных посредников такого доступа лишается и переходит под контроль производителя. Поэтому отсутствие собственного конкурентоспособного производства в России в парадигме PSS будет означать отсутствие и отечественной сферы услуг, связанной с продажей и обслуживанием продукции машиностроения. Соответственно, по уровню развития рынка промышленной робототехники Россия занимает место среди стран после четвертого десятка, уступая Индии, Филиппинам, Индонезии, Бразилии, Румынии, Турции, Таиланду, Новой Зеландии и т.д. Основные факторы, влияющие на современный рынок промышленной робототехники в России:  Кризисное состояние промышленности, связанное, прежде всего, с ограниченностью внутренне-

265

Общие вопросы / General Issues

го спроса вследствие низкой платёжеспособности основной массы населения, ориентацией на поддержку сырьевых отраслей и ростовщической политикой банковской системы. Ограниченность внутреннего спроса косвенно подтверждается данными рейтинга 50 самых быстрорастущих частных компаний России [15], из которого следует, что в 2018 году самой прибыльной отраслью в России являлась торговля продуктами питания и аптечными товарами,– отток капитала и снижение инвестиционной активности, усиленные санкционной политикой Запада в отношении России и зависимостью российской экономики от ситуации на нефтегазовых рынках. Это способствует повышению кредитной ставки по долгосрочным кредитам нефинансовым организациям, что отрицательно сказывается на предоставлении выгодных условий финансирования, прежде всего, малым и средним предприятиям. Следует заметить, что при негативной рыночной ситуации и низких темпах роста промышленности и инвестиций стратегической задачей правительства считается максимальное расширение рыночной доли в экономике государства, основными носителями которой являются, именно, малые и средние предприятия.  Отсутствие действенных долгосрочных программ развития на большинстве промышленных предприятий. Принятый Федеральный закон РФ от 31.12.2014 № 488-ФЗ (ред. от 27.06.2018) «О промышленной политике в Российской Федерации» в условиях экономической стагнации носит декларативный характер. Основная часть государственной поддержки приходится на военную, специализированную и сервисную робототехнику, в то время как производители промышленных роботов, практически, её не получают.  Относительная дешевизна рабочей силы, снижающая рентабельность автоматизации и роботизации производства и, тем самым, экономическую привлекательность создания сложной роботизированной системы (из-за низкой стоимости труда сроки окупаемости проектов по роботизации в РФ, по крайней мере, в два раза превышают сроки в Европе или США).  Практически полное отсутствие вовлеченности в процесс роботизации малого и среднего бизнеса из-за отсутствия серьёзных стимулов для внедрения промышленных роботов.  Низкая культура производства. Роботизированные системы максимально эффективны в условиях постоянного качества сырья и заготовок, чего тяжело добиться в России на устаревшем и некачественном заготовительном оборудовании.  Незначительный объём высокотехнологичных производств (существуют, в основном, на предприятиях ОПК) и, как следствие – недостаток количества

квалифицированных специалистов, что также связано с дешевизной рабочей силы.  Недостаток в обеспечении комплектующими. Отечественные комплектующие либо отсутствуют изза экономической нецелесообразности их производства штучными партиями, либо не обладают надлежащим качеством, импортные – либо недоступны как продукция двойного назначения в условиях санкций, либо имеют высокую стоимость. К этому следует добавить несбалансированную таможенную политику и затраты на доставку небольших партий товаров на удалённые расстояния. Таким образом нельзя не согласиться с А. Перепелицей – генеральным директором ООО УРТЦ «Альфа-Интех» [8]: «…Теперь пришло понимание, что при минимально безубыточном объёме производства промышленных роботов от 200 до 1000 шт. в год (в зависимости от степени локализации, (KUKA – в европейских условиях называет цифру в 1500 роботов в год)), при нашем крайне малом внутреннем рынке и при существующей конкуренции мощных зарубежных брендов как на внутреннем, так и на мировом рынке, никакими преференциями не удастся ни стимулировать отечественного производителя, ни привлечь зарубежного. Просто нужно растить рынок, создавать внутренний спрос на роботов и довести его хотя бы до 2000-3000 шт. в год. Только тогда можно будет успешно вести производство промышленных роботов, ориентированное сначала на внутренний рынок, а затем, глядишь, при создании конкурентных преимуществ, и на зарубежный». И далее: «Постепенно приходит понимание роли вендоров и интеграторов. Интеграторы – это не перепродавцы зарубежных роботов. Они создают реальную добавочную стоимость. До 70 и более процентов от стоимости РТК создается интегратором при разработке, производстве, программировании, пусконаладке, обслуживании РТК. Интегратор является главным агентом по трансферу в РФ современных роботизированных технологий из развитых в плане робототехники стран. Поэтому создавать условия для развития бизнеса интеграторов – это совсем не значит помогать только иностранному вендору». Приведём краткую характеристику деятельности нескольких российских компаний – производителей промышленной робототехники [16]:  ООО «Торговый дом «АРКОДИМ». Производство промышленных роботов компания начала в 2014 году. Первый экспериментальный образец робота-манипулятора появился в 2015 году, а с 2016 года компания поставляет промышленных роботов на производства заказчиков.

ARKODIM – это серия промышленных роботовманипуляторов консольного типа с тремя, пятью и семью осями. Компания выпускает модели разных габаритов, классов точности и скоростей передвиже-

266

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

ния. Диапазон нагрузок – от 2 до 60 кг. Разработчик производит не только типовые модели, но и индивидуальные, по техзаданию заказчика. Популярные модификации ARKODIM: робот-сварщик, манипулятор для термопластавтомата, паллетайзер.  Группа компаний «АвангардПЛАСТ». Партнёр компании «АРКОДИМ» и производитель роботовманипуляторов под собственным брендом GRINIK; осуществляет разработку, производство и внедрение промышленных роботов. В качестве ключевых преимуществ своих продуктов компания называет простоту управления и быструю настройку параметров. Компания производит серийные роботыманипуляторы для работы с термопластавтоматами, но по заказу клиента может разрабатывать и индивидуальные модели.  Компания «БИТ Роботикс». Разработчик роботизированного оборудования, ведущий собственные исследования в разных областях робототехники, включая сервосистемы и техническое зрение. Большинство инженеров пришли в компанию из космической и авиационной отрасли. «БИТ Роботикс» – создатель первого российского промышленного дельта-робота. Такие роботы широко применяются в пищевой, фармацевтической и упаковочной промышленности; отличаются высокой скоростью, что положительно влияет на эффективность производства. Сегодня «БИТ Роботикс» – единственный в России разработчик и производитель дельта-роботов высокой производительности.  Компания «Рекорд-Инжиниринг». Проектирует и производит промышленные манипуляторы, грузохватные и грузоподъёмные приспособления, выпускает транспортёры, моечные станции, разрабатывает нестандартное промышленное оборудование на заказ. На рынок «Рекорд-Инжиниринг» вышла в 2007 году. По словам представителей компании, «Рекорд-Инжиниринг» производит не уступающие по качеству аналоги популярных зарубежных промышленных манипуляторов, в том числе роботизированных, но по более выгодной цене.

2019; 7(4)

 Eidos Robotics. Компания основана в 2012 году и сфокусирована на разработках в области компьютерного зрения, адаптивного управления и коллаборативной робототехники. Промышленные роботы от Eidos Robotics – это манипуляторы серии Hexapod. Они обладают шестью степенями свободы, не требуют специальной подготовки основания и могут применяться для решения широкого класса задач. По мнению авторов [17], существующие в настоящее время в России (менее десятка) компаниипроизводители промышленных роботов являются «амбициозными стартапами», а не серьёзными производителями. Однако, по-нашему мнению, если и способно отечественное промышленное роботостроение «встать на ноги», хотя бы на внутреннем рынке, конкурируя с мировыми монополистами в условиях падения промышленного производства в России, то только благодаря таким компаниям. Исходя из вышеизложенного, можно сделать следующие выводы: 1. Основной причиной провальной ситуации с отечественным промышленным роботостроением является ограниченность внутреннего спроса (рынка) вследствие низкой платёжеспособности основной массы населения и, как следствие, кризисное состояние машиностроения.

2. В данных условиях, усложнённых проигрышем в конкуренции с ведущими зарубежными производителями, Правительству РФ необходимо предоставить режим наибольшего экономического благоприятствования отечественным интеграторам и другим организациям малого и среднего бизнеса, осуществляющим автоматизацию реальных производственных процессов. Насаждаемые сверху искусственные мероприятия по стимулированию развития отечественной промышленной робототехники, кроме «освоения» выделяемых финансовых средств, положительных результатов не дадут.

Литература 1. Spimes, Киберфизические системы и Промышленность 4.0. – Текст: электронный // Internet of Things.ru: [сайт]. – URL: http://internetofthings.ru/issledovaniya/33-spimes-kiber-fizicheskie-sistemy-i-promyshlennost-4-0 (дата обращения: 03.12.2018).

2. Ben van Lier. Spimes, Cyber Physical Systems and Industrie 4.0. – Text: electronic // Сentric: [site]. – 2013. – URL: https://www.centric.eu/NL/Default/Themas/Blogs/2013/06/27/Spimes-Cyber-Physical-Systems-and-Industrie40-[1]- (дата обращения: 03.12.2018).

3. Цветков В.Я. Киберфизические системы. – Текст: электронный / В.Я. Цветков // Международный журнал прикладных и фундаментальных исследований. – 2017. – № 6-1. – С. 64-65. – URL: https://appliedresearch.ru/ru/article/view?id=11623 (дата обращения: 10.12.2018).

4. Welcome to the IFR Press Conference 18 October 2018 Tokyo. – Text: electronic // IFR.org: [site]. – URL: https://ifr.org/downloads/press2018/WR_Presentation_Industry_and_Service_Robots_rev_5_12_18.pdf (дата обращения: 18.03.2019).

267

Общие вопросы / General Issues

5. He Huifeng, Celia Chen. «Made in China 2025»: a peek at the robot revolution under way in the hub of the «world’s factory». – Text: electronic // China Morning Post: [site]. – 18.09.2018. – URL: https://www.scmp.com/economy/china-economy/article/2164103/made-china-2025-peek-robot-revolution-under-wayhub-worlds (дата обращения: 17.06.2019).

6. Конюховская А. Рынок робототехники: угрозы и возможности для России. – Текст: электронный / А. Конюховская // Презентация НАУРР. Drobox, Inc [US] 2nd Industrial Robotics Workshop [сайт]. – 22.11.2018. – Режим доступа: https://www.dropbox.com/s/ny30zuyflr6ehen/18-11-pdf (дата обращения: 16.06.2019).

7. Аналитический обзор мирового рынка робототехники. – Текст: электронный // Лаборатория робототехники сбербанка. – Апрель 2018. – URL: https://www.sberbank.ru/common/img/uploaded/analytics/ 2018/analiticeskij-obzor-mirovogo-rynka-robototehniki.pdf (дата обращения: 29. 05.2019).

8. Перепелица А. Промышленная робототехника в России. Состояние и проблемы развития. Видение интегратора. – Текст: электронный / А. Перепелица // Альфа-Интех: [сайт]. – 12.03.2019. – URL: http://alphajet.ru/knowledge/articles/stati_45.html (дата обращения: 29. 04.2019).

9. Состояние и перспективы развития рынка робототехники в мире и в России. – Текст: электронный // Isicad: [сайт]. – 27.04.2019. – URL: http://isicad.ru/ru/articles.php?article_num=20507 (дата обращения: 30.04.2019).

10. Россия заняла второе место в рейтинге развивающихся стран Bloomberg. – Текст: электронный // Коммерсантъ: [сайт]. – 28.11.2018. – URL: https://www.kommersant.ru/doc/3813786 (дата обращения: 10.06.2019).

11. Агеева О. Более 80% российских компаний заявили о готовности продать активы. – Текст: электронный / О. Агеева // РБК: [сайт]. – 04.09.2018. – URL: https://www.rbc.ru/economics/04/09/2018/ 5b8d33f39a7947867fceb7d6?utm_source=yxnews&utm_medium=desktop (дата обращения: 10.06.2019).

12. Калюков Е. Минэкономразвития увеличило прогноз по оттоку капитала на $23 млрд. – Текст: электронный / Е. Калюков // РБК: [сайт]. – 05.09.2018. – URL: https://www.rbc.ru/economics/05/09/2018/ 5b8ffd9b9a794735f25e7a20 (дата обращения: 10.06.2019).

13. Маркелов Р. Голикова ответила на слова Кудрина об уровне бедности. – Текст: электронный / Р. Маркелов // Российская Газета: [сайт]. – 28.09.2018. – URL: – https://rg.ru/2018/09/28/golikova-otvetila-na-slovakudrina-ob-urovne-bednosti.html?utm_source=yxnews&utm_medium=desktop (дата обращения: 10.06.2019).

14. Обзор рынка Экономические эффекты от цифровизации и внедрения IoT в машиностроении в России.

– Текст: электронный // JSON.TV. Технологии. Инвестиции. Телекоммуникации: [сайт]. – 17.08.2018 – URL: http://json.tv/ict_telecom_analytics_view/ekonomicheskie-effekty-ot-tsifrovizatsii-i-vnedreniya-iot-v-mashinostroenii-vrossii-20180817013305 (дата обращения: 26.04.2019).

15. Осипов И. Рейтинг РБК: 50 самых быстрорастущих компаний России. – Текст: электронный / И. Осипов, А. Митраков, В. Игуменов // РБК: [сайт]. – 22.11.2018. – №12(146). – URL: https://www.rbc.ru/magazine/2018/12/ 5bf2eac39a7947ec0fd1785f (дата обращения: 10.12.2018).

16. Робототехника в России: кто сегодня производит промышленных роботов? – Текст: электронный [Электронный ресурс] // Robo Hunter: [сайт]. – 17.04.2018. – URL: https://robo-hunter.com/news/robototehnika-v-rossiikto-segodnya-proizvodit-promishlennih-robotov10381 (дата обращения: 13.06.2019).

17. Мировой рынок робототехники. Промышленная робототехника: [обзор Сбербанка, ч. 3]. – Текст: электронный // Журнал «Я Robot» Роботы, робототехника, искусственный интеллект: [интернет-журнал]. – 17.05.2018. – URL: https://ya-r.ru/2018/05/17/mirovoj-rynok-robototehniki-obzor-sberbanka-chast-3-promyshlennayarobototehnika/ (дата обращения: 12.06.2019).

References 1. Lier, B. (2019). Spimes, Cyber-Physical Systems and Industry 4.0. [online] Internetofthings.ru. Available at: http://internetofthings.ru/issledovaniya/33-spimes-kiber-fizicheskie-sistemy-i-promyshlennost-4-0 [Accessed 3 Dec. 2018].

2. Centric.eu. (2019). The Netherlands - Centric B2B. [online] Available at: https://www.centric.eu/NL/ Default/Themas/Blogs/2013/06/27/Spimes-Cyber-Physical-Systems-and-Industrie-40-[1]- [Accessed 3 Dec. 2018].

3. Tsvetkov, V. (2017). Cyber-Physical Systems. [online] International Journal of Practical and Fundamental Researches, vol. 6-1, pp.64-65. Available at: https://applied-research.ru/ru/article/view?id=11623 [Accessed 10 Dec. 2018].

4. Ifr.org. (2018). Welcome to the IFR Press Conference 18 October 2018 Tokyo. [online] Available at: https://ifr.org/downloads/press2018/WR_Presentation_Industry_and_Service_Robots_rev_5_12_18.pdf [Accessed 18 Mar. 2019].

5. He Huifeng and Celia Chen (2018). A robot revolution is under way at the ‘world’s factory’. Here’s why. [online] 268

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

South China Morning Post. Available at: https://www.scmp.com/economy/china-economy/article/2164103/madechina-2025-peek-robot-revolution-under-way-hub-worlds [Accessed 17 Jun. 2019].

6. Konyukhovskaya, A. (2019). Rynok robototekhniki: ugrozy i vozmozhnosti dlya Rossii [Robotics market: Challenges and Possibilities for Russia]. [online] Drobox, Inc [US] 2nd Industrial Robotics Workshop. Available at: https://www.dropbox.com/s/ny30zuyflr6ehen/18-1122_%D0%9D%D0%90%D0%A3%D0%A0%D0%A0_%D0%90%D0%9A_%D0%9F%D1%80%D0%B5%D0%B7%D0 %B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F.pdf [Accessed 16 Jun. 2019].

7. Laboratoriya robototekhniki sberbanka [Robotics Laboratory of Sberbank]. (2018). Analiticheskii obzor mirovogo rynka robototekhniki [Analytical review of the world robotics market]. [online] Available at: https://www.sberbank.ru/common/img/uploaded/analytics/2018/analiticeskij-obzor-mirovogo-rynka-robototehniki.pdf [Accessed 29 May 2019].

8. Perepelitsa, A. (2019). Promyshlennaya robototekhnika v Rossii. Sostoyanie i problemy razvitiya. Videnie integratora [Industrial robotics in Russia. Current state and development challenges. Integrator's perspective]. [online] Alph-Intech. Available at: http://alphajet.ru/knowledge/articles/stati_45.html [Accessed 29 Apr. 2019].

9. Isicad.ru. (2019). Sostoyanie i perspektivy razvitiya rynka robototekhniki v mire i v Rossii [Current state and development prospects of robotics market in world and in Russia]. [online] Available at: http://isicad.ru/ru/articles.php?article_num=20507 [Accessed 30 Apr. 2019].

10. Kommersant.ru. (2018). Rossiya zanyala vtoroe mesto v reitinge razvivayushchikhsya stran Bloomberg [Russia took second place in Bloomberg's developing countries ranking]. [online] Available at: https://www.kommersant.ru/doc/3813786 [Accessed 10 Jun. 2019].

11. Ageeva, O. (2018). Bolee 80 % rossiiskikh kompanii zayavili o gotovnosti prodat' aktivy [More than 80% of Russian enterprises declared determination to sell assets]. [online] RBC. Available at: https://www.rbc.ru/economics/04/09/2018/5b8d33f39a7947867fceb7d6?utm_source=yxnews&utm_medium=desktop [Accessed 10 Jun. 2019].

12. Kalyukov, E. (2018). Minekonomrazvitiya uvelichilo prognoz po ottoku kapitala na $23 mlrd [The Ministry of Economic Development and Trade increased forecast for capital outflow up to $23B]. [online] RBC. Available at: https://www.rbc.ru/economics/05/09/2018/5b8ffd9b9a794735f25e7a20 [Accessed 10 Jun. 2019].

13. Markelov, R. (2018). Golikova otvetila na slova Kudrina ob urovne bednosti [Golikova Replied on Kudrin's statement on poverty rate]. [online] Rossiyskaya Gazeta. Available at: https://rg.ru/2018/09/28/golikova-otvetila-naslova-kudrina-ob-urovne-bednosti.html?utm_source=yxnews&utm_medium=desktop [Accessed 10 Jun. 2019].

14. JSON.TV. Tekhnologii. Investitsii. Telekommunikatsii [Technologies. Investment. Telecommunication].

(2018). Obzor rynka Ekonomicheskie effekty ot tsifrovizatsii i vnedreniya IoT v mashinostroenii v Rossii [Market review. Economical impact from digitalisation and IoT implantation for machine building in Russia]. [online] Available at: http://json.tv/ict_telecom_analytics_view/ekonomicheskie-effekty-ot-tsifrovizatsii-i-vnedreniya-iot-v-mashinostroenii-vrossii-20180817013305 [Accessed 26 Apr. 2019].

15. Osipov, I. (2018). Reiting RBK: 50 samykh bystrorastushchikh kompanii Rossii [RBC ranking; 50 the most rapidly developing enterprises in Russia]. [online] RBC. Available at: https://www.rbc.ru/magazine/2018/12/ 5bf2eac39a7947ec0fd1785f [Accessed 10 Dec. 2018].

16. Robo-hunter.com. (2018). Robototekhnika v Rossii: kto segodnya proizvodit promyshlennykh robotov? [Robotics in Russia: Who is producing industrial robots now?]. [online] Available at: https://robo-hunter.com/news/ robototehnika-v-rossii-kto-segodnya-proizvodit-promishlennih-robotov10381 [Accessed 13 Jun. 2019].

17. Zhurnal «Ya Robot». (2018). Mirovoi rynok robototekhniki (Obzor Sberbanka, chast' 3). Promyshlennaya robototekhnika [Robotics world market (Sberbank report, part 3). Industrial robotics]. [online] Available at: https://yar.ru/2018/05/17/mirovoj-rynok-robototehniki-obzor-sberbanka-chast-3-promyshlennaya-robototehnika/ [Accessed 12 Jun. 2019].

Информация об авторе Николаев Александр Борисович, к.ф.-м.н., Центральный научно-исследовательский и опытноконструкторский институт робототехники и технической кибернетики (ЦНИИ РТК), заместитель начальник сектора, 194064, Санкт-Петербург, Тихорецкий пр., д. 21, тел.: +7(812)552-45-21, a.nikolaev@rtc.ru

Information about the author Alexander B. Nikolaev, PhD in Physics and Mathematics, Russian State Scientific Center for Robotics and Technical Cybernetics (RTC), Deputy Head of Department, 21, Tikhoretsky pr., Saint-Petersburg, 194064, Russia, tel.: +7(812)552-45-21, a.nikolaev@rtc.ru 269

Общие вопросы / General Issues

УДК: 623.827:007.52 DOI: 10.31776/RTCJ.7403 C. 270-277

Обеспечение безопасности испытаний автономных необитаемых подводных аппаратов военного и специального назначения Е.А. Антохин 1  , В.К. Исламов 1 , Н.В. Тихонов 2 , Р.В. Коваленко 3

1

Фе де рал ьно е гос у дарс т ве нное бюджетно е учреждение « Гла вный нау чно - иссл е до вател ьс ки й исп ыта те л ьный це нтр р о бототехни ки» Ми нис тер ства оборо ны Росси йс ко й Фе де ра ци и (ГНИИЦ РТ МО РФ), Мо с ква, Росси йс ка я Фе де ра ци я, gniiz rt@ mil.ru 2 АО «АКВАМАРИН», Са нкт-Петер бу рг, Российс ка я Фе дера ция 3 Во енный инно ва цио нный техно поли с «Э РА» (ВИТ «ЭРА»), г. Ана па , Россий ска я Фе дер а ци я ( М а т е р и а л п ос т у п и л в р ед ак ц и ю 07 и ю л я 20 1 9 г од а)

Аннотация В статье проведен анализ возможных критических отказов и их последствий, возникающих в ходе проведения испытаний автономных необитаемых подводных аппаратов военного и специального назначения. На основе полученных результатов предложен комплекс организационно-технических мер по обеспечению безопасности их полигонных испытаний.

Ключевые слова Автономные необитаемые подводные аппараты военного и специального назначения, организационнотехнические меры по обеспечению безопасности испытаний, критические отказы, опасные ситуации в ходе проведения испытаний.

Safety providing during testing of autonomous unmanned underwater vehicles for military and special purposes Eugeniy A. Antokhin 1  , Vadim K. Islamov 1 , Nikolay V. Tikhonov 2 , Roman V. Kovalenko 3

1

Ministry of De fenc e of the Russ ian Federation, Main Robo tics Res ea rch and T est Cen te r, Moscow, Russ ia , g n iizrt@ mil.ru 2 JSC «AQUAMARIN», Saint-Pe tersburg, Ru ss ia 3 Milita ry Inno va tive Tech nop olis ERA (MIT ERA), Anap a , Rus sia ( R e c e i v e d 0 7 J u l y 2 0 1 9)

Abstract The article provides an analytical review of possible critical failures and their effects that anise during testing of autonomous unmanned underwater vehicles for military and special purposes. As a result of the analysis a list of possible measures for ensuring safe testing is proposed.

Key words Autonomous unmanned underwater vehicles for military and special purposes, safety measures for testing, critical failures; dangerous situations during testing.

Введение В настоящее время в России и за рубежом разработка и внедрение технологий робототехники и интеллектуального управления является главной тенденцией развития средств вооруженной борьбы на море [1]. Автономные необитаемые подводные аппараты (АНПА) представляют собой принципиально новый класс вооружения и военной техники ВоенноМорского Флота, конструктивные особенности и специфика применения которых требуют разработки неординарных методических подходов к проведению их исследований и испытаний.

Экспериментальные и опытные образцы АНПА являются источниками повышенной опасности для окружающей среды, личного состава, объектов инфраструктуры морских полигонов. Всестороннее обеспечение безопасности проводимых испытательных работ представляется актуальной научнотехнической задачей [2]. Специалисты отмечают, что наибольшую опасность в ходе проведения испытаний представляют ударные АНПА, несущие на борту средства поражения, а также подводные робототехнические комплексы среднего и тяжелого классов, имеющие значи-

270

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

тельные размеры и массу, способные при этом развивать высокие скорости хода.

2019; 7(4)

В статье рассматриваются возможные критические отказы АНПА, которые могут существенно влиять на безопасность проведения испытаний.

