350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №5 за 2019 г.
Статья в номере:
Применение и разработка тренажера для автоматизированных БЛА и робототехнических комплексов на базе вероятностной модели поведения прикладной многоагентной системы
Тип статьи: научная статья
DOI: 10.18127/j19998554-201905-01
УДК: 004
Авторы:

С.И. Попков – аспирант, факультет информационных технологий, Московский государственный психолого-педагогический университет

E-mail: rslw25@gmail.com

Аннотация:

Постановка проблемы. Проект направлен на решение актуальной и не решённой к настоящему времени задачи создания полностью автоматизированных беспилотных летательных аппаратов (например, дронов). Для этого разработана вероятностная модель поведения прикладной многоагентной системы, представляющей игровое взаимодействие множества агентов и цели. Поведение агентов является недетерминированным и, поэтому, непредсказуемым с точки зрения цели. Система допускает как согласованное, так и автономное поведение агентов, в зависимости от того, получают или нет агенты информацию о наличии и положении других работоспособных агентов. Поведение агента определяется алгоритмом, который предусматривает идентификацию параметров вероятностной модели с использованием оптимизируемых целевых функций, выражающих групповую и индивидуальные вероятности поражения цели.

Цель. Разработать и программно реализовать виртуальный адаптивный тренажер на основе модели многоагентной системы с учетом недостатков исследованных подходов.

Результаты. Разработанные модель и алгоритм позволяют обеспечивать управление поведением релевантных прикладных многоагентных систем. Модель позволяет осуществлять прогнозирование и анализ действий для разработки стратегии ведения боя как в условиях автономного движения боевой единицы, так и при коллективном взаимосвязанном движении боевой группы. Вероятностная модель поведения данной системы дополнена формулами для динамического расчёта распределений вероятностей поражения цели агентами и агентов целью. Применяемые математические методы позволяют легко адаптировать модель под разные боевые ситуации, включая представляющую противника подвижную и неподвижную цель, различные виды вооружения, погодные и другие условия, влияющие на исход боя, а также разнообразные виды боевой техники и специфические для нее характеристики, такие как скорость движения, наличие либо отсутствие конкретного арсенала, вид техники и другие характеристики. Представлен математический метод для проведения анализа общих закономерностей поведения рассматриваемой системы. Программная реализация модели может быть встроена и использована для широкого круга средств поражения цели, как наземных, так и воздушных, включая современные беспилотные летательные аппараты, робототехнические комплексы и тренажеры операторов для сложных систем. К основным методам исследования, примененным в данной работе, можно отнести компьютерное и математическое моделирование.

Практическая значимость. Необходимость использования подобных моделей в военной технике выявил опыт военных конфликтов последних лет. Эти комплексы должны заменить современные системы, управляемые лишь операторами, повысив эффективность их использования, в частности, за счёт оптимизации их поведения и увеличения скорости принятия решений.

Страницы: 5-17
Список источников
  1. Куравский Л.С., Попков С.И. Представление общих закономерностей поведения многоагентной системы с помощью её макропараметров // Нейрокомпьютеры: разработка, применение. 2018. № 1. С. 13-25.
  2. Попков С.И. Метод внешней оптимизации для идентификации марковских процессов // Информационные технологии. 2018. Т. 24. № 10. С. 633-641. DOI: 10.17587/it.24.633-641
  3. Попков С.И. Программная реализация межъязыкового взаимодействия на базе динамических библиотек // Нейрокомпьютеры: разработка, применение. 2018. № 3. С. 39-49.
  4. Kuravsky L., Yuryev G. On the approaches to assessing the skills of operators of complex technical systems // Proc. 15th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies. Nottingham, UK, September 2018. P. 1-25.
  5. Куравский Л.С., Марголис А.А., Мармалюк П.А., Панфилова А.С., Юрьев Г.А. Математические аспекты концепции адаптивного тренажера // Психологическая наука и образование. 2016. Т. 21. № 2. C. 84–95. DOI: 10.17759/pse.2016210210
  6. Kuravsky L.S., Margolis A.A., Marmalyuk P.A., Panfilova A.S., Yuryev G.A., Dumin P.N. A probabilistic model of adaptive training // Applied Mathematical Sciences. 2016. V. 10. № 48. P. 2369-2380. [Электронный ресурс]. URL: http://dx.doi.org/10.12988/ams.2016.65168 (дата обращения: 30.01.2019 г.).
  7. Тренажерно-обучающая система [Электронный ресурс]. URL: https://www.youtube.com/watch?v=3CDsMHzh-Co (дата обращения: 30.01.2019 г.).
  8. Тренажерная система (стыковка) [Электронный ресурс]. URL: https://www.youtube.com/watch?v=0eVBXK0vivA (дата обращения: 30.01.2019 г.).
  9. Kuravsky L.S., Popkov S.I., Artemenkov S.L. An applied multi-agent system within the framework of a player-centered probabilistic computer game // International Journal of Modeling, Simulation, and Scientific Computing. 2018. V. 9. № 1. 17500635. 17p. DOI: 10.1142/S1793962317500635
  10. Kuravsky L.S., Popkov S.I. Forecasting macro parameters representing the behavior of an applied multi-agent system // International Journal of Modeling, Simulation, and Scientific Computing. 2018. V. 9. № 6. 1850052. 15p. DOI: 10.1142/S1793962318500526
  11. Kuravsky L.S., Popkov S.I. Forecasting behavior of a stochastic multi-agent system. - In: Proc. 15th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies, Nottingham, UK, September 2018. P. 129-137.
  12. HTML 5.2. W3C Recommendation, 14 December 2017 [Электронный ресурс]. URL: https://www.w3.org/TR/html5/ (дата обращения: 30.01.2019 г.).
  13. Business Process Management [Электронный ресурс]. URL: https://www.bonitasoft.com/business-process-managementbpm (дата обращения: 30.01.2019 г.).
Дата поступления: 7 февраля 2019 г.