Рисунок 1 — Взаимосвязи между источниками критических отказов и возникновением опасных ситуаций в ходе проведения испытаний АНПА Figure 1 — Interconnections between critical failures’ sourses and dangerous situations’ occurrence during UUV testing

Критические отказы и возможные опасные ситуации, возникающие в ходе проведения испытаний АНПА Взаимосвязи между источниками критических отказов и возникновением опасных ситуаций в ходе проведения испытаний АНПА могут быть представлены схемой (рис. 1).

Влияние внешней среды на возникновение критических отказов АНПА К факторам внешней среды, способным оказать неблагоприятные воздействия на ход испытаний и стать возможной причиной критических отказов АНПА, в первую очередь следует отнести: а) воздействия водной среды:  динамическое воздействие, вызывающее повреждения или разрушения корпуса и конструкций АНПА;  морское волнение, вызывающее качку АНПА;  температурное, химическое и биологическое воздействие водной среды;  обводнение топлива; б) воздействия атмосферной среды:  ветровое взаимодействие;  температурное воздействие;

 воздействие атмосферного электричества; в) комплексное воздействие водной и атмосферной сред:  обледенение корпуса и элементов АНПА;  воздействие ледовых полей больших площадей; г) прочие виды воздействия:  стесненные условия проведения испытаний;  ограничение видимости в темное время суток, при тумане и интенсивных осадках. Морская среда является определяющим фактором, влияющим на безопасность проведения испытаний АНПА. Важную роль при этом играют такие свойства морской воды, как химический состав, вязкость, теплопроводность, прозрачность, способность растворять газы и т.д. Кроме того, необходимо учитывать распределение в толще воды органических веществ, живых организмов, газов и минеральных взвесей. Динамическое воздействие водной среды характеризуется увеличением общих и местных нагрузок на конструкцию АНПА с добавлением инерционной составляющей. Известны многочисленные случаи деформации и даже переламывания корпуса АНПА в

271

Общие вопросы / General Issues

указанных условиях. Кроме того, динамические удары воды способны привести к разрушению или разгерметизации недостаточно прочных конструкций, закрывающих технологические отверстия АНПА (вентиляционные раструбы, люки и крышки), в результате вода начинает поступать внутрь подводного аппарата, что нередко приводит к последующему его затоплению. Качка, вызываемая морскими течениями и ветровыми волнениями, создает существенные трудности для проведения испытаний АНПА. Наибольшую опасность представляют ветровые волны. Причина этого – огромная энергия, запасенная в волне и выделяющаяся при ее набегании на преграду. Помимо ветровых, в морях и океанах существуют приливные волны, а также волны, обусловленные подводными землетрясениями. Учет морского волнения при проведении испытаний в открытом море крайне важен. На малых и средних глубинах волнение способно ограничивать возможности подводных работ, заметно снижая прозрачность водной среды. К наиболее опасным последствиям качки следует отнести:  появление дополнительных динамических нагрузок на конструкцию АНПА, в том числе и связанных с заливаемостью;  повреждение и нарушение работоспособности механизмов и систем АНПА;  периодическое оголение гребного винта (при его наличии в конструкции АНПА);  уменьшение динамической остойчивости АНПА. Температура, химический и биологический состав морской воды – не менее важные условия проведения испытаний АНПА. Высокая теплоемкость воды задает серьезные требования к проведению испытаний АНПА. Пределы изменения температуры водной среды достаточно широки: в районах с глубинами от 200 до 2000 м она может колебаться от –2 до +35°С. Величина перепада температур зависит от района океана и очень изменчива. Кроме того, на одной географической широте в течение одного сезона температура и толщина прогреваемых слоев весьма различны. Наибольший перепад наблюдается в морях средних широт. В Черном море, например, температура поверхностного слоя изменяется от +25 до +6°С, в северных районах Японского моря – от +20 до +2°С. Температуры северных морей более стабильны. Холодная вода, омывающая подводную часть АНПА, понижает температуру технических жидкостей, находящихся в корпусных цистернах, имеющих общие границы с наружной обшивкой. При этом происходит изменение физических свойств указанных жидкостей (повышается вязкость), что затрудняет их

использование и перекачку. В первую очередь это относится к жидкостям, обладающим большим значением коэффициента объемного расширения и используемым в различных системах гидравлики, а также для заполнения корпусов погружных двигателей. Высокие температуры забортной воды могут отрицательно влиять на системы охлаждения механизмов, приводов и движителей. Недостаточное охлаждение главных и вспомогательных двигателей, компрессоров, приводов и других систем приводит к необходимости повышения производительности насосов охлаждения, увеличения площадей охлаждающих поверхностей и в конечном итоге может стать причиной потери работоспособности узлов и агрегатов АНПА. Говоря о влиянии температурного фактора водной среды на безопасность испытаний АНПА, необходимо отметить еще одно океаническое (морское) явление – термоклин. Термоклин – это наличие в толще воды зон резкого изменения температуры. С термоклином связано аномальное распространение звуковых волн в воде, резкие изменения прозрачности, образование внутренних волн на границе раздела зон с разной температурой. Амплитуда их в десятки раз превышает амплитуды обычных поверхностных волн, а скорость распространения примерно в 50 раз меньше. Все вышеуказанные побочные явления термоклина способны представлять значительную опасность при проведении испытаний необитаемых подводных аппаратов. Химический состав морской воды способствует ускоренному развитию коррозии металлических частей и механизмов АНПА. Термин «коррозия» также включает в себя растворение керамических материалов, обесцвечивание и ослабление полимеров в результате воздействия солнечного ультрафиолетового излучения. Особенно интенсивному коррозионному износу подвержена наружная обшивка в районе переменной ватерлинии (из-за повышенного доступа атмосферного воздуха), а также внутренние поверхности балластных цистерн и трубопроводов, в которые поступает забортная вода (балластные системы, системы водяного пожаротушения, системы водного охлаждения различных механизмов). Морская среда чрезвычайно агрессивна, в ней быстро разрушается большинство известных конструктивных материалов, успешно применяемых без специальных мер защиты в наземных технических устройствах. Причина указанной агрессивности не только в особом солевом составе морской воды и присутствии в ней растворенного кислорода, но и в сочетании других постоянно действующих факторов: механического и биологического воздействия. Особую роль при проведении испытаний АНПА играет необходимость предотвращения случайного

272

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

повреждения защитных покрытий, в результате которого водная среда может разрушить внешние и внутренние структурные и прочностные элементы. Общий коррозийный износ выражается в уменьшении толщины металлических конструкций АНПА и снижении их прочности. Язвенная коррозия способна привести к водотечности конструкций корпуса АНПА. Специалистами отмечаются многочисленные случаи аварий АНПА в ходе их испытаний и эксплуатации, связанные с разрушением корпусных конструкций, потерявших первоначальную прочность из-за коррозийного износа. Биологический состав морской воды является основной причиной обрастания – образования на подводной части АНПА слоя водорослей и раковин моллюсков. В результате обрастания увеличивается сопротивление ходу, усиливается износ главного двигателя, повышается расход топлива, нарушается работоспособность датчиков и механизмов, расположенных на подводной части корпуса АНПА. Для устранения негативных последствий обрастания необходимо периодически гидрообмывом проводить очистку корпуса АНПА. Для предотвращения обрастания необходимо применять краски специального состава, содержащие токсичные для морской флоры и фауны вещества. Специалистами зафиксированы случаи аварийного прекращения экспериментальных исследований с использованием АНПА из-за критического изменения гидродинамики по причине их обрастания [3, 4]. Решение этой проблемы заключается в разработке перспективных противообрастающих покрытий, а также использовании физических эффектов (например, от излучателей ультрафиолетового света). Разработки по данной проблематике в настоящее время ведутся в России и за рубежом [3, 4]. Известно, что обводнение топлива АНПА может вызвать шламообразование в топливных баках, коррозию топливопроводов, способствовать нарушению процесса сгорания топлива и стать причиной повышенного износа топливных насосов. Ветровое воздействие атмосферной среды может создать ряд опасностей в ходе проведения испытаний АНПА. Давление ветра на боковую проекцию надводной части морского робота создает кренящий момент, который необходимо учитывать при оценке поперечной остойчивости опытного образца. Кроме того, сильный ветер способен приводить к потере работоспособности антенных устройств радио- и навигационного оборудования, что может стать причиной потери связи и снижения точности определения координат местоположения АНПА. Температура наружного воздуха, воздействующего на надводную часть АНПА, может колебаться от +50 °С при стоянках в портах экваториальной части и до –40 °С во время плавания в полярных широтах.

2019; 7(4)

При низких температурах наружного воздуха и положительном градиенте температур внутри технологических полостей АНПА образуется конденсат воды, вызывающий короткое замыкание средств электроснабжения. Отрицательные температуры наружного воздуха изменяют физические свойства материалов. Известны такие явления, как хладноломкость металлов, потеря эластичности резинотехнических изделий и повышение хрупкости пластмасс. Длительное воздействие отрицательных температур воздуха в штормовых условиях приводит к обледенению – образованию льда на корпусе АНПА в результате замерзания водяного тумана и брызг. Образование ледяного покрова приводит к увеличению водоизмещения, смещению центра масс, потере работоспособности механизмов управления движением АНПА и, как следствие, к возникновению аварийных ситуаций. Не менее опасен дрейфующий лед. При недостаточной прочности корпуса столкновение АНПА со льдом или его сжатие плавающими большими полями может привести к появлению сквозных повреждений наружной обшивки и поступлению забортной воды внутрь морского аппарата. Безопасность проведения испытаний АНПА должна обеспечиваться особенно в темное время суток, вдали от береговой линии в условиях отсутствия каких-либо пространственных ориентиров, воспринимаемых визуально, а также при наличии плохой видимости в тумане или при интенсивных осадках.

Влияние неисправностей технических компонентов АНПА на возникновение критических отказов Повреждения или неисправности эхолотов, лагов для контроля скорости хода, подруливающих устройств, элементов системы технического зрения АНПА могут возникать при проведении испытаний в акваториях с ограниченными глубинами, извилистыми фарватерами, сильными подводными течениями, наличием множества гидротехнических сооружений, мелководных районов и т.д. Все это способно привести к возникновению аварийных ситуаций [5]. Отказы узлов и агрегатов рулевого управления АНПА, как правило, приводят к частичной или полной потере управления ходом. Это может стать причиной посадки АНПА на мель, затопления, столкновения с судами, скалами, гидросооружениями. Нестабильная работа и отказы системы навигации и ориентации АНПА в ходе испытаний зачастую приводят к снижению требуемой точности определения глубин и координат местоположения. Последствиями таких отказов могут стать столкновения АНПА с другими судами и гидросооружениями, удары

273

Общие вопросы / General Issues

корпуса о донный грунт и скалы, повреждения (смещения во внутренних полостях) различного оборудования подводных аппаратов. Выход из строя и отказы узлов и агрегатов движительных установок АНПА влияют на скорость хода, маневренные характеристики и управляемость подводных морских роботов. При этом возможны повреждения корпуса, рулевого и другого наружного оборудования АНПА, снос их на скалы и отмели, затруднения при подходе к причальным устройствам.

Возможность противоправного использования указанных средств требует применения дополнительных мер по обеспечению безопасности испытаний образцов военной робототехники морского базирования, обусловливает необходимость введения в состав опытных образцов АНПА сертифицированных устройств криптографической защиты информации, а также программно-аппаратных средств защиты от вредоносных программ и несанкционированного доступа.

Влияние несовершенства алгоритмов управления опытных образцов АНПА на возникновение критических отказов

Ошибочные действия операторов, приводящие к критическим отказам АНПА

Сбои и несовершенство алгоритмов программного обеспечения опытных образцов АНПА способны оказать значимое влияние на безопасность проведения испытаний и стать причиной возникновения нештатных и аварийных ситуаций. Наиболее значимые из них:  ошибки алгоритмов навигации и ориентации, вызывающие ошибочное построение маршрутов движения АНПА;  ошибки алгоритмов АНПА по расчету и вводу поправок для стрельбы, вызывающие снижение точности ведения огня и попадание боеприпасов в запрещенные сектора мишенного поля;  ошибки алгоритмов АНПА по формированию и выдаче команд управления с превышением допустимой временной задержки, вызывающие снижение эффективности управления ходом АНПА и некорректную работу навесного целевого оборудования.

Влияние сбоев программного обеспечения АНПА на возникновение критических отказов Сбои программного обеспечения (ПО) опытного образца АНПА могут привести к частой самопроизвольной перезагрузке или возникновению «зависания» в работе системы. Возможными последствиями отказов ПО могут быть:  кратковременная или длительная потеря связи, способная вызвать некорректную работу целевого навесного оборудования;  несанкционированное открытие огня или неуправляемый ход опытных образцов АНПА.

Влияние воздействия средств противодействия на возникновение критических отказов АНПА в ходе проведения их испытаний В настоящее время в развитых странах разработаны и успешно применяются технические средства противодействия АНПА, позволяющие не только эффективно обнаруживать, пеленговать и подавлять работу систем связи и передачи данных подводных морских роботов, но и деструктивно воздействовать на работу элементов системы навигации и ориентации.

Возможными причинами ошибок оператора, приводящими к возникновению критических отказов в ходе проведения испытаний опытных образцов АНПА, могут являться:  антропометрические ограничения, ограниченность поля зрения или пониженный слух, которые могут быть вызваны яркими вспышками выстрелов и разрывами боеприпасов;  кратковременное или длительное ухудшение психического или физического состояния здоровья операторов АНПА в стрессовых ситуациях;  некорректное восприятие информации, вызванное ошибками памяти, мышления и внимания;  недостатки обучения, тренировки и подготовки операторов АНПА;  незнание конструкции опытного образца АНПА, его основных узлов, агрегатов, принципа их работы, правил обращения с ними, правил проведения технического обслуживания и ремонта;  незнание операторами опытных образцов АНПА, особенностей и порядка проведения испытаний, требований безопасности и др.

Выводы Полученный опыт выполнения испытательных работ и анализ причин возникновения аварийных ситуаций с участием опытных образцов АНПА позволяет предложить следующий комплекс организационно-технических мер по обеспечению безопасности их испытаний.

Организационные меры по обеспечению безопасности испытаний АНПА 1. Материально-техническое обеспечение испытаний АНПА в обязательном порядке должно включать подробные цифровые карты:  акватории проведения испытаний;  промеров морских глубин;  ледовой обстановки.

2. Морская акватория районов проведения испытаний должна оборудоваться указателями безопасных фарватеров, опасных участков и мест располо-

274

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

жения гидросооружений (ограждения, маяки, буи, вехи), а также защитным ограждением.

3. К участию в испытаниях опытных образцов АНПА допускаются расчеты, прошедшие полный курс обучения и сдавшие зачеты на допуск к управлению АНПА. Особое внимание в ходе обучения операторов должно быть уделено порядку действий при возникновении нештатных ситуаций и на мероприятия, направленные на выход из аварийных режимов работы.

4. До начала проведения испытаний должны быть разработаны и утверждены правила обращения с вооружением, боеприпасами и взрывчатыми веществами на борту опытного образца АНПА. Требования, содержащиеся в правилах, должны найти отражение в эксплуатационной документации на образец, памятках, плакатах, предупреждающих надписях.

5. В случае применения в составе испытываемого АНПА вновь разработанных образцов вооружения запрещается совмещать межведомственные испытания таких образцов с каким-либо другим видом испытаний АНПА.

6. До начала испытаний должны быть разработаны и включены в эксплуатационную документацию на опытный образец АНПА разделы по порядку действия операторов при возникновении возможных нештатных ситуаций.

Технические меры по обеспечению безопасности испытаний АНПА 1. Все испытания АНПА должны быть обеспечены исследовательским судном (судами) сопровождения, на котором размещаются:  спускоподъемные средства;  аппаратура и ЗИП для проведения оперативного технического обслуживания без возвращения в пункт базирования;  каюты для членов рабочих групп, а также представителей предприятия-разработчика АНПА;  пункт управления испытаниями.

2. Пункт управления испытаниями оборудуется средствами связи, а также аппаратурой управления перспективной объектовой системой обеспечения безопасности испытаний. Объектовая система обеспечения безопасности испытаний должна решать следующие задачи: а) возможность оперативной остановки испытаний, отключения электропитания и экстренного всплытия опытного образца АНПА как в автоматическом режиме, в случае возникновения в ходе испытаний нештатных ситуаций или при достижении контролируемыми параметрами значений, близких к критическим, так и по команде оператора; б) оповещение оператора (выдачу звукового и мигающего светового сигнала на автоматизированное рабочее место) об автоматическом срабатыва-

2019; 7(4)

нии системы экстренного всплытия и отключении электропитания опытного образца АНПА; в) выдача оператору информации о причинах автоматического срабатывания системы экстренного всплытия и отключении электропитания опытного образца АНПА, а также рекомендаций по порядку дальнейших действий; г) определение в режиме реального времени и с точностью, достаточной для решения задач обеспечения безопасности испытаний параметров:  хода опытного образца АНПА (скорость, курс, крен, дифферент);  текущего направления секторов стрельбы вооружения боевого модуля опытного образца АНПА;  технического состояния систем и агрегатов опытного образца АНПА;  координат местоположения опытного образца АНПА;  глубины погружения АНПА. д) автоматизированный обмен информацией с подвижным пунктом контроля испытаний по радиоканалу с применением согласованных протоколов передачи данных; е) отображение обстановки при помощи условных знаков (графических и цифровых) на АРМ инженера-испытателя и руководителя испытаний:  параметров хода опытного образца АНПА (скорость, курс, крен, дифферент),  текущего направления секторов стрельбы вооружения боевого модуля опытного образца АНПА;  технического состояния систем и агрегатов опытного образца АНПА;  координат местоположения опытного образца АНПА;  глубины погружения АНПА. ж) объективный контроль, сбор, обработка, документирование и хранение результатов испытаний, автоматизированная разработка формализованных отчетных документов.

3. Опытные образцы АНПА на время проведения испытаний должны оснащаться: а) в целях осуществления оперативного поиска мест аварийного затопления:  автоматической системой выброса буя над местом аварийного затопления;  акустическими маяками, снабженными автономным электропитанием и выдающими сигнал в течение не менее суток; б) в целях защиты от деструктивного воздействия средств противодействия и вредоносных программ:  средствами криптографической защиты информации;  средствами защиты от вредоносных программ (вирусов);

275

Общие вопросы / General Issues

 средствами защиты от несанкционированного доступа; в) в целях препятствования просачиванию влаги через функциональные отверстия корпуса – надежными и прочными лючками, заглушками или крышками [6, 7].

4. Опытные образцы АНПА на время проведения испытаний должны быть оборудованы дополнительными устройствами контроля за состоянием систем и агрегатов, устанавливаемыми на образцы и имеющими независимые источники питания. Передача данных должна осуществляться в режиме реального времени руководителю испытаний по собственному (зарезервированному) каналу.

5. В конструкции опытных образцов АНПА должно быть предусмотрено отключение цепей стрельбы по команде оператора. Отключение цепей стрельбы должно быть обеспечено не менее чем по двум каналам приема-передачи данных (по основному и резервному).

6. Каналы связи между опытными образцами АНПА и пунктами (пультами) управления должны быть продублированы: должно быть организовано не менее двух каналов связи – основной и резервный. При отсутствии устойчивой работы каналов система должна автоматически переходить на резервные частоты.

7. В случаях отсутствия устойчивой работы каналов связи опытные образцы АНПА должны действовать по заранее известному алгоритму (остановка функционирования образца, выдача соответствующего оповещения оператору, следование к последнему месту устойчивой связи по ранее пройденному маршруту и др.).

8. При проведении испытаний в сложных условиях корпус опытного образца АНПА может усиливаться монтажом ребер жесткости, а также оснащаться защитными конструкциями винтово-рулевой группы.

Литература 1. Бочаров Л.Ю. Морские роботы военного и специального назначения: анализ основных перспектив развития в США. – Текст: непосредственный / Л.Ю. Бочаров, Р.В. Реулов // Технические проблемы освоения мирового океана. – 2015. – Т.6. – С. 16-20.

2. Мартынова А.А. К вопросу о надежности автономного необитаемого подводного аппарата с мультиагентной архитектурой системы управления. – Текст: непосредственный / А.А. Мартынова, М.Б. Розенгауз // Информационно-управляющие системы. – 2016. – № 5. – С. 25-34.

3. Гайкович Б.А. Вопросы разработки морских робототехнических платформ на примере создания подводного аппарата типа «глайдер». – Текст: непосредственный / Б.А. Гайкович, В.Ю. Занин, И.В. Кожемякин // Труды Конференции «Морская робототехника. Перспективные системы и задачи управления». – 2016 – С.

151-162.

4. AUVSI Unmanned Systems. – Text: unmediated // North America Conference. – 2012. – Pp. 1547.

5. Киценко В.Н. Анализ причин возникновения аварийности судов. Морская индустрия, транспорт и логистика в странах региона Балтийского моря. Новые вызовы и ответы. – Текст: непосредственный // Материалы VIII межд. конф. – Калининград: Изд-во БГАРФ. – 2010. – С. 82-91.

6. Системы траекторных измерений для испытаний подводных робототехнических комплексов. – Текст: непосредственный / К.А. Виноградов [и др.] // XIV Всероссийская науч.-практ. конф. «Перспективные системы и задачи управления»: Сборник материалов. – 2019. – С. 77-83.

7. Реализация метода многоуровневого контроля технического состояния морского РТК. – Текст: непосредственный / П.А. Будко [и др.] // Системы управления, связи и безопасности. – 2017. – № 4. – С. 71-101.

References 1. Bocharov, L. and Reulov, R. (2015). Morskie roboty voennogo i spetsial'nogo naznacheniya: analiz osnovnykh perspektiv razvitiya v SShA [Military and special unmanned maritime systems: analysis of main development prospects in USA]. Tekhnicheskie problemy osvoeniya mirovogo okeana, 6, pp.16-20. (in Russian).

2. Martynova, A. and Rozengauz, M. (2016). K voprosu o nadezhnosti avtonomnogo neobitaemogo podvodnogo apparata s mul'tiagentnoi arkhitekturoi sistemy upravleniya [On robustness of UUV with multiagent control system’s architecture]. Informatsionno-upravlyayushchie sistemy, 5, pp.25-34. (in Russian).

3. Gaikovich, B., Zanin, V. and Kozhemyakin, I. (2016). Voprosy razrabotki morskikh robototekhnicheskikh platform na primere sozdaniya podvodnogo apparata tipa «glaider» [Issues of marine robotic platforms development through the example of glider-type underwater vehicle’s creation]. In: Trudy Konferentsii «Morskaya robototekhnika.

Perspektivnye sistemy i zadachi upravleniya» [Proceedings of Conference on Marine Robotics and Avanced Control Systems and Tasks], pp.151-162. (in Russian).

4. AUVSI Conference Proceedings (2012).

276

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

5. Kitsenko, V. (2010). Analiz prichin vozniknoveniya avariinosti sudov [Analysis of occurrence causes of vessels’ accident risks]. In: Morskaya industriya, transport i logistika v stranakh regiona Baltiiskogo morya. Novye vyzovy i otvety. Materialy VIII Mezhdunarodnoi konferentsii [Marine Industry, Transport and Logistics in Countries of Baltic Sea Region. New Challenges and New Answers. Proceedings of VIII International Conference], Russia, Kaliningrad: BGARF Publ. Pp. 82-91. (in Russian).

6. Vinogradov, K., D'yakov, I., Kravets, M. and Tikhonov, N. (2019). Sistemy traektornykh izmerenii dlya ispytanii podvodnykh robototekhnicheskikh kompleksov [Trajectory-measuring systems for tests of underwater robotic complexes]. In: Sbornik materialov XIV Vserossiiskoi nauchno-prakticheskoi konferentsii «Perspektivnye sistemy i zadachi upravleniya» [Proceedings of All-Russian Scientific and Practical Conference on Advanced Control Tasks and Systems], pp. 77-83. (in Russian).

7. Budko, P., Vinogradenko, A., Kuznetsov, S. and Goidenko, V. (2017). Realizatsiya metoda mnogourovnevogo kontrolya tekhnicheskogo sostoyaniya morskogo RTK [Implementation of method of multilevel control of technical condition of marine robotic complex]. Sistemy upravleniya, svyazi i bezopasnosti, 4, pp. 71-101. (in Russian).

Информация об авторах Антохин Евгений Александрович, Федеральное государственное бюджетное учреждение «Главный научно-исследовательский испытательный центр робототехники» Министерства обороны Российской Федерации (ГНИИЦ РТ МО РФ), начальник научно-исследовательского испытательного отдела, 125167, Москва, ул. Серёгина, д. 5, тел.: +7(962)984-65-17, gniizrt@mil.ru Исламов Вадим Кадимович, д.т.н., Федеральное государственное бюджетное учреждение «Главный научно-исследовательский испытательный центр робототехники» Министерства обороны Российской Федерации (ГНИИЦ РТ МО РФ), с.н.с., 125167, Москва, ул. Серёгина, д. 5, тел.: +7(962)984-65-17, gniizrt@mil.ru Тихонов Николай Викторович, АО «АКВАМАРИН», главный конструктор опытно-конструкторских работ, 198097, Санкт-Петербург, ул. Баррикадная, д. 17, лит. «А», а/я 103, тел.: +7(812)329-26-90 (доб. 1020), mail@aquamarin.ru Коваленко Роман Владимирович, Военный инновационный технополис «ЭРА» (ВИТ «ЭРА»), начальник испытательной лаборатории (робототехники), 353456, Краснодарский край, г. Анапа, Пионерский пр., д. 28, тел.: +7(916)027-88-77, aleisk1@mail.ru

Information about the authors Eugeniy A. Antokhin, Ministry of Defence of the Russian Federation, Main Robotics Research and Test Center, Head of Research and Test Department, 5, Seregina ul., Moscow, 125167, Russia, tel.: +7(962)984-65-17, gniizrt@mil.ru Vadim K. Islamov, Doctor of Technical Science, Ministry of Defence of the Russian Federation, Main Robotics Research and Test Center, Senior Research Scientist, 5, Seregina ul., Moscow, 125167, Russia, tel.: +7(962)984-65-17, gniizrt@mil.ru Nikolay V. Tikhonov, JSC «AQUAMARIN», Chief Designer for Experimental Development, PO Box 103, 17-A, Barrikadnaya ul., Saint-Petersburg, 198097, Russia, tel.: +7(812)329-26-90 (extension number 1020), mail@aquamarin.ru Roman V. Kovalenko, Military Innovative Technopolis ERA (MIT ERA), Head of Testing Laboratory, 28, Pionersky pr., Anapa, Krasnodar region, 353456, Russia, tel.: +7(916)027-88-77, aleisk1@mail.ru

277

Информационное обеспечение / Information Support

Информационное обеспечение УДК: 004.021:004.94 DOI: 10.31776/RTCJ.7404 C. 278-290

Исследование алгоритма обследования местности гетерогенной группой автономных мобильных роботов С.Г. Попов, А.С. Крашенинников  , М.В. Чуватов

Санкт-Петербур гс ки й По литехни чес кий у ни верс итет Петра Вели кого (СП бПУ), Санкт-П ет ер бу рг, Росси йс ка я Фе де ра ци я, co n tr239 @mail.ru ( М а т е р и а л п ос т у п и л в р ед ак ц и ю 26 с ен т я б ря 2 0 19 г о д а)

Аннотация Цель работы – разработать подход, позволяющий наземным и летающим роботам координировать свои действия. Траектории движения оптимизируются по длине пути. В ходе работы разработан общий алгоритм движения, использующий структуру организации гетерогенной группы и построенный на основе алгоритма A*. Реализована программная модель и разработана методика проведения экспериментов. В ходе проведения экспериментов подтверждена зависимость времени вычисления путей от количества роботов, длины пути и наличия многопоточной обработки. Также, подтверждена зависимость длины пути от количества летающих роботов и их радиуса обзора. Результаты могут быть применены для управления кластером роботов в условиях статической карты для оптимизации пути группы по нескольким критериям.

Ключевые слова Робот, алгоритм, навигация, оптимизация, гетерогенная группа.

Благодарности Работа выполнена при поддержке Государственного задания РФ 2.9198.2017/8.9.

Study of the area survey algorithm for the heterogeneous group of autonomous mobile robots Sergey G. Popov, Alexandr S. Krasheninnikov  , Mikhail V. Chuvatov

Pe te r the Grea t Sa in t-Pe tersbu rg Polytech nica l Un iv ersity (SPb PU), Sa in t-Pe te rsb u rg , Ru ssia , con tr2 39@ ma il.ru ( R ec ei v e d 2 6 S ep t e m be r 2 0 1 9)

Abstract The main objective of this work is to develop a new approach, allowing ground rovers and air drones to coordinate their actions. Trajectories are optimized along the path length. During this work common motion algorithm, using structure of heterogeneous group and built on the base of A* algorithm, was developed. Program model was realized and experiment’s procedure was developed. As a result of an experiment the pathfinding time reliance on drones number, expected path length and availability of multithreaded processing was confirmed. Also, dependence of length path on drones number and their vision radius was confirmed. These results can be used for controlling and dispatching of robot cluster in static map condition for optimizing group’s paths by several criteria.

Key words Robot, algorithm, navigation, optimization, heterogeneous group.

Acknowledgements The research is supported by the government contract of Russian Federation no.2.9198.2017/8.9.

278

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

Введение Развитие робототехники позволяет использовать автономных роботов, объединенных в группы для выполнения транспортных операций. Такое объединение является сложной динамической системой, в которой непрерывно взаимодействуют среда, средства управления движением и сами автономные роботы. Однако когда речь идет о гетерогенной группе роботов, например, летающих и ездящих по поверхности, возникают сложности, состоящие в выборе совместного оптимального плана движения, оставляющие задачу взаимодействия роботов при построении согласованных путей движения к цели до конца не разрешенной. Сложность построения путей для каждого конкретного робота в этом случае состоит в учёте требований непрерывного взаимодействия роботов как со средой, так и между роботами гетерогенной группы, наличием динамики, связанной с изменениями среды, к которой относятся, например, сезонные и суточные изменения. Особую сложность вызывают ситуации, при которых требуется оптимизация управления группой после серьёзных изменений, вызванных внешними и внутренними факторами, существенно влияющими на условия её функционирования. При рассмотрении всей группы в целом возникает вопрос формализации постановки задачи, состоящей в оценке качества пути. Помимо этого, изза наличия нескольких типов роботов, задача оптимизации является многокритериальной, и выбор определенного способа построения превращается в отдельную подзадачу. С точки зрения практического применения, результат исследования в виде готового алгоритма построения путей может быть использован в таких задачах, как управление группами автономных роботов-мусоровозов, сети беспилотных такси или транспортных средств, движущихся по маршрутам с возможностью выполнения отдельных заявок вне маршрута, что позволяет его использовать для управления транспортных потоков «умного города», где автомобили могут быть, в том числе и беспилотными. Решением задачи поиска пути в лабиринте при помощи летающего и наземного автономных роботов является построение совместного маршрута [1]. По сценарию предполагалось, что летающий робот поднимается с наземной подвижной платформы и производит съемку местности, далее изображение преобразуется в карту лабиринта, наземный робот находит оптимальный маршрут методом вероятностной дорожной карты (Probability Roadmap, PRM) и движется через лабиринт, используя метод SLAM с использованием лазерного дальномера. В такой постановке применяется по одному роботу каждого типа и не решаются задачи оптимизации траекторий. Навигация автономных мобильных роботов в

2019; 7(4)

условиях недетерминированной рабочей среды [12] в контексте современных передовых технологий является полностью автоматической. Робот может самостоятельно перемещаться и выполнять действия с помощью манипуляторов. База знаний самого робота позволяет ему ориентироваться в пространстве и принимать решения. По сути задача человекаоператора сводится к наблюдению и контролю деятельности группы роботов. Основываясь на идее использования преимуществ группового применения роботов [2] можно получить улучшения сразу по нескольким аспектам общей задачи, а именно, большей зоны покрытия, одновременного выполнения различных задач, в том числе и для гетерогенных групп роботов, более высокой вероятности выполнения задач, в случае возникновения отказов. В исследовании рассматриваются задачи управления: разделение на подзадачи, разбиение на подгруппы, переконфигурирование в случае выпадения или добавления участников, что относится более к задаче целеполагания, а не управления. Решение задачи координации большой группы однотипных роботов состоит в применении стандартных алгоритмов группового перемещения [3]. Основной задачей работы являлось получение стратегии управления группой для преодоления различных препятствий, например, углов, узостей. Решение реальных, а не модельных практических задач [4] во многом позволяет понять, как учитывается физика процесса движения, какие модели применены при решении. В рассматриваемой задаче целью являлось перемещение грузов в пределах некоторой области. В этом случае группа роботов является гомогенной и область действия роботов остается неизменной. Дополнительным ограничением постановки задачи является исследование перемещения крупногабаритных объектов, с которыми роботы не могут справиться в одиночку. Исследование решает задачу группового взаимодействия роботов, занятых одной локальной задачей. Естественным образом при работе с группой роботов возникает вопрос распределения задач между однотипными роботами в пределах гомогенной группы [5]. В качестве определяющего параметра используется остаточная энергия робота. Для распределения задач применен механизм по типу аукциона, что позволяет локально решить задачу оптимизации минимизации затрат суммарной энергии группы. Различные способы координации также являются предметом для исследований [6]. В качестве модели координации движения роботов выбрана дополненная модель Маркова (AMM). При обработке динамических взаимодействий группы роботов используются нестандартные условия вроде возможности отказов, разделение по ролям в пределах группы, осно-

279

Информационное обеспечение / Information Support

вываясь на способностях и опыте, с динамическим выбором лидера группы. По сути, ключевым аспектом исследования являлся поиск подходов, методов и алгоритмов для координации и управления гомогенной иерархической группой роботов в режиме реального времени. При проведении подобных исследований особое внимание уделяется базовым принципам робототехники [7], основанным на непосредственном моделировании механики передвижений роботов или отдельных их частей. В частности, для наземных колесных роботов рассматриваются варианты систем уравнений, описывающих их передвижение по поверхности, при этом учитываются динамические характеристики системы и применяются правила динамической механики. Так, например, при заезде на склон учитывается не только угол наклона плоскости и положение центра тяжести конструкции, но и начальная скорость, ударный импульс при въезде на склон. Помимо особенностей модели и стратегии управления важно четко интерпретировать результаты исследований по разработанным моделям и на их основании сформулировать требования к группе роботов и их оборудованию в расчете на дальнейшее практическое применение [8]. Авторы рассматривают варианты постановки задачи, как то: покрытие области поверхности, которая может быть решена большим количеством мини- или микро-роботов. При этом предлагается применять «роевые» алгоритмы решения задач движения средствами имитационного моделирования, основанными на модели поведения живых организмов. Альтернативным вариантом стало использование переноса идей из смежных прикладных дисциплин, в частности, компьютерных сетей [9], для решения задачи группового управления. Важным моментом является наличие неорганизованной или плохо организованной, недетерминированной среды, определённой как трафик в сети. В рамках решения задачи, исходную группу предлагается разбивать на кластеры роботов, объединенных общей целью. В дальнейшем предложенный механизм управления представляет собой самоорганизующуюся систему группового управления. Еще одним примером переноса идеи стало использование миварных технологий [10]. Один из ключевых моментов заключается в рассмотрении перспектив создания подобных систем, состоящих в использовании методов искусственного интеллекта, и системы на его основе, созданной путем комплексирования продукционного подхода к выводу и сетей Петри. Учитывая потребности современных реалий, системы управления гетерогенными группами роботов должны обладать динамикой относительно внешних

факторов [11]. Сама идея управления группой роботов, а точнее принятия решений, стала в этом плане основной задачей. Ключевым условием является учёт в модели активно изменяющейся внешней среды. В качестве новизны разработанной структуры авторы выделяют разработку выделенных подсистем анализа и реконфигурации, а также подсистемы позиционирования, совместно осуществляющих динамическое перераспределение позиций роботов.

Постановка задачи Даны карта M и гетерогенная группа роботов R . Для карты M могут быть сделаны экспликация M g  G , Y , R  для наземного робота, где G – зоны свободные для передвижения, Y – опасные зоны, к которым относятся большие углы продольного/поперечного наклона, R – закрытые для перемещения зоны, как то, вода, лава или непроходимые заросли, и экспликация M f   H  для летающих роботов, где H – карта минимальных высот полета. Реализация карты сохраняется в масштабе, достаточном для составления точного пути наземным роботом, при этом в начале выполнения задачи карта не известна. состоит из: Группа роботов R  F , G F   f1 ,..., f n  – подгруппа из n летающих роботов, а G   g1  – подгруппа из одного наземного робота. Робот f  C ,  , r , hmax  имеет радиус обзора карты r , среднюю скорость полета  , затраты энергии в единицу времени С и максимальную высоту полета hmax , обусловленную внешними факторами: погодой или мощностью радиопередатчиков. Летающий робот составляет актуальную карту крупного масштаба. Робот g  C , r , E ,  ,   радиус обзора карты r , затраты энергии на единицу пройденного расстояния, зависящие от угла въезда  С  С   , максимальный запас энергии E , максимальный угол поперечного крена – угол сваливания  , максимальный угол въезда  . В рамках задачи требуется построить такой маршрут от точки A до точки B , чтобы минимизировать суммарные затраты энергии группы и не превысить углы сваливания и въезда для наземного робота. В этом случае общая постановка задачи представляет собой постановку задачи двухкритериальной оптимизации:

minx  f1  x  , f 2  x  x  S, где fi : R n  R это целевые функции, отвечающие за расход энергии в полёте и допустимости движения наземного робота по углам. Векторы решений x  ( x1 , x2 , ..., xn )T принадлежат непустой области

280

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

определения S . В случаях многокритериальной оптимизации критерии удовлетворенности для различных целевых функций как правило конфликтуют, потому задача «оптимизировать» трактуется как нахождение такого решения, при котором значение целевых функций были бы приемлемыми для постановщика задачи.

Стратегия построения путей движения роботов на карте Решение транспортной задачи наземным роботом состоит в достижении его результирующей точки, однако карта в начальный момент решения задачи неизвестна, что требует обследования территории для картографирования местности. Картографирование осуществляется при помощи летающих роботов, с высотой полёта, достаточной для построения карты, обеспечивающей формирование траектории наземного робота. Задачами стратегий являются формирование путей для летающих роботов, с целью картографирования, и стратегии наземного робота, с целью достижения целевой точки. В процессе построения маршрутов рассматриваются два варианта совместных действий: последовательного или одновременного движения летающих и ездящего роботов. Вариант последовательных совместных действий состоит в таком режиме движения наземного робота, при котором он начинает движение только после того, как карта обследована достаточно для того, чтобы построить его полный путь. Параллельные совместные действия состоят в одновременном начале движения как летающего, так и наземного роботов и движении наземного робота к цели по известной области и продолжении обследования карты летающими роботами. В случае последовательного движения построенный для наземного робота путь является статическим, и затраты энергии на его преодоление прогнозируемы и известны, в случае параллельного движения неизвестны не только длина пути, но и его наличие, что повышает риски при движении наземного робота. В настоящей работе рассмотрен вариант последовательной стратегии, что связано с тем, что запас энергии наземного робота ограничен, и при построении полного пути гарантированно определяется достижимость точки результата.

2019; 7(4)

каждого из летающих роботов. Далее, для построения маршрута каждого дрона используется алгоритм A*. В качестве стратегий обследования будут рассмотрены варианты, представленные на рис. 1. Идея первого и второго вариантов заключается в разведке зоны, где скорее всего будет пролегать наикратчайший маршрут. Для первого случая за основу берется предположение, что точки пути AB имеют отклонение от прямой АВ прямо пропорциональное удалению от ближайшей из них, таким образом план разведки должен быть симметричен относительно центра прямой AB. Для второго случая считается, что вероятность нахождения на определенном расстоянии от прямой имеет вид нормального распределения. При этом параметр дисперсии прямо пропорционален удалению от начальной точки A. Последний случай не учитывает вероятности и предположения и гарантирует обследование всей карты за один проход. Таким образом, после первой же итерации можно ответить на вопрос о наличии пути для наземного робота.

а)

Правило построения путей летающих роботов В основе правил построения путей летающих роботов лежит идея покрытия дронами предельно допустимой безразрывной области между точками старта и финиша наземного робота. Используя радиус обследования из начальных условий, можно рассчитать максимально допустимое расстояние между дронами в процессе движения. Используя эти данные, можно расставить контрольные точки для 281

б)

Информационное обеспечение / Information Support

ритма движения летающих роботов является построение траекторий для обследования территории, с учётом возможных непроходимых областей. Задачей алгоритма наземного робота является построение маршрута по ранее построенной карте с учётом возможных зон проходимости.

Алгоритм совместных действий наземного и летающих роботов

в) Рисунок 1 — Варианты стратегий разведки местности: а) «кратчайший путь»; б) «нарастание препятствий»; в) без предположений о характере препятствий Figure 1 — Options of terrain reconnaissance strategies, а) «shortest path»; б) «growing obstacles»; в) without assumptions about obstacle characteristics

Первые варианты являются примерами оптимистичных стратегий. При их использовании мы предполагаем, что искомый путь наземного робота будет лежать в некоторой области между начальным и конечным пунктами. Следовательно, стратегия для этих двух случаев приобретает итерационный вид. При подобном подходе на каждой итерации зона покрытия летающими роботами увеличивается, пока не будет найден путь или не будет открыта вся карта.

Правило построения путей наземного робота Маршрут для наземного робота строится по аналогии с летающими, с условием учёта непроходимых зон. Использование представленных в постановке задачи значений двух углов – предельного угла крена, и предельного угла въезда означает, что некоторые клетки карты могут быть пройдены в строго определенном направлении. Однако, учет подобных ограничений требует значительной модификации алгоритма поиска, и потому выносится за рамки данной статьи. Таким образом, в контексте текущих экспериментов будем считать полностью недоступными клетки с превышением наименьшего из этих углов.

Построение пути с минимальными затратами энергии В соответствии с условиями исходной постановки задачи, наземный робот обладает функцией затрат энергии на единицу расстояния с учетом угла въезда. Решение данного вопроса является задачей однокритериальной оптимизации, что предполагает построение некоторого поля решений.

Алгоритм построения путей движения роботов на карте Исходными данными для построения маршрута является заранее неизвестная карта. Задачей алго-

В задачи общего алгоритма движения входит: построение путей наземного и летающих роботов и определение момента окончания обследования и начала движения наземного робота. Блок-схема алгоритма приведена на рис. 2. В качестве основы для алгоритма построения маршрута летающими роботами на данном этапе используется алгоритм A*. На первом шаге строится базовая траектория от точки А до точки В по неразведанной карте. При этом неразведанные участки считаются полностью проходимыми. Далее, по мере продвижения и разведки проводится проверка пересечения базовой траектории с непроходимым препятствием. Если таковое имеется – маршрут перестраивается от текущей точки до конца. Отличие от типового применения А* заключается в наличии ограничений в виде непроходимых территорий и весовой функции, определяющих направление построения маршрута. На процесс функционирования алгоритма поиска оказывает влияние начальное распределение траекторий роботов с учетом выбранной стратегии. Первый подход предполагает существование оптимистичной стратегии, в соответствии с которой путь робота находится вблизи кратчайшего расстояния между начальным и конечным пунктами маршрута. В случае распределения летающих роботов в соответствии с этой стратегией, первым шагом строятся линия контрольных точек, таким образом, чтобы соседние линии, направленные от этих контрольных точек параллельно отрезку АВ были равноудалены друга от друга на расстояние в два радиуса разведки летающего робота. Для второй стратегии реализуется оптимистичное предположение, что путь наземного робота не сильно отклоняется от кратчайшего расстояния, но чем дальше от начальной точки движется робот, тем сильнее может отклониться путь. Распределение траекторий летающих роботов, исходя из этого принципа, обеспечивает более тщательный охват удалённых от исходной точки движения наземного робота ввиду того, что они более важны для обследования, так как в области прибытия возможно большее число препятствий, чем в области отправления. Реализация стратегии предполагает построение путей летающих роботов вдоль линии АВ так,

282

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

чтобы при достижении края карты расстояние между ними было не более двух радиусов видимости. Реализация двух указанных оптимистических предположений не гарантирует успеха при первом проходе, и требует дополнительных итераций для дообследования карты в случае отсутствия пути для наземного робота. Для третьей стратегии не делается никаких предположений о характере распределения препятствий,

2019; 7(4)

и обследование выполняется последовательным обходом всей карты за один заход при начальном построении маршрута. Для реализации этой стратегии для каждого робота выделяется свой фрагмент карты, а в нём выполняется последовательное челночное движение от края до края карты с шагом между частями пути не более двух радиусов видимости.

Рисунок 2 — Алгоритм решения транспортной задачи Figure 2 — Transport task solving algorithm

Основной проблемой при движении летающих роботов в неизвестной области является наличие непреодолимых препятствий с заранее неизвестным положением. При реализации любой из стратегий при появлении ранее неизвестных областей недоступности, их обход выполняется алгоритмом дина-

мической корректировки маршрута в сторону ранее необследованной области. Построение пути для наземного робота выполняется модифицированным алгоритмом А*. Первый запуск алгоритма происходит только после появления непрерывно разведанной области, содержащей возможный путь между А и В. В случае отсутствия

283

Информационное обеспечение / Information Support

пути, запускается следующий этап разведки, пока не будет обследована вся карта.

Реализация модели движения роботов

ности программных модулей, взаимодействующих между собой, с пользователем и сторонними графическими библиотеками. Описание модулей и схема взаимодействия между ними приведена на рис. 3.

Программная среда реализована в виде совокуп-

Рисунок 3 — Диаграмма модулей приложения Figure 3 — Application modules’ diagram

Интерфейс пользователя является точкой входа, а также основным доступным оператору средством для управления приложением. Внешний вид интерфейса представлен на рис. 4. Интерфейс содержит шесть графических виджетов приложения:  управления задачей – служит для запуска сценария, запуска решения задачи поиска пути и сохранения результатов моделирования;  поиска пути – содержит информацию по результатам реализации стратегий;  отображения свойств задачи – управляет отображением начальных и конечных точек маршрута, исходных позиций роботов, зон проходимости и найденных путей;  загрузки – используется как интерфейс к файловой системе;  управления режимом работы – обеспечивает переключение между режимами поиска путей и вариантов графического отображения;  информации о карте – предоставляет данные выбранной точки карты: координаты, высота, углы наклона по осям. Задачей диспетчера является организация работы в режиме конвейера. В этом случае диспетчер выполняет работу по коммутации всех остальных модулей.

QtGLWrapper представляет собой интерфейс графического модуля QtGL для взаимодействия по-

следнего с внутренними объектами и интерфейсом пользователя.

QtGL является библиотекой фреймворка Qt, построенной на базе графической библиотеки OpenGL. Исходные данные представляют собой gray-scale карту высот. Задача загрузки карты и преобразования во внутренний формат вынесена в обработчик карт. Также, данный модуль отображает карту в интерфейсе пользователя и занимается представлением и хранением зон проходимости для каждого типа робота, построенных путей, меток стартовых позиций роботов. Задача распределения летающих роботов в соответствии со стратегией последующего поиска маршрута возложена на алгоритмический модуль. Сборщик статистики на данном этапе отвечает за сбор данных по времени выполнения алгоритма поиска пути с целью последующего анализа. Программный интерфейс обеспечивает работу с программными настройками, что требуется при проведении экспериментов в рамках исследования. Дополнительной возможностью является вывод численных результатов в бинарные файлы для последующей интерпретации в среде программного пакета Matlab.

Отображение карты Графическое отображение карты позволяет сделать выводы о характере поверхности и визуально

284

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

сравнить с реальными объектами местности. Пример отображения карты приведён на рис. 5. Для каждого робота выполняется экспликация карты с запрещёнными областями в соответствии с

2019; 7(4)

исходными данными относительно углов и ограничений по высотам.

Рисунок 4 — Внешний вид интерфейса приложения Figure 4 — Application interface layout

а) б) Рисунок 5 — Результат обследования местности летающими роботами: а) аксонометрическая проекция; б) вид сверху Figure 5 — Result of terrain reconnaissance by drones, а) axonometric projection; б) view from above

Пути на карте Предполагается, что наземный робот испытывает трудности с большими углами наклона поверхности. На данном этапе в соответствии с заданным параметром максимального угла наклона, на основании исходной карты поверхности, как указано ранее, строится отдельная карта проходимости. По части построения пути алгоритм для летающих роботов почти ничем не отличается от алгоритма для наземных, в том числе и относительно разрешенных и запрещённых областей. Вариант первой стратегии в математической модели реализуется итерационным алгоритмом. Со-

гласно алгоритму (см. рис. 2), роботы исследуют карту постепенно расширяя область разведки. Пример двух первых итераций приведен на рис. 6. Основная сложность стратегии 2 заключается в необходимости двигаться под малым углом относительно направления отрезка АВ. При этом по условию задачи робот не может перемещаться по диагонали. Следовательно, реальное изображение несколько отличается от предполагаемого. Аналогично первой стратегии, алгоритм становится итерационным. Пример шагов с расширяющейся зоной разведки приведен на рис. 7.

285

Информационное обеспечение / Information Support

Рисунок 7 — Разведка местности, 2-ая стратегия: а) 1-ая итерация; б) 2-ая итерация Figure 7 — Reconnaissance 2nd strategy, а) 1st iteration; б) 2nd iteration

Третья стратегия по сути является подходом без использования предположений о характере препятствий. В данном случае итерация всего одна, исходное множество роботов исследует карту полностью за один проход, и, если пути для наземного робота не нашлось, то можно сделать вывод об отсутствии решения. Пример разведки приведен на рис. 8.

а)

б) Рисунок 6 — Разведка местности, 1-ая стратегия: а) 1-ая итерация; б) 2-ая итерация

Рисунок 8 — Разведка местности, 3-я стратегия Figure 8 — Reconnaissance, 3rd strategy

Figure 6 — Reconnaissance 1st strategy, а) 1st iteration; б) 2nd iteration

Исследование времени выполнения алгоритма построения путей на карте Исследование состоит из серии измерений времени выполнения вычисления маршрута в зависимости от числа летающих роботов. Основная цель определение возможностей среды моделирования для расчётов траекторий движения групп роботов на реалистических картах. На основании полученной зависимости провести анализ и сделать вывод о целесообразности дальнейшего использования среды в рамках общего исследования. В процессе выполнения эксперимента использовались параметры, приведенные в таблице 1. Таблица 1 — Параметры эксперимента

а)

Table 1 — Experiment parameters Параметр или константа

Размер карты, точек*точек Число летающих роботов, шт. Число наземных роботов, шт. Средняя длина пути, точек

Значение

258х258 1..50; 5 1 50...5000; 50

Летающий робот

Максимальная высота полёта, точек Радиус видимости поверхности, точек

140 8

Наземный робот

Максимальный угол сваливания, град.

б)

35

Так как данный этап выполнения общего исследования подразумевает в том числе проверку при-

286

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

годности среды моделирования, замеры времени осуществлялись на следующих этапах алгоритма построения путей: создание объектов в памяти; построение волновой матрицы; восстановление пути по построенной волновой матрице. Помимо этого, измерялось общее время выполнения вычисления и суммарное количество элементов волновой матрицы. Также в рамках проверки пригодности каждый этап вычислений производился без и с использованием параллельных вычислений. Суммарное время выполнения задачи функционирования алгоритмов поиска путей приведено на рис. 9.

2019; 7(4)

ством летающих роботов, что актуально для практических задач.

Исследование зависимости длины пути от выбранной стратегии для построения пути наземного роботов Целью эксперимента является выбор наилучшей стратегии для летающих роботов и решение вопроса нахождения пути наземного робота при условии ограничения энергии для передвижения. Исследование состоит из серии измерений длины пути в процессе вычисления маршрута в зависимости от примененной стратегии, числа летающих роботов и радиуса их видимости. В процессе выполнения эксперимента использовались параметры, приведенные в таблице 2. Таблица 2 — Параметры эксперимента Table 2 — Experiment parameters Параметр или константа

Размер карты, точек*точек Число летающих роботов, шт. Число наземных роботов, шт.

Значение

258х258 1..10; 1 1

Летающий робот

Радиус видимости поверхности, точек 5..50; 5 Стратегии: «кратчайший путь», «нарастание препятствий», без предположений

а)

Наземный робот

Максимальный угол сваливания, град.

б) Рисунок 9 — Зависимость времени решения задачи от числа летающих роботов и расстояния между начальной и конечной точками маршрута наземного робота при выполнении вычислений: а) в один поток; б) в автоматическом распределении потоков по 8 ядрам процессора

35

Использование различного числа роботов в одной стратегии на карте показывает последовательный рост, снижение и последующий рост пройденного роботами расстояния до момента нахождения наземного пути с увеличением количества роботов, что позволяет определить оптимальное число роботов для обследования известной территории при заданном радиусе обзора.

Figure 9 — Task solving time dependence on drones number and distance between start and finish while doing processing in: а) one thread; б) automatic thread distribution between 8 processor cores

Применение многопоточного метода вычислений путей роботов обеспечивает двукратное снижение времени построения путей, при этом, наблюдаемые неровности, а также увеличение времени вычисления на коротких маршрутах для многопоточного выполнения обусловлены затратами на распределение задач между потоками в операционной системе. По результатам проведенного эксперимента можно сделать вывод о целесообразности использования многопоточной обработки для случая с большим количе287

а)

Информационное обеспечение / Information Support

5

10

15

Радиус видимости 20 25 30 35

40

45

50

в) Рисунок 10 — Зависимость длины пути от числа летающих роботов при различных радиусах видимости карты для стратегий: а) «кратчайший путь»; б) «нарастание препятствий»; в) без предположений Figure 10 — Path length dependence on drones number in case of different map visibility radiuses for strategies: а) «shortest path»; б) «growing obstacles»; в) without assumptions

Выводы

б)

Создана инструментальная база для построения модели управления гетерогенной группой роботов. В результате экспериментов была успешно апробирована многопоточная реализация алгоритма поиска пути, а также три основных стратегии обследования карты местности. Возможность определения оптимального числа роботов позволяет расширить задачу оптимизации, а также добавить динамическую составляющую к имеющейся модели. Дальнейший переход к задаче многокритериальной оптимизации маршрута обусловлен перспективными вариантами использования алгоритма на практике, что требует как можно более приближенную к реальности модель.

Литература 1. Навигация гетерогенной группы роботов (БПЛА и БНР) через лабиринт в 3D симуляторе Gazebo методом вероятностной дорожной карты. – Текст: непосредственный / И.М. Афанасьев [и др.] // Второй Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта». – 2015. – С. 18-25.

2. Васильев И.А. Организация группового управления мобильными роботами для задач специальной робототехники. – Текст: непосредственный / И.А. Васильев, С.А. Половко, Е.Ю. Смирнова // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. – 2013. – №. 1 (164).

3. Belta C. Abstraction and control for groups of robots. – Text: unmediated / C. Belta, V. Kumar // IEEE Transactions on robotics. – 2004. – Т. 20. – №. 5. – С. 865-875.

4. Evolving group transport strategies for e-puck robots: moving objects towards a target area. – Text: unmediated / M.H.M. Alkilabi [et al] // Distributed Autonomous Robotic Systems. – Springer, Cham, 2018. – С. 503-516.

5. Guerrero J. Multi-robot task allocation strategies using auction-like mechanisms. – Text: unmediated / J. Guerrero, G. Oliver // Artificial Research and Development in Frontiers in Artificial Intelligence and Applications. – 2003. – Т. 100. – С. 111-122.

6. Goldberg D. Coordinating mobile robot group behavior using a model of interaction dynamics. – Text: unmediated / D. Goldberg, M.J. Mataric // In Proceedings, The Third International Conference on Autonomous Agents (Agents' 99. – 1999).

7. Robot modeling and control – Text: unmediated / Spong M. W. [et al.]. – 2006.

8. Коллективное поведение роботов. Желаемое и действительное. – Текст: непосредственный / В.Э. Карпов // Современная мехатроника: сборник научн. трудов Всероссийской научной школы (г. Орехово-Зуево, 2223 сентября 2011)-Орехово-Зуево. – 2011. – C. 132.

9. Каляев И.А. Самоорганизующиеся распределенные системы управления группами интеллектуальных роботов, построенные на основе сетевой модели. – Текст: непосредственный / И.А. Каляев, С.Г. Капустян, А.Р. Гайдук // Управление большими системами: сборник трудов. – 2010. – №. 30-1.

288

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

10. Организация системы поддержки принятия решений для управления группой роботов. – Текст: непосредственный / П.В. Лоторев [и др.] // Юго-Западного государственного университета. – 2015. – С. 30.

11. Михайлов Б.Б. Автономные мобильные роботы - навигация и управление – Текст: электронный / Б.Б. Михайлов, А.В. Назарова, А.С. Ющенко // Известия ЮФУ. Технические науки. 2016. №2 (175). – URL: обращения: https://cyberleninka.ru/article/n/avtonomnye-mobilnye-roboty-navigatsiya-i-upravlenie (дата 13.07.2019).

References 1. Afanasyev, I. et al. (2015). Navigatsiya geterogennoy gruppy robotov (BPLA i BNR) cherez labirint v 3D simulyatore Gazebo metodom veroyatnostnoy dorozhnoy karty [Navigation of a heterogeneous group of robots (UAVs and UGVs) through a maze in a 3D Gazebo simulator using a probabilistic road map]. In: Vtoroy Vserossiyskiy nauchnoprakticheskiy seminar «Bespilotnyye transportnyye sredstva s elementami iskusstvennogo intellekta» [Second AllRussian Scientific and Practical Seminar on Unmanned Vehicles with Artificial Intelligence Elements], pp.18-25.

2. Vasilyev, I., Polovko, S. and Smirnova, Е. (2013). Organizatsiya gruppovogo upravleniya mobilnymi robotami dlya zadach spetsialnoy robototekhniki [Organization of group control of mobile robots for tasks of special robotics].

Nauchno-tekhnicheskiye vedomosti Sankt-Peterburgskogo gosudarstvennogo politekhnicheskogo universiteta. Informatika. Telekommunikatsii. Upravleniye [Scientific and Technical Journal of St. Petersburg State Polytechnic University. Computer science. Telecommunications. Control], 1(164).

3. Belta, C. and Kumar, V. (2004). Abstraction and control for groups of robots. IEEE Transactions on robotics, 20(5), pp.865-875.

4. Alkilabi, M. et al. (2018). Evolving group transport strategies for e-puck robots: moving objects towards a target area. In: Distributed Autonomous Robotic Systems, Springer, Cham, pp.503-516.

5. Guerrero, J. and Oliver, G. (2003). Multi-robot task allocation strategies using auction-like mechanisms. Artificial Research and Development in Frontiers in Artificial Intelligence and Applications, 100, pp.111-122.

6. Goldberg, D. and Mataric, M. (1999). Coordinating mobile robot group behavior using a model of interaction dynamics. In: Proceedings of The Third International Conference on Autonomous Agents.

7. Spong, M. et al. (2006). Robot modeling and control.

8. Karpov, V. (2011). Kollektivnoye povedeniye robotov. Zhelayemoye i deystvitelnoye [The collective behavior of robots. Desired and Actual]. In: Sovremennaya mekhatronika. Sb. nauchn. trudov Vserossiyskoy nauchnoy shkoly [Modern Mechatronics. Proceedings of the All-Russian Scientific School], pp.132.

9. Kalyayev, I., Kapustyan, S. and Gayduk, A. (2010). Samoorganizuyushchiyesya raspredelennyye sistemy upravleniya gruppami intellektualnykh robotov, postroyennyye na osnove setevoy modeli [Self-organizing distributed control systems for groups of intelligent robots based on a network model]. Upravleniye bolshimi sistemami: sbornik trudov [Control of large systems: proceedings], 30-1.

10. Lotorev, P. et al. (2015). Organizatsiya sistemy podderzhki prinyatiya resheniy dlya upravleniya gruppoy robotov [Organization of a decision support system for control of robot group]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta, pp.30.

11. Mikhailov, B., Nazarova, A. and Yuschenko, A. (2016). Avtonomnyye mobilnyye roboty - navigatsiya i upravleniye [Autonomous mobile robots - navigation and control]. Izvestiya YuFU. Tekhnicheskiye nauki, 2(175) [online] Cyberleninka. Available at: https://cyberleninka.ru/article/n/avtonomnye-mobilnye-roboty-navigatsiya-i-upravlenie [Accessed 13 Jul. 2019].

Информация об авторах Попов Сергей Геннадьевич, к.т.н., высшая школа прикладной математики и вычислительной физики, институт прикладной математики и механики, Санкт-Петербургский Политехнический университет Петра Великого (СПбПУ), доцент, 195251, Санкт-Петербург, ул. Политехническая, д. 29, тел.: +7(921)961-34-93, popovserge@spbstu.ru Крашенинников Александр Сергеевич, высшая школа прикладной математики и вычислительной физики, институт прикладной математики и механики, Санкт-Петербургский Политехнический университет Петра Великого (СПбПУ), аспирант, 195251, Санкт-Петербург, ул. Политехническая, д. 29, тел.: +7(952)235-42-77, contr239@mail.ru Чуватов Михаил Владимирович, высшая школа прикладной математики и вычислительной физики, институт прикладной математики и механики, Санкт-Петербургский Политехнический университет Петра Великого (СПбПУ), ведущий программист, 195251, Санкт-Петербург, ул. Политехническая, д. 29, тел.: +7(921)58422-25, verktaki@spbstu.ru 289

Информационное обеспечение / Information Support

Information about the authors Sergey G. Popov, PhD in Technical Sciences, Department of Applied Mathematics and Computation Physics, Institute of Applied Mathematics and Mechanics, Peter the Great Saint-Petersburg Polytechnical University (SPbPU), Assistant Professor, 29, Politekhnicheskaya ul., Saint-Petersburg, 195251, Russia, tel.: +7(921)961-34-93, popovserge@spbstu.ru Alexandr S. Krasheninnikov, Department of Applied Mathematics and Computation Physics, Institute of Applied Mathematics and Mechanics, Peter the Great Saint-Petersburg Polytechnical University (SPbPU), Postgraduate Student, 29, Politekhnicheskaya ul., Saint-Petersburg, 195251, Russia, tel.: +7(952)235-42-77, contr239@mail.ru Mikhail V. Chuvatov, Department of Applied Mathematics and Computation Physics, Institute of Applied Mathematics and Mechanics, Peter the Great Saint-Petersburg Polytechnical University (SPbPU), Leading Programmer, 29, Politekhnicheskaya ul., Saint-Petersburg, 195251, Russia, tel.: +7(921)584-22-25, verktaki@spbstu.ru

Информация Утверждены новые стандарты методов испытаний роботов для работы в экстремальных условиях

Приказами Росстандарта утверждены новые национальные стандарты серии «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях»:  ГОСТ Р 60.6.3.6-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Проходимость. Движение по поверхности с продольными неровностями»;  ГОСТ Р 60.6.3.7-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Проходимость. Движение по поверхности с поперечными неровностями»;  ГОСТ Р 60.6.3.8-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Проходимость. Движение по поверхности со ступенчатыми неровностями»;  ГОСТ Р 60.6.3.9-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Проходимость. Движение с поддерживаемой скоростью»;  ГОСТ Р 60.6.3.10-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Проходимость. Движение с буксируемым объектом»;  ГОСТ Р 60.6.3.11-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Взаимодействие человека с роботом при выполнении поисковых работ. Произвольные лабиринты на сложной местности»;

 ГОСТ Р 60.6.3.12-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Радиосвязь в зоне прямой видимости»;  ГОСТ Р 60.6.3.13-2019 «Роботы и робототехнические устройства. Методы испытаний роботов для работы в экстремальных условиях. Радиосвязь вне зоны прямой видимости». В ближайшее время готовятся к утверждению еще 4 заключительных стандарта данной серии. Разработка стандартов, входящих в комплекс «Роботы и робототехнические устройства», необходима для повышения эффективности работ по стандартизации в сфере разработки, создания и эксплуатации роботов и робототехнических устройств, а также для обеспечения гармонизации национальных стандартов Российской Федерации с международными и региональными стандартами. Целью разработки стандартов является повышение интероперабельности роботов и их компонентов, а также снижение затрат на их разработку, производство и обслуживание за счет стандартизации и унификации процессов, интерфейсов, узлов и параметров. При разработке новых стандартов учтён передовой международный опыт. Так, ряд документов являются модифицированными по отношению к стандартам ASTM International. Стандарты разработаны ФГАНУ «Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики» (ФГАНУ ЦНИИ РТК) совместно с ФГУП «Стандартинформ» в рамках технического комитета по стандартизации №141 «Робототехника» (ТК 141) и вводятся в действие в марте 2020 года.

290

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

УДК: 004.942:007.52:519.876.5 DOI: 10.31776/RTCJ.7405 C. 291-299

Исследование полимодельного комплекса системы планирования движения гетерогенной группы автономных роботов в условиях пространственно-ситуационной неопределенности Д.Е. Моторин

Санкт-Петербур гс ки й По литехни чес кий у ни верс итет Петра Вели кого (СПбПУ), Санкт-П ет ер бу рг, Росси йс ка я Фе де ра ци я, d.e.mo to rin@gmail.com ( М а т е р и а л п о с т у п и л в р ед а к ц и ю 19 с ен т я б ря 2 01 9 г о д а)

Аннотация Верхний уровень управления группами роботов представляет собой системы планирования движения и кооперативных действий при решении глобальных задач. Главной частью таких систем является реалистичное представление среды и возможность планировать траектории. Целью данной работы является создание и исследование модели, позволяющей генерировать реалистичные среды с заданными параметрами и планировать на них движение группы роботов. Рассматривается блок генерации дискретных сред, фрактальных поверхностей и многослойных пространств. Анализируются алгоритмы планирования движения в генерируемых средах. Модель реализует алгоритмы разрешения коллизий, имитации динамики свойств среды и визуализации полученных результатов. Модель позволяет имитировать случайные и повторяющиеся динамические процессы, происходящие в среде движения роботов. Индивидуальные особенности взаимодействия робот-среда задаются коэффициентами влияния пространства на энергетические характеристики объекта управления. Результатами исследований являются зависимости времени вычислений от размера и типа карты, использование которых позволяет оценить вычислительную сложность в зависимости от требуемой детализации поставленной задачи. Областью применения рассмотренной модели является анализ характеристик систем управления верхнего уровня группы гетерогенных роботов в условиях пространственно-ситуационной неопределенности.

Ключевые слова Планирование траекторий, среда моделирования, роботы, пространственно-ситуационная неопределенность.

Study of the polymodel complex of the motion planning system of a heterogeneous group of autonomous robots in conditions of spatial-situational uncertainty Dmitrii E. Motorin

Pete r the Grea t Sain t-Pe tersbu rg Polytech nica l Un iv ersity (SPb PU), Sa in t-Pe tersburg, Ru ssia,, d.e.mo to rin@gmail.co m ( R e c e i v e d 1 9 S ep t e m b e r 2 0 1 9)

Abstract The upper level of robot group control is a system of planning of traffic and cooperative actions in solving global tasks. The main parts of such systems are a realistic presentation of the environment and ability to plan trajectories.

The aim of this work is to create and study a model that allows to generate realistic environments with given parameters and plan the movement of a robot group in them. The unit for generating discrete media, fractal surfaces and multilayer spaces is considered. The algorithms of motion planning in generated environments are analyzed. The model implements algorithms for collisions resolution, simulating the dynamics of environmental properties and visualizing the results. The model allows to simulate random and repetitive dynamic processes occurring in the environment of the robots’ motions. The individual characteristics of the robot-environment interaction are set by the coefficients of the influence of space on the energy characteristics of the controlled object. The results of the research are the dependences of the calculation time on the size and type of the map, the use of which allows to evaluate the computational complexity depending on the required detail of the task. The scope of the considered model is the analysis of the characteristics of the top-level control systems of a group of heterogeneous robots under conditions of spatial and situational uncertainty.

291

Информационное обеспечение / Information Support

Key words Trajectory planning, modeling environment, robots, spatial-situational uncertainty.

Введение Разработка систем управления группы и одиночных роботов требует предварительных модельных экспериментов, в ходе которых могут быть оценены временные затраты на выполнение операций планирования движения на верхнем уровне в среде, приближенной к реальной. Для решения этих задач используются программные модели, позволяющие генерировать реалистичную среду с заданными ограничениями параметров и оценивать время, затрачиваемое на планирование глобальных маршрутов движения. Системы моделирования в групповой робототехнике применяются в контексте симуляции биологического поведения с целью адаптации их организации при построении управления многоагентных систем. Ограниченность таких моделей [1] состоит в ограниченной детализации среды движения роботов, что может компенсироваться широкими возможностями моделей животного поведения и роевых алгоритмов. Анализ инструментов и средств имитационного моделирования коллективов роботов, рассмотренный в [2], выделяет особенности, требуемые для симуляции систем группового управления с элементами социальной организации. Выделены программные средства по принципу реализации наиболее распространенных алгоритмов планирования движения и группового взаимодействия. Широко распространенными являются модифицированные поисковые алгоритмы муравьиных колоний. Для исследований задачи попадания в локальные минимумы [3] строятся имитационные модели, содержащие дискретные среды с заданным расположением препятствий. Подобные модели среды могут использоваться в системе планирования операций роботов при движении в реальной среде [4]. Модели, используемые для исследования эволюционных стратегий планирования траекторий, позволяют оценивать скорость сходимости алгоритмов при выбранных параметрах [5]. Важной частью группового взаимодействия роботов является наличие связи для координации действий и обмена информацией об окружении. Главной задачей управления при учете ограничений, накладываемых системами связи, является навигация при выполнении кооперативных целей. Модель, представленная в [6], позволяет формировать динамическую структуру сети на основе смены лидеров с учетом анализа окружающей среды. Моделирование распределения подвижных коммуникационных роботов для обеспечения устойчивого радиосигнала и планирование траекторий движения позволяют минимизировать суммарное пройден-

ное расстояние на этапе построения маршрутов [7]. При разработке системы управления группы или одиночных роботов требуется предварительная оценка возможности планирования и реализации движения в среде с заданными характеристиками среды. Модели управления группами роботов в сложных неопределенных трехмерных средах [8] могут быть предварительным этапом для натурных экспериментов и позволять имитировать непосредственные сигналы, подаваемые на органы движения роботов. При этом модельные среды позволяют симулировать более сложные ситуации, чем лабораторные эксперименты, и использовать количество роботов, ограниченное только вычислительными мощностями установки. Использование имитационных моделей позволяет оценивать ограничения, возникающие в ходе движения роботов в реальной среде, такие как погрешности локализации роботов [9] или информационное обеспечение роботов в процессе картографирования окружающей среды [10]. Оцифровка карт используется в экспериментах в качестве приближенной модели реальной среды и предварительных расчетов с последующим использованием при выполнении задачи [11]. В таких системах требуется модификация алгоритмов планирования траекторий с последующим уточнением управления на локальном уровне. Результат планирования траекторий в модели как правило представляет собой набор точек для последовательного посещения, которые необходимо преобразовать в непрерывную кривую для непосредственной реализации роботом, например, используя кривые Безье [12]. Другим решением этой задачи является использование поля времени прибытия и функции скорости, позволяющие строить гладкие кривые и избегать чрезмерного сближения с препятствиями [13]. Для сокращения вычислительной сложности геометрических поисковых алгоритмов применяется предварительное преобразование среды [14]. Так для сокращения узлов графа поиска невыпуклые многоугольники преобразуются в выпуклые. В разряженных статичных средах такой способ может привести к существенному ускорению поиска маршрутов движения. В случае сложных пространств с плотным расположением препятствий могут начать выпадать решения, а при учете динамики среды потребуется затрачивать дополнительное время на анализ изменений. Физические эксперименты при проверке и отладке алгоритмов планирования траекторий в сложных неизвестных средах занимают значительное количе-

292

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

ство времени. Предварительная симуляция в реалистичных средах [15] позволяет сравнивать работоспособность различных алгоритмов и их модификаций в идентичных условиях и точнее оценивать отличия. Для численной проверки возможности решения однотипных задач в среде с заданными свойствами требуется использовать генератор карт. Также необходимо задавать начальные и целевые точки с ограничениями, задаваемыми спецификой задачи, поставленной перед группой роботов. Таким образом возможно формировать глобальную задачу движения робота. Существующие алгоритмы преобразования последовательности координат в непрерывную кривую для непосредственного движения робота в реальной среде, которые в данной работе являются частью функций нижнего уровня управления и не входят в данный программный комплекс. Взаимодействие роботов со средой ограничивается оценкой энергетических затрат в ходе движения или выполнения заданных операций совместных или индивидуальных. Главными блоками моделирования являются – генераторы карт и алгоритмы планирования траекторий. В статье рассматриваются дискретные, фрак-

Исходные данные

Среда

Карта: - размер - тип - свойства

Генерация карты: 1. Дискретная.

2. Фрактальная.

3. Многослойная.

4. Оцифровка.

Роботы: - количество; - ограничения; -начальные позиции -цель движения

MAP

2019; 7(4)

тальные и многослойные генераторы карт, позволяющие моделировать среду с требуемой степенью точности и детализации. Реализованные алгоритмы поиска траекторий основываются на модификациях классического алгоритма A*, позволяющего строить оптимальные пути. Разработанная программная реализация позволяет строить обобщенные численные зависимости, исходя из заданных ограничений среды и робота, и оценивать среднюю вычислительную сложность выбранного подхода планирования движения.

Состав среды моделирования движения роботов в условиях пространственно-ситуационной неопределенности Среда моделирования состоит из взаимосвязанных блоков генерации карт, планирования движения, визуализации и других вспомогательных модулей, общая структура представлена на рис. 1. Функциональное назначение и общее представление реализации основных блоков модели описано ниже. Каждый из исходных данных системы может быть сгенерирован случайным образом, тем не менее для решения строго определенной задачи требуется указать все параметры.

MAP

Планирование движения

Система управления роботами

Планирование траекторий

Реализация динамики сгенерированной среды и роботов

T T

R, G

Генерация группы роботов

Разрешение коллизий

MAP, T Визуализация: - карта; -пути

Рисунок 1 — Структура модулей среды моделирования Figure 1 — Simulation environment modules’ structure

Блок генерации карт Представление среды движения роботов в системе планирования движения принимает вид в зависимости от постановки задачи. При планировании движения на ровной поверхности с крупногабаритными объектами-препятствиями, например, складские помещения, наиболее вычислительно эффективным вариантом является дискретная карта. Сложные карты, форма которых влияет на проходимость конкретной области пространства, могут быть представлены фрактальными поверхностями. Каждый робот обладает набором характеристик,

определяющим его взаимодействие со средой действия. Наиболее удобным способом представления окружения в модели является его разделение, на свойства, которые учитываются в системах планирования роботов. Такое представление позволяет в едином пространстве планировать движение гетерогенной группы роботов. В исследуемой среде моделирования используются три соответствующих модуля, позволяющих генерировать среду с заданными параметрами, упрощенный вид такой среды представлен на рис. 2.

293

Информационное обеспечение / Information Support

личия желаемого размера поля, производится обрезание по краям до нужного габарита.

eij

Модуль генерации многослойных карт ℰ1 ...

E

ℰk ...

ℰn

Рисунок 2 — Представление карты в виде слоев, размеченных регулярной сеткой Figure 2 — Map’s presentation in a form of layers layed out by regular mesh

Входными параметрами блока являются: тип, размер и свойства карты. Результатом работы блока является карта E, размеченная регулярной сеткой, хранящаяся в виде двумерного массива для каждого слоя ℰk. В каждой ячейке плоской карты eij находятся значения свойств, например, высота над уровнем моря, давление, температура, освещенность.

Модуль генерации дискретных карт Дискретные карты представляют собой набор препятствий и проходимых областей в пространстве. Генерация такой карты производится на основе информации о размере и плотности заполнения карты препятствиями в процентном отношении ко всей плоскости. Реализация модуля содержит генератор пар случайных координат в пределах размера карты. Если плотность заполнения карты препятствиями меньше половины, то на свободном поле выставляются препятствия, в противном случае на заполненном поле выставляются свободные поля. Таким образом в случае любых желаемых параметров карты, объем генерируемых координат не превышает половины поля.

Модуль генерации фрактальных карт Рельеф пересеченной местности не всегда можно представить в виде запрещенных и разрешенных зон, так как перемещение из одной точки пространства в другую может требовать различных затрат ресурсов. Генерация схожих с реалистичными ландшафтами карт производится фрактальными алгоритмами, обладающими свойством самоподобия. В модуле используется алгоритм diamod-square, реализующий поверхность, размеченную регулярной сеткой и представляющий собой карту высот. Входными данными алгоритма являются размер, высота в угловых точках и коэффициент, определяющий фактор неровности. Фактор неровности — это случайное значение, прибавляемое к среднеарифметическим угловым точкам текущего шага расчета, причем он уменьшается с увеличением глубины генерируемой карты. Алгоритм генерирует карты размера 2n+1, где n – глубина рекурсии, поэтому в случае от-

Представление пространства в виде слоев, отражающих свойства окружающей среды, позволяет использовать одну систему планирования движения для группы гетерогенных объектов. Для формирования такого рода пространства используются модули генерации дискретных и фрактальных карт, описанные выше. При этом используется единая регулярная сетка, в каждом узле которой находится набор значений физических величин. Физические эффекты, такие как тени, реализуются функцией, получающей на вход фрактальную карту и координаты положения солнца относительно поверхности. Слой теней также представлен регулярной сеткой и рассчитывается путем смещения вершин карты на угол положения солнца относительно центра масс плоскости и вычитания статичной и смещенной поверхности.

Модуль оцифровки карты из изображения Использование сгенерированных пространств может быть неудобным при решении конкретной задачи планирования движения в реальной местности. В таких случаях для проверки алгоритмов используются спутниковые изображения местности, рельеф которых можно восстановить, исходя из цвета карты. Использование порогов цветов карты позволяет разделать ее на слои, такие как синий и его оттенки в качестве воды, зеленый – лес, желтый – песок. Набор таких слоёв ограничивает области применения типовых роботов в зависимости от проходимости.

Блок формирования группы роботов Группа роботов определяется ее взаимодействием со свойствами среды движения в виде вектора G. Объекты управления разделяются по типам, каждый из которых определяет граничные условия взаимодействия и энергетических затрат роботов во время движения. Значения этих характеристик определяются пользователем. Координаты расположения роботов определяются размерами карты и ограничениями, накладываемыми вектором G.

Блок планирования траекторий движения Модуль планирования пути Для планирования траектории используются алгоритмы, соответствующие сгенерированным картам, исходя из их вычислительной эффективности. В основе поиска траекторий лежит идея жадного алгоритма A*. На дискретных картах в качестве эвристических функций используется оценка до цели в виде евклидова расстояния. Использование данной метрики позволяет строить траектории наиболее

294

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

близкие к естественным прямым, находясь при этом в пространстве, представленном регулярной сеткой. Оценка энергетических затрат при движении определяется коэффициентом G, задающим перемещения из текущей точки в соседнюю. При планировании траектории на фрактальной карте, помимо расстояния до цели, необходимо учитывать перепады высот. Эвристическая функция складывается из рассчитанных затрат ресурсов до текущей точки и оценки энергетических затрат для достижения цели. Оценка движения к цели осуществляется линейной экстраполяцией энергозатрат и манхэттенским расстоянием, основываясь на предположении, что затраты на дальнейшее перемещение изменяться не будут, а движение будет осуществляться по кратчайшему пути. Поскольку окружающая среда и фрактальные поверхности обладают свойством самоподобия такая оценка позволяет быстро и достаточно точно оценивать траектории. Поиск траектории движения на многослойной карте осуществляется суммированием влияния каждого отдельного свойства на робота с учетом вектора G. Более подробно данный алгоритм рассмотрен в работе [16]. Возможно использование данного алгоритма в качестве универсального алгоритма для поиска траекторий на указанных выше картах, но вычислительно эффективней использовать поисковой алгоритм, соответствующий выбранной модели представления пространства.

Модуль разрешения коллизий Поскольку движение нескольких роботов в едином пространстве может приводить к пересечению их траекторий, необходимо использовать алгоритм разрешения коллизий. Корректировку путей можно сделать на локальном уровне в ходе реализации движения роботов, но в некоторых случаях ограниченного пространства разрешение коллизий невозможно физически, и это нужно учитывать на глобальном уровне планирования. Реализация алгоритма разрешения коллизий [17] позволяет оценивать участки траекторий роботов, приводящих к столкновению, и используя окружающее пространство, не занятое препятствиями и другими роботами, минимально отклонять пути движения. Разрешение всех коллизий при планировании путей для каждого робота большой группы в условиях высокой динамики карты является вычислительно затратным, при этом коллизии, возникающие ближе к завершению пути, имеют меньшую вероятность реализации, чем коллизии, возникающие в начале, так как динамика среды приведёт к обновлению путей. Для сокращения суммарного времени вычислений нереализуемых коллизий их можно ограничить путем

2019; 7(4)

оценки объема вычисляемых коллизий для дискретных карт с известным числом препятствий и объемом их смещений в процессе изменения среды и использовать в качестве системы адаптации к изменениям в среде.

Блок реализации динамики карты и движения роботов Динамика среды позволяет реализовывать движение группы роботов в условиях имитации изменений внешнего пространства. Изменения состояния среды и группы роботов производится пошагово, то есть перед осуществлением следующего шага робота и внесением изменения в свойства пространства вычисляются все необходимы для этого параметры. При необходимости скорость движения может быть увеличена, то есть за один ход изменения среды роботы могут пройти несколько точек плана. Динамика дискретных карт реализуется случайным смещением заданного объема препятствий. Таким образом сохраняется среднее количество препятствий и свободных областей на карте. Динамика фрактальных поверхностей реализуется путем изменения фактора неровности в заданном объеме точек. Динамика среды может носить циклический характер, то есть набор состояний одного или нескольких свойств среды изменяется с известным периодом. Таким образом могут быть реализованы ситуации, предсказуемые в реальной среде, такие как смена, дня и ночи, времен года, погода, пробки на дорогах. При этом, если случайные изменения могут быть сгенерированы непосредственно во время моделирования, то для периодических изменений требуется предрасчитанные состояния свойств, которые будут учитываться в системе управления роботами и отображения результатов симуляции.

Блок визуализации Визуализация осуществляется стандартными средствами MatLab, функциями imagesc, surf и plot. Визуализация результатов симуляции движения роботов представлена на рис. 3.

295

а)

Информационное обеспечение / Information Support

 плотность заполнения карты препятствиями: 0; 5; 10; 15; 20; 25; 30; 35; 40; 45; 50; 55; 60; 65;70;75;80; 85; 90; 95 % от всего пространства карты;  многослойные карты в трех вариациях: 1. три слоя: дискретный 30% препятствий, фрактальный; тень; 2. пять слоев: дискретный 25%, фрактальный; тень; дискретный 15%, фрактальный; 3. семь слоев: дискретный 15%, фрактальный; тень; дискретный 20%, фрактальный; дискретный 17%, фрактальный. Значения начальных точек и факторы неровности для фрактальных поверхностей в вычислительном смысле значения не имеют поэтому генерировались случайным образом. Для угловых точек в диапазоне от 0 до 1, для фактора неровности – целые числа от 1 до 10. Для каждого сочетания параметров сгенерировано по двадцать различных карт, результаты измерения времени вычисления представлены на рис. 4 точками, линией выделены усредненные значения времени генерации карт заданного размера.

б)

в) Рисунок 3 — Пример результатов генерации: а) дискретной; б) фрактальной; в) многослойной карт с маршрутами движения Figure 3 — Generation results example for a) discrete; б) fractal; в) multilayer maps with motion trajectories

Пространство движения роботов может быть представлено на плоскости в случае дискретной (рис. 3а) или фрактальной (рис. 3б) карты, при использовании нескольких слоев (рис. 3в) может быть удобно использовать объемное представление. На рис. 3 жирной красной линией отмечены траектории движения роботов. Визуализация динамики производится сменой состояния среды и смещения робота в следующую точку плана движения.

Экспериментальное определение вычислительной сложности модулей среды моделирования В ходе исследований определялось среднее время выполнения операций генерации среды, планирования движения и разрешения коллизий. Эксперименты проводились на вычислительной технике с процессором Intel Core i7-2600 CPU 3.40 GHz, оперативной памятью 8 Gb, жесткий диск HDD. Модельные эксперименты проводились генерацией начальных случайных карт, начальных и целевых точек для следующих параметров:  размеры карт: 8x8; 16x16; 32x32; 64x64; 128x128; 256x256; 512x512; 1024x1024 ед2;

Рисунок 4 — Зависимость времени генерации одной карты от размеров и типа карты Figure 4 — Dependence of one map generation time on map’s size and type

На рис. 4 приняты следующие цветовые обозначения: черный – генерация дискретных карт, красный – фрактальных, зеленый – трехслойные, синий – пятислойные, бирюзовый – семислойные. Наиболее вычислительно простым для генерации типом карт является – дискретный, ввиду ограничения вычисляемых значений. Стоит отметить, что генерация таких карт занимает на два порядка меньше времени чем любой другой из рассматриваемых подходов, вместе с тем такие карты наименее информативны. Второй особенностью данного генератора является зависимость времени от входного параметра – суммарного числа препятствий, причем разница между 5% и 50% на порядок времени вы-

296

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

числений. Наибольшее время вычислений тратится на карты, заполненные на 50%, так как при больших значениях задача инвертируется и генерируются свободные области. Фрактальные карты требуют на порядок больше машинного времени, но разброс времени карт одного и того же размера на уровне погрешности ввиду известного объема операций. Рассмотрим графики многослойных карт. Основной составляющей таких сред являются фрактальные поверхности. Это можно отметить по представленным графикам, например, генерация фрактальной карты размера 106 точек занимает в среднем 2.33 c, вычисления, требуемые для трехслойной карты, занимают 2.44 с, пятислойной – 4.79 с, семислойной – 7.10 с. Таким образом, дополнительные дискретные слои, требующие 0.02 с, вносят незначительный вклад – менее 1% вычислительного времени. Генерация карт теней зависит от положения источника света над поверхностью плоскости карты и требует не больше 10-3 c, что также не является значительной составляющей, так как имеет смысл только при построении к фрактальным плоскостям. Для каждой сгенерированной карты планировалось по двадцать траекторий, начальные и целевые точки которых выбирались случайным образом. В случае если маршрута не существовало или ключевые точки попадали в запрещенную область, поиск осуществлялся еще раз при других начальных условиях. Результаты экспериментов представлены на рис. 5, цветовые обозначения аналогичны предыдущему графику, выделенные полупрозрачные области ограничивают пространство минимальных и максимальных вычислительных затрат, полученных в ходе симуляции. Разброс времени при планировании единичных траекторий движения при случайном распределении начальных и целевых точек для любого типа карты пересекаются, что отражено полупрозрачными областями на рис. 5. Данный разброс крайних значений объясняется величиной объема пространства поиска, которое растет с ростом расстояния между начальной и конечной точками. Тем не менее, при анализе средних значений планирования движения, траектории на дискретных

2019; 7(4)

картах рассчитываются быстрее, чем на любых других из рассматриваемых. Планирования траекторий на фрактальных и многослойных картах отличаются в среднем на 6%. Такой эффект происходит ввиду предварительной операции свертки, применяемой к слоям карты, которая не является вычислительно затратной по сравнению с поиском в недискретном пространстве, и применении сложных эвристик.

Рисунок 5 — Зависимость времени планирования одной траектории от размера и типа карты Figure 5 — Dependence of one trajectory planning time on map’s size and type

Выводы Исследована модель системы планирования движения гетерогенной группы роботов в условиях пространственно-ситуационной неопределенности. Рассмотрены и исследованы составные модули генерирующие реалистичные среды, представленные дискретными, фрактальными и многослойными пространствами, а также алгоритмы поиска траекторий с учетом особенностей взаимодействия робота и окружающей среды. Представлены диапазоны времени вычислений сред и траекторий в зависимости от их типа и размеров. Модель может быть использована для анализа системы планирования движения гетерогенной группы роботов в реалистичных средах с индивидуальными ограничениями, наложенными на каждый отдельный объект управления.

Литература 1. Карпов В.Э. моделирования поведения групп робототехнических агентов с элементами социальной организации Кворум. – Текст: непосредственный / В.Э. Карпов, М.А. Ровбо, Е.Е. Овсянникова // Программные продукты и системы. – 2018. – Т. 31. – № 3. – С. 581-590. – DOI: 10.15827/0236-235X.031.3.581-590.

2. Ровбо М.А. Обзор средств имитационного моделирования коллективов роботов с элементами социальной организации. – Текст: непосредственный / М.А. Ровбо, Е.Е. Овсянникова, А.А. Чумаченко // Программные продукты и системы. – 2017. – Т. 30. – № 3. – С. 425-434. – DOI: 10.15827/0236-235X.030.3.425-434.

3. Z. Zhu. Global path planning of mobile robot based on improved ant colony algorithm. – Text: unmediated / Z. Zhu, S. Liu and B. Zhang // Proceedings of the 30th Chinese Control Conference, Yantai, 2011, pp. 4083-4088.

297

Информационное обеспечение / Information Support

4. Global path planning for explosion-proof robot based on improved ant colony optimization. – Text: unmediated / H. Che [et al] // 2016 Asia-Pacific Conference on Intelligent Robot Systems (ACIRS), Tokyo, 2016, pp. 36-40. – Doi: 10.1109/ACIRS.2016.7556184.

5. S. Al Dabooni. Heuristic dynamic programming for mobile robot path planning based on Dyna approach. – Text: unmediated / S. Al Dabooni and D. Wunsch // 2016 International Joint Conference on Neural Networks (IJCNN), Vancouver, BC, 2016, pp. 3723-3730. – Doi: 10.1109/IJCNN.2016.7727679.

6. Интеграция беспроводной связи для оптимизации распознавания окружения и расчёта траектории движения группы роботов. – Текст: непосредственный / М.В. Иванов [и др.] // Труды ИСП РАН. – Т. 31, вып. 2.

– 2019. – С. 67-82. – DOI: 10.15514/ISPRAS-2019-31(2)-6.

7. Ермолов И.Л. Планирование траекторий движения в группе автономных мобильных коммуникационных роботов. – Текст: непосредственный / И.Л. Ермолов, Ю.В. Илюхин, С.А. Собольников // Вестник МГТУ «Станкин» – № 4 (23). – 2012. – С. 96-100.

8. Пшихопов В.Х. Групповое управление движением мобильных роботов в неопределенной среде с использованием неустойчивых режимов. – Текст: непосредственный / В.Х. Пшихопов, М.Ю. Медведев // Труды СПИИРАН. – (2018). – 5(60). – 39-63. – Doi.org/10.15622/sp.60.2.

9. Зенкевич С.Л. Движение группы мобильных роботов в строю типа «конвой» – теория, моделирование и эксперимент. – Текст: непосредственный / С.Л. Зенкевич, Хуа Чжу, Цзяньвень Хо // Четвертый всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта» (БТС-ИИ-2017), Казань, 05-06 октября 2017 г. – C. 136-147.

10. Сапрыкин Р.В. Алгоритмы информационного взаимодействия интеллектуальных мобильных роботов при картографировании внешней среды функционирования. – Текст: непосредственный / Р.В. Сапрыкин // Известия ЮФУ. Технические науки. – 2015. – С. 164-174.

11. Z. Wang and X. Xiang. Improved Astar Algorithm for Path Planning of Marine Robot. – Text: unmediated. – Text: unmediated / Wang and X. Xiang // 2018 37th Chinese Control Conference (CCC). – Wuhan, 2018, pp. 5410.5414. doi: 10.23919/ChiCC.2018.8483946.

12. Path Planning for 2-DOF Manipulator Based on Bezier Curve and A* algorithm. – Text: unmediated / H. Ding [et al] // 2018 Chinese Automation Congress (CAC), Xi'an, China, 2018, pp. 670-674. doi: 10.1109/CAC.2018.8623539.

13. Path planning for holonomic mobile robot using arrival time field. – Text: unmediated / A.M. Sakti [et al] // 2017 International Conference on Computer, Control, Informatics and its Applications (IC3INA), Jakarta, 2017, pp.111-114. doi: 10.1109/IC3INA.2017.8251750.

14. An Improved Geometrical Path Planning Algorithm for UAV in Irregular-obstacle Environment. – Text: unmediated / F. Ling [et al] // 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), Chongqing, China, 2019, pp. 972-976. doi: 10.1109/ITAIC.2019.8785442.

15. Dynamic Path Planning Based on Improved D* Algorithms of Gaode Map. – Text: unmediated / H. Huang [et al] // 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), Chengdu, China, 2019, pp. 1121-1124. doi: 10.1109/ITNEC.2019.8729438.

16. Моторин Д.Е. Алгоритм многокритериального поиска траекторий движения робота на многослойной карте. – Текст: электронный / Д.Е. Моторин, С.Г. Попов / Информационно-управляющие системы. – 2018. – № 3. - С. 45-53. –Doi:10.15217/issn1684-8853.2018.3.45.

17. Моторин Д.Е. Алгоритм разрешения коллизий при планировании движения группы роботов в условиях пространственно-ситуационной неопределённости. – Текст: непосредственный / Д.Е. Моторин, С.Г. Попов, Л.М. Курочкин // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. – 2017. – Т. 10. – № 2. – С. 32-44. DOI: 10.18721/JCSTCS.10203.

References 1. Karpov, V., Rovbo, M. and Ovsyannikova, E. (2018). Sistema modelirovaniya povedeniya grupp robototekhnicheskikh agentov s elementami sotsial'noi organizatsii Kvorum [Kvorum – the system for modeling the behavior of robotic agent groups with elements of social organization]. Programmnye produkty i sistemy [Software & Systems],31(3), pp.581–590. (in Russian).

2. Rovbo, M., Ovsyannikova, E. and Chumachenko, A. (2017). Obzor sredstv imitatsionnogo modelirovaniya kollektivov robotov s elementami sotsial'noi organizatsii [Review of simulation modeling tools for robot groups with social organization elements]. Programmnye produkty i sistemy [Software & Systems], 30(3), pp.425–434. (in Russian). DOI: 10.15827/0236-235X.030.3.425-434.

298

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

3. Zhu, Z., Liu, S. and Zhang, B. (2011). Global path planning of mobile robot based on improved ant colony algorithm. In: Proceedings of the 30th Chinese Control Conference, Yantai, pp. 4083-4088. (in Chinese) 4. Che, H., Wu, Z., Kang, R. and Yun, C. (2016). Global path planning for explosion-proof robot based on improved ant colony optimization. In: 2016 Asia-Pacific Conference on Intelligent Robot Systems (ACIRS), Tokyo, pp.36-40. doi: 10.1109/ACIRS.2016.7556184 5. Al Dabooni, S. and Wunsch, D. (2016). Heuristic dynamic programming for mobile robot path planning based on Dyna approach. In: 2016 International Joint Conference on Neural Networks (IJCNN), Vancouver, BC, pp.37233730. doi: 10.1109/IJCNN.2016.7727679 6. Ivanov, M., Sergiyenko, O., Tyrsa, V., Lindner, L., Rodriguez-Quiñonez, J., Flores-Fuentes, W., Rivas-Lopez, M., Hernández-Balbuena, D. and Nieto Hipólito, J. (2019). Wireless integration to optimize environmental recognition and calculate the trajectory of a group of robots. In: Trudy ISP RAN [Proc. ISP RAS], 31(2), pp.67-82. (in Russian).

DOI: 10.15514/ISPRAS-2019-31(2)-6 7. Ermolov, I., Ilyuhin, Y. and Sobol'nikov, S. (2012). Planirovanie traektorij dvizheniya v gruppe avtonomnyh mobil'nyh kommunikacionnyh robotov [Planning of motion trajectory in group of autonomous mobile communication robots]. Vestnik MGTU «Stankin», 4(23), pp.96-100. (in Russian).

8. Pshikhopov, V. and Medvedev, M. (2018). Group Control of Autonomous Robots Motion in Uncertain Environment via Unstable Modes. SPIIRAS Proceedings. 5(60). pp.39-63. (in Russian). DOI 10.15622/sp.60.2 9. Zenkevich, S., Hua Chzhu and Czjan'ven' Ho (2017). Dvizhenie gruppy mobil'nyh robotov v stroju tipa «konvoj» - teorija, modelirovanie i jeksperiment [Motion of mobile robots group in a convoy-type system - theory, simulating and experiment]. In: Chetvertyj vserossijskij nauchno-prakticheskij seminar «Bespilotnye transportnye sredstva s jelementami iskusstvennogo intellekta» (BTS-II-2017) [Fourth All-Russian Scientific and Practical Seminar «Unmanned Vehicles with Artificial Intelligence Elements»], Kazan', pp.136-147. (in Russian).

10. Saprykin, R. (2015). Algoritmy informacionnogo vzaimodejstvija intellektual'nyh mobil'nyh robotov pri kartografirovanii vneshnej sredy funkcionirovanija [Algorithms of information interaction of intelligent mobile robots when mapping the external environment of functioning]. Izvestija JUFU. Tehnicheskie nauki, 03, pp.164-174. (in Russian).

11. Wang, Z. and Xiang, X. (2018). Improved Astar Algorithm for Path Planning of Marine Robot. In: 2018 37th Chinese Control Conference (CCC), Wuhan, pp. 5410-5414. doi: 10.23919/ChiCC.2018.8483946 12. Ding, H., Li, Y., Chai, Y. and Jian, Q. (2018). Path Planning for 2-DOF Manipulator Based on Bezier Curve and A* algorithm. In: 2018 Chinese Automation Congress (CAC), Xi'an, China, pp. 670-674. doi: 10.1109/CAC.2018.8623539 13. Sakti, A., Majid, I., Cahyadi, A. and Ardiyanto, I. (2017). Path planning for holonomic mobile robot using arrival time field. In: 2017 International Conference on Computer, Control, Informatics and its Applications (IC3INA), Jakarta, pp. 111-114. doi: 10.1109/IC3INA.2017.8251750 14. Ling, F., Du, C., Chen, J. and Yuan, Z. (2019). An Improved Geometrical Path Planning Algorithm for UAV in Irregular-obstacle Environment. In: 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), Chongqing, China, pp. 972-976. doi: 10.1109/ITAIC.2019.8785442 15. Huang, H. et al. (2019). Dynamic Path Planning Based on Improved D* Algorithms of Gaode Map. In: 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), Chengdu, China, pp. 1121-1124. doi: 10.1109/ITNEC.2019.8729438 16. Motorin, D. and Popov, S. (2018). Multi-Criteria Path Planning Algorithm for a Robot on a Multilayer Map. Informatsionno-upravliaiushchie sistemy [Information and Control Systems], 3, pp.45–53. (in Russian). doi:10.15217/issn1684-8853.2018.3.45 17. Motorin, D., Popov, S. and Kurochkin, L. (2017). An algorithm for collision avoidance in path planning for a group of robots in a spatio-situational indeterminacy. St. Petersburg State Polytechnical University Journal. Computer Science. Telecommunications and Control Systems, 10(2), pp.32–44. (in Russian). DOI: 10.18721/JCSTCS.10203

Информация об авторе Моторин Дмитрий Евгеньевич, Санкт-Петербургский Политехнический университет Петра Великого (СПбПУ), аспирант, 195251, Санкт-Петербург, ул. Политехническая, д. 29, тел.: +7(921)778-85-34, d.e.motorin@gmail.com, ORCID: 0000-0002-8059-1837

Information about the author Dmitrii E. Motorin, Peter the Great Saint-Petersburg Polytechnical University (SPbPU), Postgraduate Student, 29, Politekhnicheskaya ul., Saint-Petersburg, 195251, Russia, tel.: +7(921)778-85-34, d.e.motorin@gmail.com, ORCID: 0000-0002-8059-1837 299

Информационное обеспечение / Information Support

УДК: 004.896:007.52:681.5.013 DOI: 10.31776/RTCJ.7406 C. 300-305

Перспективы применения блокчейн-технологии в групповой робототехнике Д.Я. Иванов

Научно-исс ле довател ьс кий и нститут много про цессо рных вычислител ьных сис те м имени академика А.В. Кал яе ва фе де рал ьно го государс твенного а вто но много о бр азо ва тел ьно го учреждения высшего о бразо ва ни я « Южны й фе де рал ьный уни верс итет» (НИИ МВС Ю ФУ), г. Т ага нр ог, Р остовс ка я о блас т ь, Росси йс ка я Фе дер а ци я, d ona t.iva nov @gma il.com ( М а т е р и а л п ос т у п и л в р ед ак ц и ю 13 и ю н я 20 1 9 г од а)

Аннотация Исследования в области группового применения роботов с целью решения общих групповых задач начали проводиться у нас в стране и за рубежом с 80-х годов. Прогресс в области микроэлектроники, вычислительной и сенсорной техники сделал возможным и экономически эффективным применение групп малоразмерных роботов. В настоящее время известны как академические исследования возможностей группового применения роботов, так и различные коммерческие проекты в области групповой робототехники. В рамках групповой робототехники актуальными являются вопросы обеспечения информационной безопасности. Предотвращение несанкционированного доступа к информационному обмену в группе роботов и к вмешательству в управление некоторыми участниками группы является актуальной задачей. В связи с этим в мультиробототехнических комплексах необходимо использовать механизмы информационной безопасности, такие как идентификация и аутентификация членов группы, а также системы обнаружения несанкционированного доступа к управлению отдельными участниками группы (либо эмуляции работы выведенных из строя участников группы). Еще одним важным вопросом является обеспечение хорошей масштабируемости при решении задачи распределенного принятия решений. В работе проведен анализ применения блокчейн-технологии при проектировании систем управления группами роботов. Показаны преимущества применения этой технологии. Указаны технические затруднения и показаны возможные пути их преодоления.

Ключевые слова Блокчейн, группа роботов, информационная безопасность, распределенное принятие решений, латентность.

Благоданрости Работа выполнена при финансовой поддержке РФФИ, проект № 19-07-00907.

Blockchain technology application prospects in group robotics Donat Ya. Ivanov

Sou th ern Fe de ral Un iv e rs ity , Taga n rog , Ros tov Re gion , Russ ia , do na t.ivan ov@ gma il.co m ( R e c e i v e d 1 3 J u n e 2 01 9)

Abstract Researches on the use of groups of robots to solve a common group tasks have been conducted in our country and abroad since the 1980s. Progress in the field of microelectronics, computing and sensor technology has made possible and economically feasible the use of small-sized groups of mass-produced robots. At present, both academic projects for studying the possibilities of robot group use and various commercial projects in the field of group robotics are known. In the framework of group robotics, the most relevant issues are on providing the information security.

Preventing the unauthorized access to the information exchange in a group of robots and to interference with the control of some members of a group is an important task. In this regard, it is necessary to use information security mechanisms in multi-robot complexes, such as identification and authentication of group members, as well as systems for detecting unauthorized access to the control of individual group members (or work emulation of disabled group members). Another important issue in the field of group robotics is to ensure good scalability in solving the problem of distributed decision making. As a part of this work, an analysis of the applicability of the blockchain technology in the design of control systems for groups of robots was carried out. The advantages of using this technology are shown. Technical difficulties and possible solutions are indicated.

300

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

Key words Blockchain, group of robots, information security, distributed decision making, latency.

Acknowledgements This work was supported by the Russian Foundation for Basic Research, project No. 19-07-00907.

Введение Идея объединения роботов в группы или коалиции для совместного выполнения единой задачи возникла достаточно давно. Отечественные научноисследовательские работы на эту тему начинались еще в 80-х годах прошлого века [1, 2]. Благодаря прогрессу в области микроэлектроники, вычислительной техники, нанотехнологий и систем интеллектуального управления, появилась возможность создавать малоразмерные роботы, отличающиеся достаточно богатым набором бортового оборудования: сенсоры, видеокамеры в различных диапазонах, вычислительные и функциональные устройства. При этом при массовом производстве стоимость таких роботов оказывается относительно невысокой. Все это создало предпосылки для развития групповой робототехники. В нашей стране [3, 4] и за рубежом [5-8] заложены основы теоретической базы для разработки систем управления роботов, применяемых в группах для решения общей групповой задачи. Впрочем, первый энтузиазм по поводу применения групп, коалиций и роев малоразмерных роботов прошел довольно быстро [9]. Тем не менее, в настоящее время есть не только академические работы [6, 1014] по изучению групповой робототехники, но и примеры реального применения [15]. В этом году в Турции на международной выставке оборонной отрасли IDEF-2019 китайская компания Ziyan заявила о том, что успешно реализовала концепцию управления группой из десяти малоразмерных бомбардировщиков на базе беспилотных летательных аппаратов вертолетного типа [16]. Примером гражданского применения групповой робототехники может служить проект Intel Shooting Star [17], который посвящен созданию световых шоу в развлекательных и рекламных целях за счет использования в ночное время группы из пятисот квадрокоптеров с управляемыми прожекторами на борту. Другим примером успешного гражданского применения групп роботов является проект AmazonRobotics, в котором многочисленные группы складских роботов выполняют сложные логистические задачи. Таким образом, актуальной является задача разработки систем управления роботами, применяемыми в группах. В рамках данного исследования рассматриваются перспективы применения блокчейнтехнологии с целью решения некоторых трудностей на пути развития групповой робототехники.

Информационная безопасность в групповой робототехнике Вопросы предотвращения несанкционированного доступа к управлению отдельными роботами группы являются одной из наименее исследованных областей групповой робототехники [18, 19]. В работах [20, 21] проиллюстрированы уязвимости популярных роевых алгоритмов управления. Таким образом, во избежание дестабилизации работы группы роботов, в мультиробототехнических комплексах необходимо использовать механизмы информационной безопасности, такие как идентификация и аутентификация членов группы, а также системы обнаружения несанкционированного доступа к управлению отдельными участниками группы (либо эмуляции работы выведенных из строя участников группы).

Распределенное принятие решений При решении ряда практических задач, таких как динамическое распределение задач [22], построение коллективной карты [23, 24], обход препятствий [25], применяется механизм распределенного принятия решений. Однако известные методы распределенного принятия решений в группах роботов характеризуются низкой масштабируемостью. При увеличении численности группы роботов приходится искать компромисс между скоростью принятия и точностью решения.

Блокчейн-технология Блокчейн-технология была предложена в 2008 году [26] в качестве составляющей технологии криптовалюты биткоин. В связи с этим до сих пор блокчейн часто ассоциируется с технологиями криптовалют. Блокчейн представляет собой разновидность реплицированной распределенной базы данных (распределенный реестр) с обеспечением определенной криптографической защиты от несанкционированного доступа. Блокчейн представляет собой цепочку блоков записей. Блок состоит из заголовка и списка транзакций (записей). Заголовок блока включает в себя свой хеш, хеш предыдущего блока, хеши транзакций и дополнительную служебную информацию. Для транзакций в блоке используется древовидное хеширование, аналогичное формированию хеш-суммы файлов [27] в P2P пиринговых сетевых протоколов. Сфера применения блокчейн-технологии давно уже вышла за пределы криптовалют в частности и финансовых сфер в общем. Блокчейн оказался пер-

301

Информационное обеспечение / Information Support

спективной технологией в таких сферах, как энергетика (Energy Blockchain Labs, Grid Singularity, TransActive Grid), ведение реестра земельных участков, создание систем удостоверения и идентификации личности, системы подтверждения авторских прав на результаты интеллектуальной и творческой деятельности (Ascribe, Bitproof, Blockai, Stampery, Verisart, Monegraph, Crypto-Copyrightcryptocopyright.com, Proof of Existence), верификация операций с товарами и сырьем (The Real Asset Company, Uphold), управление данными (Factom), идентификация и подтверждение прав доступа (2WAY.IO, ShoCard, Guardtime, BlockVerify, HYPR, Onename) и ряд других.

Перспективы применения блокчейн-технологии в групповой робототехнике В 2016 году Э.К. Феррер (Eduardo Castelló Ferrer) из Кембриджского университета предложил использовать блокчейн-технологию в качестве фреймворка для мультиробототехнических систем [18]. Эта работа послужила триггером, запустившим ряд исследований (за рубежом) на эту тему. 5 декабря 2018 году в Кембридже прошел симпозиум «Simposium on Blockchain for Robotic Systems». Краткий обзор состояния научных исследований на тему применения блокчейн-технологий в робототехнике был опубликован в начале 2019 года [28]. Таким образом можно с уверенностью утверждать, что применение блокчейн-технологии в совокупности с технологиями применения групп роботов является перспективным направлением исследований. Предлагается, что каждый робот группы является узлом распределенной одноранговой сети. Бортовые вычислительные устройства роботов содержат и поддерживают локальные копии цепочки блоков записей о тех данных об окружающей среде, которые собраны роботами группы, а также информацию о распределении и перераспределении задач внутри группы в ходе выполнения общей задачи. Применение блокчейн-технологии позволит решить указанные выше проблемы, возникающие при создании мультироботехнических комплексов. При обеспечении информационного обмена в соответствии с технологией блокчейн применяется схема с открытым и закрытым ключом. Закрытые ключи используются для идентификации агентов и выполняемых ими операций. Открытые ключи общедоступны в сети и применяются для проверки сообщений. Такой инструмент позволит обеспечить надежную идентификацию участников группы и предотвратить несанкционированный доступ к управлению членами группы. Применение блокчейн-технологии в группах роботов позволит решить проблему масштабируемости при распределенном коллективном принятии реше-

ний. Практика применения блокчейна в криптовалютах хорошо подтвердила теоретические предположения о высокой масштабируемости систем, построенных на этой технологии. Еще одним преимуществом применения блокчейн-технологии в мультиробототехнических комплексах предполагается упрощение подготовки новых участников группы для присоединения к уже существующей и функционирующей группе. Благодаря тому, что все данные о предыдущем периоде работы группы роботов хранится в блокчейне, для добавления новых участников достаточно просто загрузить в них все предыдущие цепочки блокчейна, содержащие информацию о принятых решениях и собранных данных о состоянии окружающей среды.

Проблемы на пути применения блокчейнтехнологий в групповой робототехнике Стоит отметить, что внедрение блокчейнтехнологии в мультиробототехнические системы потребует решения некоторых проблем, возникающих из-за специфических [29] для блокчейна недостатков: латентность, размер цепочки и пропускная способность системы. Латентность использующих блокчейн систем можно рассмотреть на примере биткоин – как одной из самых масштабных практически действующих блокчейн-систем. Задержка между отправкой информации о транзакции и моментом ее подтверждения у биткоин очень велика. Сюда входит не только время формирования блока (в среднем 10 минут), но и то время, которое необходимо для гарантированного подтверждения вхождения содержащего транзакцию блока в цепочку (обычно пользователи ждут выхода нескольких последующих блоков, что позволяет обезопасить себя от атаки с двойным расходом). Можно предположить, что проблема латентности системы с блокчейном в группах роботов также будет иметь место. Хотя численность группы роботов несравнима с числом пользователей биткоин, скорость генерации записей может быть очень велика, а допустимая для практического использования задержка не должна быть слишком большой. Одним из предполагаемых способов решения этой проблемы является создание системы репутации участников для ускорения подтверждения транзакций. Однако этот механизм может негативно повлиять на безопасность системы. Во время выполнения группой роботов практических задач размер хранимой цепочки данных будет постоянно расти. Чем дольше группа ведет непрерывную работу, тем больше становится цепочка. Хранение такого массива данных может стать проблемой в первую очередь для малоразмерных роботов. Пропускная способность наиболее популярных

302

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

реализаций блокчейн-систем ограничивается несколькими транзакциями в секунду, что явно недостаточно для мультиробототехнических систем. Изменение количества записей в блоке с целью повышения пропускной способности системы приведет к чрезмерному «раздутию» цепочки. Одним из возможных путей решения [29] этой проблемы представляется создание параллельных цепочек блоков для различных типов хранимой информации.

Выводы

2019; 7(4)

с технологиями групповой робототехники представляется перспективным и позволит решить ряд вопросов, связанных с информационной безопасностью мультиробототехнических комплексов и с задачами распределенного принятия решений и комплексирования собранной роботами группы информации. Однако практическое внедрение блокчейнтехнологий в эту сферу потребует решения технических проблем, связанных с латентностью, пропускной способностью и «раздутием» цепочки блокчейн.

Применение блокчейн-технологии в совокупности

Литература 1. Управление роботами от ЭВМ. – Текст: непосредственный / Под ред. Е.И. Юревича. – Москва: Энергия.

– 1980. – 264 с.

2. Андрианов Ю.Д. Робототехника. – Текст: непосредственный / Ю.Д. Андрианов, Э.П. Бобриков, В.Н. Гончаренко. – Москва: Машиностроение. – 1984. – 288 с.

3. Каляев И.А. Распределенные системы планирования действий коллективов роботов. – Текст: непосредственный / И.А. Каляев, А.Р. Гайдук, С.Г. Капустян. – Москва: Янус-К. – 2002. – 292 с.

4. Каляев И.А. Распределенные системы планирования действий коллективов роботов. – Текст: непосредственный / И.А. Каляев, А.Р. Гайдук, С.Г. Капустян. – Москва: Физматлит. – 2009. – 280 с.

5. Dorigo M. Swarm-Bots and Swarmanoid: Two Experiments in Embodied Swarm Intelligence. – Text: unmediated // IEEE/WIC/ACM Int. Jt. Conf. Web Intell. Intell. Agent Technol. – 2009. – Vol. 1.

6. Collective Decision with 100 Kilobots: Speed versus accuracy in binary discrimination problems. – Text: unmediated / G. Valentini [et al] // Auton. Agent. Multi. Agent. Syst. – 2016. – Vol. 30, № 3. – Pp. 553-580.

7. Cooperative mobile robotics: antecedents and directions. – Text: unmediated / Cao Y.U. [et al] // Proc. 1995 IEEE/RSJ Int. Conf. Intell. Robot. Syst. Hum. Robot Interact. Coop. Robot. – 1997. – Vol. 23. – Pp. 226-234.

8. Sahin E. Swarm Robotics : From Sources of Inspiration. – Text: unmediated / E. Sahin // Swarm robotics workshop: state-of-the-art survey. – 2005. – Pp. 10-20.

9. Карпов В.Э. Коллективное поведение роботов. Желаемое и действительное. – Текст: непосредственный / В.Э. Карпов. – Pp. 1-18.

10. Performance benefits of self-assembly in a swarm-bot. – Text: unmediated / O’Grady R. [et al] // Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ International Conference on. – 2007. – Pp. 2381-2387.

11. Swarmanoid: A novel concept for the study of heterogeneous robotic swarms. – Text: unmediated / M. Dorigo [et al] // IEEE Robot. Autom. Mag. – 2013. – Vol. 20. – Pp. 60-71.

12. Oh H. Morphogen diffusion algorithms for tracking and herding using a swarm of kilobots. – Text: unmediated / Oh H., Shiraz A.R., Jin Y. // Soft Comput. – Springer, 2018. – Vol. 22, № 6. – Pp. 1833-1844.

13. Holland J. Evolving Collective Behaviours in Simulated Kilobots. – Text: unmediated / J. Holland, C. O’Riordan // Symposium On Applied Computing SAC’18. – 2018.

14. Dimidov C. Random walks in swarm robotics: an experiment with kilobots. – Text: unmediated / C. Dimidov, G. Oriolo, V. Trianni // International Conference on Swarm Intelligence. – 2016. – Pp. 185-196.

15. Swarm robotics: a review from the swarm engineering perspective. – Text: unmediated / Brambilla M. [et al] // Swarm Intell. – Springer, 2013. – Vol. 7, № 1. – Pp. 1-41.

16. Волкова А. Ziyan продемонстрировала рой из 10 дронов-бомбардировщиков вертолетного типа. – Text: electronic / А. Волкова // Planet Today. – 2019. – URL: https://planet-today.ru/novosti/armiya/armiimira/item/104438-ziyan-prodemonstrirovala-roj-iz-10-dronov-bombardirovshchikov-vertoletnogo-tipa (дата обращения: 19.05.2019).

17. Intel Lights Up the Night with 500 “Shooting Star” Drones. – Text: electronic // Intel. – 2016. – URL: http://www.intel.com/content/www/us/en/technology-innovation/videos/drone-shooting-star-video.html (дата обращения: 01.04.2017).

18. Ferrer E.C. The blockchain: a new framework for robotic swarm systems. – Text: unmediated / E.C. Ferrer // Proceedings of the Future Technologies Conference. – 2018. – Pp. 1037-1058.

19. Millard A.G. Towards exogenous fault detection in swarm robotic systems. – Text: unmediated / A.G.Millard, J. Timmis, A.F.T. Winfield // Conference towards Autonomous Robotic Systems. – 2013. – Pp. 429-430.

303

Информационное обеспечение / Information Support

20. Зикратов И.А. Анализ уязвимостей робототехнических комплексов с роевым интеллектом. – Текст: непосредственный / И.А. Зикратов, Е.В. Козлова, Т.В. Зикратова // Научно-технический вестник информационных технологий, механики и оптики. Санкт-Петербургский нац. иссл. ун-т инф. технологий, механики и оптики. – 2013. – № 5 (87). – Pp. 164-174.

21. Securing swarm intellect robots with a police office model. – Text: unmediated / I.A. Zikratov [et al] // 2014 IEEE 8th International Conference on Application of Information and Communication Technologies (AICT). – 2014. – Pp. 1-5.

22. A fast distributed auction and consensus process using parallel task allocation and execution. – Text: unmediated / G.P. Das [et al] // IEEE/RSJ International Conference on Intelligent Robots and Systems. – 2011. – Pp. 47164721.

23. Aragues R. Distributed consensus on robot networks for dynamically merging feature-based maps. – Text: unmediated / R. Aragues, J. Cortes, C. Sagues // IEEE Trans. Robot. – 2012.

24. Aragues R. Feature-based map merging with dynamic consensus on information increments. – Text: unmediated / R. Aragues, C. Sagues, Y. Mezouar // Auton. Robots. – 2014.

25. Navarro I. A framework for the collective movement of mobile robots based on distributed decisions. – Text: unmediated / I. Navarro, F. Matia // Rob. Auton. Syst. Elsevier, 2011. – Vol. 59, № 10. – Pp. 685-697.

26. Nakamoto S. Bitcoin: A Peer-to-Peer Electronic Cash System. – Text: electronic // Bitcoin.org: [site]. – 2009. – 9 p. – URL: http://bitcoin.org/bitcoin.pdf (дата обращения: 19.05.2019).

27. The Bittorrent P2P file-sharing system: Measurements and analysis. – Text: unmediated / J. Pouwelse [et al] // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). – 2005.

28. Lopes V. An Overview of Blockchain Integration with Robotics and Artificial Intelligence. – Text: unmediated / V. Lopes, L.A. Alexandre // Proceedings of the First Symposium on Blockchain and Robotics. MIT Media Lab, 2019.

– Pp. 1-6.

29. Swan M. Blockchain - Blueprint for a new economy. – Text: unmediated // IEEE Technology and Engineering Management Society Conference, TEMSCON 2017. – Pp. 83–86.

References 1. Yurevich E.I. (Ed.). (1980). Upravlenie robotami ot EVM [Computer control of robots]. Moscow: Energy Publ. (in Russian).

2. Andrianov, Y., Bobrikov, E. and Goncharenko, V. (1984). Robototekhnika [Robotics]. Moscow: Mechanical Engineering Publ. (in Russian).

3. Kalyaev, I., Gaiduk, A. and Kapustian, S. (2002). Raspredelennye sistemy planirovaniya deistvii kollektivov robotov [Distributed planning systems for actions of teams of robots]. Moscow: Janus-K Publ. (in Russian).

4. Kalyaev, I., Gaiduk, A. and Kapustyan, S. (2009). Modeli i algoritmy kollektivnogo upravleniya v gruppakh roblotov [Collective control models and algorithms in groups of robots]. Moscow: Fizmatlit Publ. (in Russian).

5. Dorigo, M. (2009). Swarm-Bots and Swarmanoid: Two Experiments in Embodied Swarm Intelligence. In: 2009 IEEE/WIC/ACM Int. Jt. Conf. Web Intell. Intell. Agent Technol, 1. DOI: 10.1109/WI-IAT.2009.370.

6. Valentini, G., Ferrante, E., Hamann, H. and Dorigo, M. (2016). Collective Decision with 100 Kilobots: Speed versus accuracy in binary discrimination problems. Auton. Agent. Multi. Agent. Syst., 30, pp.553–580.

7. Cao, Y., Fukunaga, A., Kahng, A. and Meng, F. (1997). Cooperative mobile robotics: antecedents and directions. Proc. 1995 IEEE/RSJ Int. Conf. Intell. Robot. Syst. Hum. Robot Interact. Coop. Robot., 23, pp.226–234. DOI: 10.1109/IROS.1995.525801.

8. Sahin, E. (2005). Swarm Robotics : From Sources of Inspiration, in: Swarm Robotics Workshop: State-of-theArt Survey, pp. 10–20. DOI: 10.1007/978-3-540-30552-1_2.

9. Karpov, V. (n.d.). Kollektivnoe povedenie robotov. Zhelaemoe i deistvitel'noe [The collective behavior of robots. Desired and valid], pp. 1–18. (in Russian).

10. O’Grady, R. et al. (2007). Performance benefits of self-assembly in a swarm-bot, in: Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ International Conference On, pp. 2381–2387.

11. Dorigo, M. et al. (2013). Swarmanoid: A novel concept for the study of heterogeneous robotic swarms. IEEE Robot. Autom. Mag., 20, pp. 60–71. DOI: 10.1109/MRA.2013.2252996.

12. Oh, H., Shiraz, A. and Jin, Y. (2018). Morphogen diffusion algorithms for tracking and herding using a swarm of kilobots. Soft Comput., 22, pp.1833–1844.

13. Holland, J. and O’Riordan, C. (2018). Evolving Collective Behaviours in Simulated Kilobots. In: Symposium On Applied Computing SAC’18.

304

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

14. Dimidov, C., Oriolo, G. and Trianni, V. (2016). Random walks in swarm robotics: an experiment with kilobots.

In: International Conference on Swarm Intelligence, pp.185–196.

15. Brambilla, M., Ferrante, E., Birattari, M. and Dorigo, M. (2013). Swarm robotics: a review from the swarm engineering perspective. Swarm Intell., 7, pp.1–41.

16. Volkova, A. (2019). Ziyan prodemonstrirovala roi iz 10 dronov-bombardirovshchikov vertoletnogo tipa [Ziyan demonstrated a swarm of 10 helicopter-type drones]. [online].

Available at: https://planettoday.ru/novosti/armiya/armii-mira/item/104438-ziyan-prodemonstrirovala-roj-iz-10-dronov-bombardirovshchikovvertoletnogo-tipa [Accessed 19 May 2019].

17. Intel (2016). Intel Lights Up the Night with 500 «Shooting Star» Drones. [online]. Available at: http://www.intel.com/content/www/us/en/technology-innovation/videos/drone-shooting-star-video.html [Accessed 1 Apr 2017].

18. Ferrer, E. (2018). The blockchain: a new framework for robotic swarm systems. In: Proceedings of the Future Technologies Conference, pp.1037–1058.

19. Millard, A., Timmis, J. and Winfield, A. (2013). Towards exogenous fault detection in swarm robotic systems.

In: Conference towards Autonomous Robotic Systems, pp.429–430.

20. Zikratov, I., Kozlova, E. and Zikratova, T. (2013). Analiz uyazvimostei robototekhnicheskikh kompleksov s roevym intellektom [Analysis of vulnerabilities of robotic complexes with swarm intelligence]. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 5(87), pp.164-174. (in Russian).

21. Zikratov, I., Lebedev, I., Gurtov, A. and Kuzmich, E. (2014). Securing swarm intellect robots with a police office model. In: 2014 IEEE 8th International Conference on Application of Information and Communication Technologies (AICT), pp.1–5.

22. Das, G., McGinnity, T., Coleman, S. and Behera, L. (2011). A fast distributed auction and consensus process using parallel task allocation and execution. In: 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems, pp.4716–4721.

23. Aragues, R., Cortes, J. and Sagues, C. (2012). Distributed consensus on robot networks for dynamically merging feature-based maps. IEEE Trans. Robot. DOI: 10.1109/TRO.2012.2192012.

24. Aragues, R., Sagues, C. and Mezouar, Y. (2014). Feature-based map merging with dynamic consensus on information increments. Auton. Robots. DOI: 10.1007/s10514-014-9406-z.

25. Navarro, I. and Matia, F. (2011). A framework for the collective movement of mobile robots based on distributed decisions. Rob. Auton. Syst., 59, pp.685–697.

26. Nakamoto, S. (2009). Bitcoin: A Peer-to-Peer Electronic Cash System. [online]. Available at: http://bitcoin.org/bitcoin.pdf [Accessed 19 May 2019].

27. Pouwelse, J., Garbacki, P., Epema, D. and Sips, H. (2005). The Bittorrent P2P file-sharing system: Measurements and analysis. In: Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). DOI: 10.1007/11558989_19.

28. Lopes, V. and Alexandre, L. (2019). An Overview of Blockchain Integration with Robotics and Artificial Intelligence. In: Proceedings of the First Symposium on Blockchain and Robotics. MIT Media Lab, pp. 1–6.

29. Swan, M. (2017). Blockchain - Blueprint for a new economy. In: 2017 IEEE Technology and Engineering Management Society Conference, TEMSCON 2017. DOI: 10.1109/CANDAR.2017.50

Информация об авторе Иванов Донат Яковлевич, к.т.н., Научно-исследовательский институт многопроцессорных вычислительных систем имени академика А.В. Каляева федерального государственного автономного образовательного учреждения высшего образования «Южный федеральный университет» (НИИ МВС ЮФУ), с.н.с., 347928, ГСП-284, г. Таганрог, Ростовская область, ул. Чехова, д. 2, тел.: +7(918)519-18-69, donat.ivanov@gmail.com, ORCID: 0000-0002-2221-0231

Information about the author Donat Ya. Ivanov, PhD in Technical Sciences, Southern Federal University, Senior Research Scientist, 2, Chekhova ul., GSP-284, Taganrog, Rostov Region, 347928, Russia, tel.: +7(918)519-18-69, donat.ivanov@gmail.com, ORCID: 0000-0002-2221-0231

305

Разработки / Developments

Разработки УДК: 004.415.2, 004.588 DOI: 10.31776/RTCJ.7407 C. 306-317

Когнитивное интеллектуальное управление роботизированной рукой-протезом. Часть 1 С.В. Ульянов, А.Г. Решетников, А.В. Немчанинов 

ГБОУ ВО МО «Уни верс итет « Ду бна» , Институт сис те много а нал иза и упр авл ени я, г. Ду бна , Ро ссийс ка я Фе дера ция, a lex eine mchan in ov@y and ex .ru ( М а т е р и а л п ос т у п и л в р ед ак ц и ю 06 с ен т я б ря 2 0 19 г о д а)

Аннотация Рассматриваются принципы нейроинтерфейса «мозг-компьютер-исполнительное устройство («brain-computerdevice» interface), которое позволяет восстанавливать и расширять возможности человека c физическими ограничениями (например, инвалиды с потерей конечностей) или когнитивными нарушениями в различных видах деятельности (например, дети-аутисты или пациенты с нарушением умственной деятельности – dementia). Когнитивные интерфейсы обеспечивают возможность коммуникации, оценки эмоций, передачи и управления устройствами ментальными командами. Обсуждается процесс разработки когнитивного интеллектуального тренажера, использование которого обеспечивает разработчиков возможностью управлять на нижнем (исполнительском) уровне роботизированными устройствами, за счет так называемых «ментальных команд», а на верхнем - интеллектуальном уровне, разрабатывать технологии когнитивного интеллектуального управления с возможностью применения в прикладных задачах. Приводится описание этапа проектирования и результаты разработки концептуальной структуры робототехнического протеза. В качестве результата представлен макет протеза, изготовленный на 3D-принтере, принципиальная структура взаимодействия нейроинтерфейса «мозг-компьютер-устройство», а также закладываемый базис интеллектуальных вычислений и программного обеспечения. Применение технологии мягких вычислений (первый этап ИТ) позволяет извлекать знания непосредственно из физического сигнала электроэнцефалограммы, а также формировать БЗ для интеллектуального робастного управления нижним исполнительским уровнем с учетом оценки эмоционального состояния пациента. Обсуждаются возможности применения технологий квантовых мягких вычислений (второй этап ИТ) в процессах робастной фильтрации сигналов электроэнцефалограмм для формирования ментальных команд. Представлено описание иерархической интеллектуальной системы управления на основе оптимизатора баз знаний SCOptKBTM с применением технологий мягких и квантовых вычислений.

Ключевые слова Роботизированная рука-протез, интеллектуальные когнитивные вычисления, нейроинтерфейс «мозгкомпьютер-устройство», ментальные команды, квантовые мягкие вычисления, когнитивный регулятор.

Благодарности Работа выполнена при финансовой и материально-технической поддержки компании ООО ИНЭСИС (ГК ЭФКО), совместно с Feng Maria (Civil Engineering and Engineering Mechanics, Columbia University).

Cognitive intelligent control of a robotic prosthesis arm. Part 1 Sergey V. Ulyanov, Andrey G. Reshetnikov, Alexey V. Nemchaninov 

D ubn a Sta te Un ive rsity , In s titute o f th e sys te m an alys is an d ma na gemen t, D ubna, R uss ia , a lex eine mch an ino v@yan dex .ru ( R ec ei v e d 0 6 S ep t e m be r 2 0 1 9)

Abstract The principles of interface «brain-computer-device» are considered. Neurointerfaces of this type allow to restore and expand the capabilities of a person with physical limitations (for example, disability with loss of limbs) or mental dis-

306

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

orders in various activities (for example, autistic children or patients with impaired mental activity - dementia). Cognitive interfaces provide the ability to communicate, evaluate emotions, transfer and control devices with mental commands. The process of developing a cognitive intelligent simulator is discussed, the application of which provides developers with the ability to control robotic devices at the lower (executive) level, using the so-called «mental commands», and at the upper level - the intelligent level, to develop cognitive intelligent control technologies with the possibility of application in applied tasks. A description of the design stage and results of the development of the conceptual structure of a robotic prosthesis are given. As a result, a prototype of prosthesis made with use of 3D printer, conceptual structure of interaction of neural interface «brain-computer-device» as well as a settable basis for intelligent computing and for software are presented. The application of soft computing technology (the first step of IT) allows to extract knowledge directly from the physical signal of the electroencephalogram, as well as to form knowledge-based intelligent robust control of the lower executive level, taking into account the assessment of the patient’s emotional state. The possibilities of applying quantum soft computing technologies (the second step of IT) in the processes of robust filtering of electroencephalogram signals for the formation of mental commands are discussed. Description of a hierarchical intelligent control system based on SCOptKBTM (knowledge base optimizer) using soft and quantum computing technologies is presented.

Key words Robotic prosthetic arm, intelligent cognitive computing, «brain-computer-device» neurointerface, mental commands, quantum soft computing, cognitive controller.

Acknowledgements This work was carried out with financial, material and technical support of INESIS LLC (EFKO Group of Companies), and in association with Feng Maria (Civil Engineering and Engineering Mechanics, Columbia University).

Особенности когнитивного интеллектуального управления биотехническими изделиями Развитию роботизированных протезов конечностей человека и производству человекоподобных антропоморфных роботов уделяется все большее внимание как в научно-техническом, так и социоэкономическом планах [1-4]. Источниками технологических и прорывных инноваций в этих областях являются: новые технологии создания интеллектуальных материалов; технологии создания интеллектуального программного продукта, интегрированного в устройства и применяемого на всех этапах взаимодействия с устройствами; новые человеко-машинные интерфейсы, принципы работы которых основаны прежде всего на методе считывания активности функционирования головного мозга и нервных окончаний организма [2, 5]. Так, первое направление позволяет человеку восстанавливать (а в перспективе и превосходить) функциональное состояние повреждённых в результате каких-либо травм конечностей за счет создания более совершенных сплавов, структур материалов, нано-покрытий. Второе инновационное направление связано с созданием программного обеспечения, позволяющего биотехническому устройству обучаться и адаптироваться под индивидуальные физиологические и психологические качества и особенности человека–оператора. За счет применения глубокого машинного обучения и медицинских рекомендательных систем с глубинным преставлением знаний возможно распознавать более сложные команды человека, считывать и распознавать эмоциональное со-

стояние оператора [6-8]. При этом программному обеспечению такого уровня должен соответствовать определенный вычислительный базис в виде закладываемых технологий интеллектуальных когнитивных вычислений. Развитие третьего направления опирается на источники новых человеко-машинных интерфейсов, способных эффективно дополнять и расширять информационные возможности человека. К таким интерфейсам относятся инфракрасные – спектрометры, электроэнцефалографы, магнитоэнцифалографы, шлемы и экипировка виртуальной и дополненной реальности, инвазивные и неинвазивные сенсоры и маячки, например установленные на кисть руки или другие части человеческого тела [915]. Известны исследования, в которых пациенты повседневно используют такие интерфейсы для решения бытовых задач и управления различными устройствами. Интерфейсы активно применяются для реабилитационных и диагностических процедур, помогают улучшить взаимодействие с окружающей средой человека, в том числе и с робототехническими устройствами [10-14, 16, 17]. Технологии активно привлекают в образовательные процессы на государственных уровнях (см., например [18], для определения когнитивного состояния учеников в классе). Исследования такого рода финансируются государствами с начала 70-х годов. Существует ряд исследовательских коллабораций по созданию и развитию человеко-машинных интерфейсов, связанных со всеми тремя направлениями [10-14, 19, 20]. В частности, исследования в этой области можно раз-

307

Разработки / Developments

делить на следующие группы: 1. Исследования в области распознавания – разработка устройств для диагностики, моделирования, упрощения и уменьшения угроз взаимодействия мозга с системой.

2. Имитация работы мозга – применение нейросетевых эффектов и явлений функционирования мозга в прикладных задачах информационных технологий, например анализа и синтеза информации.

3. Восстановительная медицина – восстановление поведенческих когнитивных функций, утраченных в результате повреждения мозга или тела [8].

4. Развитие – разработка систем «мозгкомпьютер» в контуре обратной связи для ускорения и улучшения функционального поведения системы [1, 21]. Развитие данных исследований позволило создать новые технологии нейроинтерфейса для обнаружения фундаментальных и межобластных функций мозга в режиме реального времени, а также развить сложные математические алгоритмы для моделирования мозговой активности и возникающих в результате анализа поведенческих функций и реакций. На рис. 1 представлена структура системы управления с обратной связью с применением нейронных сетей с оптимальной структурой, учитывающая существующие подходы к когнитивному

управлению роботизированной рукой-протезом [2224]. В рассматриваемой части цикла работ представлен существующий программно-аппаратный базис исследований и информационная технология поддержки процесса проектирования и эксплуатации нового класса устройств. Данная работа является продолжением [25] и опирается на концепцию интеллектуального тренажера [26], включающую передовые информационные технологии проектирования интеллектуальных систем управления. В отличие от методологии [14] в процессе обучения не используется визуальное подкрепление генерации ментальных команд (оператор полностью сконцентрирован на собственных когнитивных процессах). В частности, рассматривается возможность управления протезом руки в режиме реального времени с помощью электроэнцефалографа и соответствующего программного интерфейса.

Смежные прототипы протезов руки и отличия от известных подходов – преимущества и недостатки Множество исследований проведено по протезированию и реализации проектов по созданию новых видов конечностей. На рис. 2а для наглядности приведены современные протезы руки. На рис. 2б показаны перспективные интерфейсы – кисти рук, шлем виртуальной реальности, когнитивные шлемы.

Рисунок 1 — Структура когнитивной интеллектуальной системы управления Figure 1 — The structure of cognitive intelligent control system

308

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

а)

б)

в) Рисунок 2 — а) современные протезы рук и кистей; б) компьютерные интерфейсы в виде: кисти с установленными датчиками, дополненной и виртуальной реальности, когнитивными интерфейсами; в) примеры применения в задачах управления Figure 2 — а) modern prostheses of arms and hands; б) computer interfaces in the form of: hands with installed sensors, augmented and virtual reality, cognitive interfaces; в) examples of application for control tasks

Многие протезы не имеют обратной связи с пользователем (не позволяют передавать ему эмоциональные или физиологические ощущения), не могут быть полноценной заменой утраченной конечности (например, долговременный фантом наличия здоровой конечности). Большинство протезов являются дорогостоящими, их эксплуатация и внедрение весьма затратные. Они включают в себя инвазивные интерфейсы и обладают более широкими возможностями, что, соответственно, сказывается и на их стоимости. Из всего изобилия представленных протезов можно выделить три класса: 1. Косметические (не несут в себе никакого функционала, лишь повышают эстетический уровень).

2. Механические (используют для движения силу рычагов и тяг, что создает некоторое неудобство в способе их использования).

3. Биоэлектрические (имеют большой функционал, но очень дорогие и требуют постоянного заряда аккумуляторов). Возможность использования 3D печати существенно облегчает создание протеза. Существует множество открытых ресурсов, которые предоставляют чертежи, эскизы и технологии сборки различных деталей и механизмов, в том числе антропоморфных деталей. Однако процессу разработки ин-

терфейса сопутствуют сложность исполнения и дороговизна подобных изделий. За основу макета роботизированного протеза с когнитивной системой управления был принят open source проект Thingiverse [27, 28]. В работе используется конечность робота для демонстрации возможностей применения разработанных технологий. В качестве интерфейса для снятия сигналов ЭЭГ было принято решение использовать когнитивный шлем Emotiv Epoc+ [29]. Комбинация данных устройств создает программно-аппаратный базис лабораторного стенда интеллектуального тренажера. Первым этапом работы является изготовление деталей протеза на 3D-принтере. Для этой цели использовался ABS пластик (состоящий из акрилонитрила, бутадиена, стирола полимер, который благодаря своим техническим характеристикам нашел широкое применение в качестве инженерного и конструкционного материала в макетостроении) и 3Dпринтер. За основу был взят проект [27, 28], посвященный созданию антропоморфного робота. На рис. 3 проиллюстрирован антропоморфный робот, эскизы отдельных его деталей и изготовленная часть проекта. С целью реализации системы механических «сухожилий», которые передают усилие от моторов-«мышц» к конечностям (см. рис. 3) использовалась капроновая нить диаметром 2 мм. В

309

Разработки / Developments

качестве приводов используются сервомоторы, что позволило варьировать угол поворота выходного вала, а затем передать усилие с помощью «сухожилий» к конечностям. Отметим, что при этом существует возможность установки степени сжатия пальцев. Результаты первого этапа работы (создание готового прототипа) представлены на рис. 3. Рисунок 4 — Когнитивный шлем Emotiv EPOC+ Figure 4 — EmotivEPOC + cognitive helmet

Рисунок 3 — Слева: проект по созданию антропоморфного робота; справа: эскизы робота и изготовленная рука Figure 3 — Left: project for an anthropomorphic robot creating; right: sketches of the robot and completed hand

Для контроля сервомоторами и управления самим протезом был использован унифицированный контроллер Arduino Uno на базе микроконтроллера ATmega 328, для управления множеством сервомоторов к контроллеру был присоединён Sensor Shield v 4.0. компании Arduino [30]. С точки зрения информационных технологий, необходимо учитывать расход вычислительного ресурса в процессе обучения, обновления и эксплуатации устройства. Рациональное распределение информационно-термодинамической нагрузки [31], позволяет проектировать оптимальные структуры нейронных сетей и интегрировать квантовые когнитивные вычисления на бортовой процессор конечного устройства. При этом нагрузка процессора в процессе обучения распределяется между центральным компьютером и контроллером исполнительного устройства. В данной работе для простоты представления результатов, процесс обучения и эксплуатации выполнялся на персональной ЭВМ, а микроконтроллер использовался только для получения и отправки конкретных команд управления.

Снятие и обработка сигнала ЭЭГ Общая концепция использования когнитивного тренажера достаточно полно описана в [19, 20, 26]. Известным маркером когнитивных процессов являются перестройки ритмов мозга, проявляющиеся в поверхностно регистрируемой электроэнцефалограмме (ЭЭГ) человека. Для снятия сигнала о мозговой активности использовался когнитивный шлем Emotiv EPOC+ (см. рис. 4), а функциональная схема реализации программного обеспечения представлена на рис. 5.

В режиме реального времени в блок «Анализ извлеченных данных» поступают данные ЭЭГ. Далее после фильтрации и частотного разложения, сигналы поступают в блок распознавания. Результатом распознавания является степень схожести (подобия) с ранее записанными командами при обучении. В качестве нейронных сетей применяются сети глубокого машинного обучения распознавания образов. Далее, при превышении уровня активации такие сигналы поступают в нечеткую нейронную сеть принятия решения, спроектированную с применением оптимизатора баз знаний (ОБЗ) [32, 33]. Выходом такой нейронной сети являются целевые значения показателей управляемого устройства. При этом процесс обучения и эксплуатации подкрепляется эмоциональной (положительного или отрицательного характера) реакцией оператора [21], тем самым оценивается качество обучения и адаптации системы управления. Проектирование блока «Когнитивный регулятор» на основе ОБЗ на квантовых мягких вычислениях рассматривается во второй части настоящей работы.

EPOC имеет 14 электродов, которые являются пассивными сенсорами, позволяющими регистрировать электромагнитные сигналы. Датчики крепятся на поверхности кожи (непогружной, неинвазивный интерфейс). Структура шлема Emotiv EPOC+ состоит из каналов AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4 (плюс CMS/DRL и P3/P4). Поставляемое программное обеспечение позволяет получать, распознавать и регистрировать ЭЭГ сигнал со шлема. Для анализа полученного сигнала выделяются так называемые частотные ритмы ЭЭГ. Под понятием частотный ритм подразумевается определенный тип электрической активности, соответствующий некоторому состоянию мозга, для которого определены границы диапазона частот. В процессе когнитивной деятельности появляются характерные ритмы бета-, альфа-, тета- и дельта диапазонов [34]. Совокупность одновременно присутствующих ритмов образует специфический пространственночастотный паттерн ЭЭГ. Паттерны характерны для разных типов когнитивной деятельности и высоко индивидуально специфичны [15, 19]. Способность

310

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

индивида к установлению ритмических паттернов ЭЭГ при выполнении определенных когнитивных заданий составляет «энцефалографический» портрет его личности. Одной из основных компонент технологии когнитивного нейроинтерфейса являются игровые тренажеры. Важно отметить, что при тренировке в качестве объекта управления выступает модель системы на экране монитора, это, в свою очередь, позволяет не только тренировать мозг на генерацию ментальных команд, но и настраивать систему управления самого объекта управления, подстраивая ее под оператора, обеспечивая тем самым повышение эффективности работы в системе «мозг – компьютер». Такого рода особенность обусловлена тем, что при работе человека с когнитивным шлемом программа подстраивается под особенности оператора, настраивая систему управления. Качество распознавания команд разработчики такого оборудования обычно связывают с уровнем подготовки оператора генерировать различные ментальные команды. В комплекте программного обеспечения поставляются специализированные игры-тренажеры, в которых проходит процесс обучения и тренировки. Обычно для этого используют компьютерные игры, где оператор должен произвести действие, которому в соответствие можно поставить некоторую команду, используемую для управления объектом. Играя, оператор развивает свой навык работы со шлемом, что в дальнейшем дает возможность управлять и реальными техническими устройствами (манипуляторами, инвалидными креслами и др. устройствами).

2019; 7(4)

Тренировки могут быть как активными, с внешними раздражителями (например, свет определенной частоты, видео- и аудиоматериал, картинки и т.д.), так и пассивными, если в процессе генерации ментальной команды оператор представляет ее без внешнего воздействия. Также для формирования у пользователя более полной картины обучения могут применяться и дополнительные аппаратные средства, такие как шлем виртуальной реальности, который будет визуализировать действия пользователя в виртуальном мире, тем самым повышая эффективность обучения. Срок тренировок и интенсивность занятий влияет на качество и количество распознаваемых ментальных команд. Если с первого раза человек может научиться формировать сигналы в мозге для одной команды, то для хорошего распознавания двух и более команд необходимо несколько тренировок. Соответственно, на систему управления и достижение цели управления будут влиять как психофизиологические особенности состояния человека (в том числе и его положение в пространстве), так и его уровень подготовки. Обычно, по информации от производителя, для хорошей работы системы с использованием четырех команд, необходимо проводить регулярные тренировки 2–3 недели, причем после тренировки оператор испытывает усталость, соответственно требуется время для восстановления сил. Более подробно процесс обучения описан в [25, 35]. Для управления сервомоторами протеза была написана программа, основанная на SDK когнитивного шлема Epoc.

Рисунок 5 — Функциональная структура программного обеспечения в режиме реального времени Figure 5 — Functional structure of software in real-time mode

311

Разработки / Developments

Процесс обучения состоит из двух основных блоков: 1) анализ электроэнцефалографических показаний и выявление частотных паттернов, свойственных конкретному оператору; 2) генерирование и запись ментальных команд. На этапе обучения с помощью мокрого непогружного мозго-компьютерного интерфейса с пассивными электродами EmotivEpoc+ производится фиксирование активности определённых долей мозга оператора. Первоначально необходимо получить частотный срез нейтрального состояния оператора (оператор находится в состоянии покоя), этот частотный срез необходим для улучшения детектирования нервного возбуждения оператора в ходе дальнейшего анализа. В дальнейшем для генерирования ментальных команд оператор в течение определённого промежутка времени (8 сек.) мысленно моделирует необходимое действие, которое послужит основой ментальной команды (сокращение, расслабление различных групп мышц и т.д.), а также в этот момент выполняет данное действие с «живой» рукой. Для каждой ментальной команды записывается индивидуальный сигнал. С точки зрения системы управления, оператор должен быть способен вновь генерировать записанные сигналы, которые интерпретируются системой для управления движением устройства. Обычно для оценки и распознавания сигналов используются статистические методы, в том числе подсчет дисперсии и математического ожидания. Дисперсии сигналов, формируемых оператором, довольно простой и эффективный метод сравнения сигналов ментальных команд. Дополнительные различные методы хорошо описаны в [34]. Обмен данными между когнитивным шлемом и вычислительным центром производится с помощью стека протоколов Bluethooth, а также протокола UART. Для инициализации когнитивного шлема необходимо отметить поле «Connect», затем необходимо из выпадающего списка выбрать ментальную команду или создать новую. В момент нажатия кнопки «Train» оператор начинает активную когнитивную деятельность, связанную с выбранной командой. После завершения процесса обучения необходимо сохранить полученные данные, подключить протез к компьютеру, установить границы для активации ментальной команды и перевести приложение в режим управления протезом (отметив поле «Reactive»). При нажатии на кнопку «Train» шлему посылается информация о выбранной в данный момент мысленной команде для обучения, после чего некоторое время происходит запись показателей активности головного мозга человека. Когда шлем зафиксирует схожие параметры мысленной деятельности, ключ текущей команды сменится с нейтральной на команду, свя-

занную с данными параметрами. Помимо подключения непосредственно к шлему и протезу, предусмотрена возможность тестирования программы при помощи сторонней программы Emotiv Xavier Composer, имитирующей работу когнитивного шлема и позволяющую посылать виртуальные мысленные команды приложению. В коде программы это реализовано в виде вызова методов Remote Connect или Connect. Если пользователь отправит программе мысленную команду, то будет произведена оценка пространственно-частотного паттерна, после процесса масштабирования полученного сигнала относительно установленных минимума и максимума соответствующий сигнал будет отправлен на COM-порт. Следующее событие происходит при обновлении таймера, запускаемого для управления протезом в ходе подключения когнитивного шлема, которое показано на главном экране. Переменная «power» – мощность мысленного усилия. Так как протез имеет физические ограничения при работе (нельзя послать сервомоторам угол поворота, выходящий за пределы отрезка [0,180]), переменная «a» урезается в возможных значениях до границ этого интервала. В коде программы второе возможное значение представляет собой еще одну такую конструкцию. Таким образом, реализуется бинарное дерево. После произведенных операций на COM-порт посылается строка вида «a A», где «A» – угол от 0 до 180, на который будет произведен поворот всех пяти сервомоторов с учетом ранее установленных в программе Arduino физических ограничений для каждого в частности. Подобными методами предотвращаются возможные поломки протеза при неправильной интерпретации исходящих от шлема команд. На рис. 6 показан процесс проводимого эксперимента. Оператор при помощи мысленных команд, которые считываются когнитивным интерфейсом EPOC+, управляет процессом «сжатие-разжатие» кисти протеза. В соответствии со схемой, представленной на рис. 1, Emotiv Epoc в режиме реального времени фиксирует возбуждения коры головного мозга в момент определённой когнитивной активности (генерация ментальной команды). Полученные данные поступают в вычислительный центр, где происходит их распознавание. На основе анализа полученного частотного паттерна и оценки уровня сигнала в дискретный момент времени производится генерация управляющего воздействия для исполнительного устройства. Данный эксперимент наглядно демонстрирует возможности совместного использования электромеханических, антропоморфных устройств современного класса компьютерных нейроинтерфейсов и про-

312

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

граммного обеспечения, что в свою очередь является одним из сильнейших стимулов развития сквозных цифровых информационных технологий «сильного» искусственного интеллекта и интеллектуальных ассистентов.

а)

б) Рисунок 6 — Проведение эксперимента: а) выполнение команды «разжатие»; б) выполнение команды «сжатие» Figure 6 — Conducting an experiment: a) execution of the «decompression» command; b) execution of the «compression» command

Выводы 1. Представлено развитие нескольких направлений робототехники, которые имеют практический научно-технический интерес как в отдельных, так и в совместных разработках.

2. Показано, что перспектива развития когнитивного интеллектуального управления с применением

2019; 7(4)

технологий мягких и квантовых вычислений является одной из важных задач при создании роботизированного протеза руки, как, например, простого случая робота-аватара, и неотъемлемо от развития информационных технологий в рамках концепции интеллектуального тренажера [26].

3. Применение экспертно-рекомендательных систем с глубинным представлением знаний [6, 7] и квантовых сквозных технологий глубокого машинного обучения с квантовой обработкой ЭЭГ [17, 36] позволяет осуществить назначение, выбор управления роботизированными протезами руки с учетом индивидуальных психофизиологических особенностей пациента и условий среды функционирования.

4. С одной стороны, это конечные продукты, которые при должной доработке можно представить на рынке коммерчески привлекательных продуктов, с другой – технологии использования новых видов интеллектуальных информационных технологий и человеко-машинных когнитивных интерфейсов.

5. Следующим этапом разработки является создание когнитивной интеллектуальной системы управления роботизированной рукой-протезом сервисного обслуживания на основе ИТ квантовых мягких вычислений, квантовых фильтров обработки ЭЭГ [17] и технологий интеллектуальных вычислений Kansei / Affective Engineering с оценкой эмоционального состояния пользователя [36-38].

6. Работа отражает полноту формирования нового образовательного подхода в интеллектуальной робототехнике [39, 25, 26, 41] – гибридной когнитивной интеллектуальной робототехники на основе нейроинтерфейсов с новыми видами ИТ обработки данных.

Литература 1. DARPA-funded efforts in the development of novel brain–computer interface technologies. – Text: unmediated / Robbin A. Miranda [et al] // Journal of Neuroscience Methods 244. – 2015. – Pp. 52-67.

2. Аналитический обзор мирового рынка робототехники 2019. – Текст: непосредственный. – Сбербанк, 2019. – 272 с.

3. The grand challenges of Science Robotics. – Text: unmediated / Guang-Zhong Yang [et al] // DOI: 10.1126 / scirobotics.aar7650 (2018). – Pp. 1-14.

4. Аналитический обзор мирового рынка робототехники. Лаборатория робототехники. – Текст: непосредственный. – Сбербанк, 2018. – 79 с.

5. Искусственный интеллект: Подходы к формированию. Стратегии развития ИИ в Российской Федерации. – Текст: непосредственный. – Сбербанк, 2019.

6. Expert system for selecting lower-extremity (thigh) prostheses and diagnosis of the quality of artificial replacement. Part 1. – Text: electronic / E.K. Amirova [et al] // Consultants bureau, New York, J. of Biomedical Engineering, May-June, 1991, № 3, pp. 26-31. – URL: http://www.qcoptimizer.com/publications/articles/ 01_3_18_3_Expert ystem Selecting Lower Extremity Prostheses Diagnosis Quality ArtificialReplacement_Part1.pdf (дата обращения: 11.11.2019).

7. An expert system for selecting lower-extremity (thigh) prosthesis and evaluation of prosthetic quality. Part 2. – Text: electronic / E.K. Amirova [et al] // Consultants bureau, New York, J. of Biomedical Engineering, November-

313

Разработки / Developments

December, 1991, № 6, pp. 5-12. – URL: http://www.qcoptimizer.com/publications/articles/01_4_18_2_Expert System Selection Extremity Prosthesis Evalution ProstheticQuality_Part2.pdf (дата обращения: 11.11.2019).

8. Гибридная экспертная система с глубинным представлением знаний для проектирования и диагностики биотехнических изделий. – Текст: электронный / И.В. Лупина [и др.] // Известия АН СССР. Техническая кибернетика, 1991, № 5, с.

152-175.

– URL: http://www.qcoptimizer.com/publications/articles/ 6_1_11_1_GibridnaiAkspertnaiSistemaProektirovaniaDiagnosticiBiotehnicheskihIzdeliy.pdf (дата обращения: 11.11.2019).

9. The prospects of the P300-based brain computer interface in game control. – Text: unmediated / A. Kaplan [et al] // EEE Transactions on Computational Intelligence and AI in Games, 2013 (in press).

10. Shishkin S.L. Event-related potentials in a moving matrix modification of the P300 brain-computer interface paradigm. – Text: unmediated / S.L. Shishkin, I.P. Ganin, A.Y. Kaplan // Neuroscience Letters, 2011, v. 496 (2), pp.

95-99.

11. Neuronal ensemble control of prosthetic devices by a human with tetraplegia. – Text: unmediated / Leigh R. Hochberg [et al] // Nature, 2006, v. 442, pp. 164-171.

12. E. Real movement vs. motor imagery in healthy subjects. – Text: unmediated / Höller Y. [et al] // Int. J. Psychophysiol», 2012, pp. S0167-8760.

13. Novel protocols for P300-based brain-computer interfaces. – Text: unmediated / Salvaris M. [et al] // IEEE Trans. Neural. Syst. Rehabil. Eng., 2012, v. 20, pp. 8-17.

14. Cognitive Control Signals for Neural Prosthetics. – Text: unmediated / Musallam S. [et al] // Science, 2004, v.

305, pp. 258-262.

15. Иваницкий Г. А. Определение характера мыслительной деятельности по ритмическому рисунку ЭЭГ. – Текст: электронный / Г.А. Иваницкий. – URL: https://www.rfbr.ru/rffi/portal/project_search/o_53385 (дата обращения: 11.11.2019).

16. Robotic Arm with Brain Computer Interfacing. – Text: unmediated / Sunny T.D. [et al] // International Conference on Emerging Trends in Engineering, Science and Technology (ICETEST - 2015).

17. Gandhi V. Brain-Computer Interfacing for Assistive Robotics 1st Edition: Electroencephalograms, Recurrent Quantum Neural Networks, and User-Centric Graphical Interfaces. – Text: unmediated. – N.Y. Academic Press. – 2015.

18. Meng Jing. Brain Co CEO says his ‘mind-reading’ tech is here to improve concentration, not surveillance. – Text: electronic // South China Morning Post, Published: 2 May, 2019.

– URL: https://www.scmp.com/tech/innovation/article/3008439/brainco-ceo-says-his-mind-reading-tech-here-improveconcentration (дата обращения: 11.11.2019).

19. Kazuki Yanagisawa. Brain-Computer Interface Using Near Infrared Spectroscopy for Rehabilitation, Infrared Spectroscopy - Life and Biomedical Sciences. – Text: electronic / Kazuki Yanagisawa, Hitoshi Tsunashima and Kaoru Sakatani. – URL: https://www.intechopen.com/books/infrared-spectroscopy-life-and-biomedical-sciences/braincomputer-interface-using-near-infrared-spectroscopy-for-rehabilitation (дата обращения: 11.11.2019).

20. The Wadsworth BCI Research and Development Program: at home with BCI. – Text: unmediated / Vaughan TM [et al] // IEEE Trans Neural Syst Eng. – 2006. – Vol. 14. – № 2. – Pp. 229-233.

21. Soft Computing Optimizer as Deep Machine Learning in Intelligent Cognitive Estimation of Human Being Emotion for Robotic Control. – Text: unmediated / S.V. Ulyanov [et al] // Robots and Engineering Cybernetics (in press).

22. Rajesh P. N. Rao. Towards Neural Co-Processors for the Brain: Combining Decoding and Encoding in BrainComputer Interfaces. – Text: unmediated / Rajesh P. N. Rao, Paul G. Allen // Journal Current Opinion in Neurobiology, 2018.

23. José del R. Millán. Non Invasive Brain-Machine Interfaces. – Text: electronic / José del R. Millán, Pierre W. Ferrez, Anna Buttfield // IDIAP Research Institute. – URL: https://www.esa.int/gsp/ACT/doc/ARI/ ARI%20Study%20Report/ACT-RPT-BIO-ARI-056402-Non_invasive_brain-machine_interfaces_-_Martigny_IDIAP.pdf (дата обращения: 11.11.2019).

24. Maksimenko V.A. Artificial Neural Network Classification of Motor-Related EEG: An Increase in Classification Accuracy by Reducing Signal Complexity Hindawi. – Text: electronic / V.A. Maksimenko, S.A. Kurkin, E.N. Pitsik // Complexity, 2018, Article ID 9385947, pp.10. – URL: https://doi.org/10.1155/2018/9385947 (дата обращения: 11.11.2019).

25. Гибридные когнитивные системы управления на примере управления транспортным средством. – Текст: электронный / С.В. Ульянов [и др.] // Системный анализ в науке и образовании: сетевое научное издание. – 2010. – №3. – URL: http://sanse.ru/download/261 (дата обращения: 11.11.2019).

26. Ульянов С.В. Базис когнитивного компьютерного обучения робототехнике. Интеллектуальный тренажер формирования активных знаний. – Текст: электронный / С.В. Ульянов, А.Г. Решетников // Системный ана314

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

лиз в науке и образовании: сетевое научное издание. – 2016. – №4. – URL: http://sanse.ru/download/277 (дата обращения: 11.11.2019).

27. Gael Langevin. InMoov is the first Open Source 3D printed life-size robot. – Текст: электронный / Gael Langevin. 2012. – URL: http://inmoov.fr (дата обращения: 11.11.2019).

28. Hand robot InMoov, open source. – Текст: электронный // Проект. – URL: https://www.thingiverse.com/ thing:17773 (дата обращения: 11.11.2019).

29. Epoc, нейрокомпьютерный интерфейс. – Текст: электронный // Emotiv: [сайт]. – URL: https://www.emotiv.com/ (дата обращения: 11.11.2019).

30. Arduino, инструмент для проектирования электронных устройств. – Текст: электронный // Arduino: [сайт]. – URL: http://arduino.ru/ (дата обращения: 11.11.2019).

31. Петров Б.Н. Теория моделей в процессах управления: информационный и термодинамический аспекты. – Текст: непосредственный / Б.Н. Петров. – Москва: Наука, 1978. – 224 с.

32. US Patent No 7,219,087B2, «Soft computing optimizer of intelligent control system structures» (Inventor: S. V. Ulyanov), Date of patent: May 15, 2007 [WO 2005/013019 A3, 2005].

33. US Patent No 2006,0218 A1, «System for soft computing simulation» (Inventor: S. V. Ulyanov), Date of patent: Sept. 2006, 2006.

34. Сотников П.И. Обзор методов обработки сигнала электроэнцефалограммы в интерфейсах мозгкомпьютер // Инженерный вестник. – 2014. – № 10.

35. Интеллектуальные самоорганизующиеся когнитивные регуляторы. Ч. 2: модели когнитивных интерфейсов «мозг – устройство». – Текст: электронный / С.В. Ульянов [и др.] // Системный анализ в науке и образовании: сетевое научное издание. – 2015. – №1. – URL: http://sanse.ru/download/236 (дата обращения: 11.11.2019).

36. Ulyanov S.V. Intelligent self-organized robust control design based on quantum / soft computing technologies and Kansei engineering. – Text: unmediated / S.V. Ulyanov // Computer Science Journal of Moldova. – 2013. – Vol.21. – №2 (62), pp. 242-279.

37. Ulyanov S.V. Intelligent self-organized cognitive controllers. Pt. 1: Kansei, Affective engineering and quantum / soft computing technologies. – Text: electronic / S.V. Ulyanov, Yamafuji K. // System Analysis in Science and Education. – 2014. – No 4. – URL: http:/www.sanse /.ru/archive/48 (дата обращения: 11.11.2019).

38. Ulyanov S.V. Quantum fast algorithm computational intelligence Pt I: SW / HW smart toolkit. – Text: electronic // Artificial Intelligence Advances. – .2019. – Vol. 1. – No 1. – Pp. 18-43. – URL: https://doi.org/10.30564/aia.v1i1.619 (дата обращения: 11.11.2019).

39. Ульянов С.В. Интеллектуальная робототехника ч. 2: социо - экономико - техническая платформа когнитивного образовательного процесса. – Текст: электронный / С.В. Ульянов, А.Г. Решетников, О.Ю. Тятюшкина // Системный Анализ в науке и образовании. – 2019. – № 4. – URL: http://sanse.ru/download/277 (дата обращения: 11.11.2019).

40. Нестандартная логика научных базисов образовательных процессов в сквозных информационных технологиях и когнитивных вычислениях. Ч. 1: проблема Бэкона, аналитика больших данных и теория интеллектуальных моделей познания физических процессов. – Текст: электронный / Н.Г. Багдасарьян // Системный Анализ в науке и образовании. – 2019. – № 1. – URL: http://sanse.ru/download/338 (дата обращения: 11.11.2019).

References 1. Miranda, R., Casebeer, W., Hein, A., Judy, J., Krotkov, E., Laabs, T., Manzo, J., Pankratz, K., Pratt, G., Sanchez, J., Weber, D., Wheeler, T. and Ling, G. (2015). DARPA-funded efforts in the development of novel brain– computer interface technologies. Journal of Neuroscience Methods, 244, pp.52-67.

2. Sberbank Robotic Lab. (2019). An analytical review of the global robotics market. p.272.

3. Yang, G., Bellingham, J., Dupont, P., Fischer, P., Floridi, L., Full, R., Jacobstein, N., Kumar, V., McNutt, M., Merrifield, R., Nelson, B., Scassellati, B., Taddeo, M., Taylor, R., Veloso, M., Wang, Z. and Wood, R. (2018). The grand challenges ofScience Robotics. Science Robotics, 3(14), p.eaar7650.

4. Sberbank Robotic Lab. (2018). An analytical review of the global robotics market. p.79.

5. Sberbank (2019). Artificial Intelligence: Approaches to Formation. AI development strategies in the Russian Federation.

6. Amirova, É., Efimov, V., Kuzhekin, A., Lunina, N., Slepchenko, A., Ul'yanov, S., Khanukaev, A., Shakhnazarov, M., Shakhnazarova, I. and Shishkin, B. (1991). Expert system for selecting lower-extremity (thigh) prostheses and diagnosis of the quality of artificial replacement. Part I. Biomedical Engineering, 25(3), pp.118-126.

315

Разработки / Developments

7. Amirova, É., Efimov, V., Kuzhekin, A., Lunina, N., Slepchenko, A., Ul'yanov, S., Khanukaev, A., Shakhnazarov, M., Shakhnazarova, I. and Shiskhin, B. (1991). An expert system for selection of lower extremity (thigh) prosthesis and evaluation of prosthetic quality (part II). Biomedical Engineering, 25(6), pp.270-281.

8. Lupina, I., Slepchenko, A., Ulyanov, S. and et al (1991). Gibridnaya ekspertnaya sistema s glubinnym predstavleniyem znaniy dlya proyektirovaniya i diagnostiki biotekhnicheskikh izdeliy [Hybrid expert system with an indepth representation of knowledge for the design and diagnosis of biotechnological products]. Izv. USSR Academy of Sciences. Ser. Technical cybernetics, 5, pp.152-175. (in Russian).

9. Kaplan, A., Shishkin, S., Ganin, I. and et al (n.d.). The prospects of the P300-based brain computer interface in game control. In: IEEE Transactions on Computational Intelligence and AI in Games, 2013.

10. Shishkin, S., Ganin, I. and Kaplan, A. (2011). Event-related potentials in a moving matrix modification of the P300 brain–computer interface paradigm. Neuroscience Letters, 496(2), pp.95-99.

11. Hochberg, L., Serruya, M., Friehs, G., Mukand, J., Saleh, M., Caplan, A., Branner, A., Chen, D., Penn, R. and Donoghue, J. (2006). Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature, 442(7099), pp.164-171.

12. Höller, Y., Bergmann, J., Kronbichler, M., Crone, J., Schmid, E., Thomschewski, A., Butz, K., Schütze, V., Höller, P. and Trinka, E. (2013). Real movement vs. motor imagery in healthy subjects. International Journal of Psychophysiology, 87(1), pp.35-41.

13. Salvaris, M., Cinel, C., Citi, L. and Poli, R. (2012). Novel Protocols for P300-Based Brain–Computer Interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 20(1), pp.8-17.

14. Musallam, S. (2004). Cognitive Control Signals for Neural Prosthetics. Science, 305(5681), pp.258-262.

15. Ivanitsky, G. (2008). Opredeleniye kharaktera myslitel'noy deyatel'nosti po ritmicheskomu risunku EEG [Determining the nature of mental activity according to the rhythmic pattern of the EEG]. [online] Rfbr.ru. Available at: https://www.rfbr.ru/rffi/portal/project_search/o_53385 [Accessed 11 Nov. 2019]. (in Russian).

16. Sunny, T., Aparna, T., Neethu, P., Venkateswaran, J., Vishnupriya, V. and Vyas, P. (2016). Robotic Arm with Brain – Computer Interfacing. Procedia Technology, 24, pp.1089-1096.

17. Gandhi, V. (2015). Brain-computer interfacing for assistive robotics. New York: Academic Press.

18. Meng Jing (2019). BrainCo CEO says ‘mind-reading’ tech is about focus, not surveillance. [online] South China Morning Post. Available at: https://www.scmp.com/tech/innovation/article/3008439/brainco-ceo-says-his-mindreading-tech-here-improve-concentration [Accessed 11 Nov. 2019].

19. Yanagisawa, K., Tsunashima, H. and Sakatani, K. (2012). Brain-Computer Interface Using Near-Infrared Spectroscopy for Rehabilitation. Infrared Spectroscopy - Life and Biomedical Sciences.

20. Vaughan, T., Mcfarland, D., Schalk, G., Sarnacki, W., Krusienski, D., Sellers, E. and Wolpaw, J. (2006). The Wadsworth BCI Research and Development Program: At Home With BCI. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 14(2), pp.229-233.

21. Ulyanov, S., Shevchenko, A., Mamaeva, A. and et al (n.d.). Soft Computing Optimizer as Deep Machine Learning in Intelligent Cognitive Estimation of Human Being Emotion for Robotic Control. Robots and Engineering Cybernetics (in press).

22. Rao, R. (2019). Towards neural co-processors for the brain: combining decoding and encoding in brain– computer interfaces. Current Opinion in Neurobiology, 55, pp.142-151.

23. Millán, J., Ferrez, P. and Buttfield, A. (n.d.). Non Invasive Brain-Machine Interfaces, IDIAP Research Institute.

24. Maksimenko, V., Kurkin, S., Pitsik, E., Musatov, V., Runnova, A., Efremova, T., Hramov, A. and Pisarchik, A. (2018). Artificial Neural Network Classification of Motor-Related EEG: An Increase in Classification Accuracy by Reducing Signal Complexity. Complexity, 2018, pp.1-10.

25. Ulyanov, S., Reshetnikov, A., Mamaeva, A. and et al (2010). Gibridnye kognitivnye sistemy ypravleniya na primere upravleniya transportnym sredstvom [Hybrid cognitive control systems on the example of driving]. Journal of Systems Analysis in Science and Education, 3.

26. Ulyanov, S. and Reshetnikov, A. (2016). Bazis kognitivnogo komp'yuternogo obucheniya robototekhnike. Intellektual'nyy trenazher formirovaniya aktivnykh znaniy [Basis of cognitive computer training in robotics. Intellectual simulator for the formation of active knowledge]. Journal of Systems Analysis in Science and Education, 4. (in Russian) 27. Langevin, G. (n.d.). InMoov – open-source 3D printed life-size robot. [online] Inmoov.fr. Available at: http://inmoov.fr [Accessed 11 Nov. 2019].

28. Thingiverse.com.

(2012). Hand robot InMoov by Gael_Langevin. [online] Available at: https://www.thingiverse.com/thing:17773 [Accessed 11 Nov. 2019].

29. EMOTIV. (n.d.). Emotiv Epoc, Neirocomputerniy interface [neurocomputer interface]. [online] Available at: https://www.emotiv.com/ [Accessed 11 Nov. 2019].

316

РОБОТОТЕХНИКА и ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА / ROBOTICS and TECHNICAL CYBERNETICS

2019; 7(4)

30. Arduino.ru. (n.d.). Arduino, electronic device design tool. [online] Available at: http://arduino.ru/ [Accessed 11 Nov. 2019].

31. Petrov, B., Ulanov, G., Ulyanov, S. and et al (1978). Teoriya modeley v protsessakh upravleniya: informatsionnyy i termodinamicheskiy aspekty [The theory of models in control processes: information and thermodynamic aspects]. Moscow: Nauka Publ., p.224. (in Russian).

32. Ulyanov, S. (2007). Soft computing optimizer of intelligent control system structures. 7,219,087B2.

33. Ulyanov, S. (2006). System for soft computing simulation. 0218 A1.

34. Sotnokov, P. (2014). Obzor metodov obrabotki signala electroencifologrammy v interfeisah mozg komputer [Overview of EEG Signal Processing Techniques at Brain Computer Interfaces]. Engineering Bulletin, Electronic Journal, 10. (in Russian).

35. Ulyanov, S. and et al (2015). Intellektual'nyye samoorganizuyushchiyesya kognitivnyye regulyatory. CH. 2: modeli kognitivnykh interfeysov «mozg – ustroystvo» [Intelligent self-organizing cognitive regulators. Part 2: models of cognitive interfaces «brain – device»]. Journal of Systems Analysis in Science and Education, 1. (in Russian).

36. Ulyanov, S. (2013). Intelligent self-organized robust control design based on quantum / soft computing technologies and Kansei engineering. Computer Science Journal of Moldova, 21(2(62), pp.242-279.

37. Ulyanov, S. and Yamafuji, K. (2014). Intelligent self-organized cognitive controllers. Pt. 1: Kansei / affective engineering and quantum / soft computing technologies. System Analysis in Science and Education, 4.

38. Ulyanov, S. (2019). Quantum Fast Algorithm Computational Intelligence PT I SW HW Smart Toolkit. Artificial Intelligence Advances, 1(1).

39. Ulyanov, S., Reshetnikov, A. and Tyatyushkina, O. (2019). Intellektual'naya robototekhnika ch. 2: sotsio ekonomiko - tekhnicheskaya platforma kognitivnogo obrazovatel'nogo protsessa [Intellectual robotics, part 2: socioeconomic-technical platform of the cognitive educational process]. Journal of Systems Analysis in Science and Education, 4. (in Russian).

40. Bagdasaryan, N., Reshetnikov, P., Ulyanov, S. and et al (2019). Nestandartnaya logika nauchnykh bazisov obrazovatel'nykh protsessov v skvoznykh informatsionnykh tekhnologiyakh i kognitivnykh vychisleniyakh. CH. 1: problema Bekona, analitika bol'shikh dannykh i teoriya intellektual'nykh modeley poznaniya fizicheskikh [Nonstandard logic of scientific bases of educational processes in cross-cutting information technologies and cognitive computing. Part 1: Bacon's problem, big data analytics and the theory of intellectual models of cognition of physical processes]. Journal of Systems Analysis in Science and Education, 1. (in Russian).

Информация об авторах Ульянов Сергей Викторович, д.ф.-м.н., ГБОУ ВО МО «Университет «Дубна», Институт системного анализа и управления, профессор, 141980, Московская область, г. Дубна, Университетская ул., д. 19, тел.: +7(49621)66010, ulyanovsv@mail.ru Решетников Андрей Геннадьевич, к.т.н., ГБОУ ВО МО «Университет «Дубна», Институт системного анализа и управления, доцент, 141980, Московская область, г. Дубна, Университетская ул., д. 19, тел.: +7(49621)66010, agreshetnikov@gmail.com Немчанинов Алексей Владимирович, ГБОУ ВО МО «Университет «Дубна», Институт системного анализа и управления, магистр 2-го года обучения, 141980, Московская область, г. Дубна, Университетская ул., д. 19, тел.: +7 (962)249-65-76, alexeinemchaninov@yandex.ru

Information about the authors Sergey V. Ulyanov, Doctor of Physical and Mathematical Sciences, Dubna State University, Institute of the System Analysis and Management, Professor, 19, Universitetskaya ul., Dubna, Moscow region, 141980, Russia, tel.: +7(49621)66010, ulyanovsv@mail.ru Andrey G. Reshetnikov, PhD in Technical Sciences, Dubna State University, Institute of the System Analysis and Management, Assistant Professor, 19, Universitetskaya ul., Dubna, Moscow region, 141980, Russia, tel.: +7(49621)66010, agreshetnikov@gmail.com Alexey V. Nemchaninov, Dubna State University, Institute of the System Analysis and Management, Second Year Master Student, 19, Universitetskaya ul., Dubna, Moscow region, 141980, Russia, tel.: +7(962)249-65-76, alexeinemchaninov@yandex.ru

317