Интеллектуальная система управления сервисным роботом на основе мягких вычислений

Разработаны методики проектирования комплексной системы управления мобильным роботом сервисного обслуживания на логике мягких вычислений. Демонстрируется эффективность разработанных методов для контроля маршрута и обхода препятствий роботом, а также для точного позиционирования манипуляционного устройства в условиях непредвиденных ситуаций. Контроль маршрута с обходом препятствий основывается на компьютерном моделировании динамики для роботизированной системы, а поиск возможных решений происходит с помощью генетических алгоритмов. Оптимальные решения, полученные в результате работы генетических алгоритмов, используются для построения и обучения нечеткой нейронной сети, откуда формируется база знаний для нечеткого контроллера для управления навигацией и выполнения технологических операций, таких как открытие двери, с помощью манипулятора. Генетические алгоритмы, нечеткие нейронные сети и нечеткие контроллеры с заложенными базами знаний продемонстрировали свою эффективность для планирования маршрута в условиях возможных препятствий в виде предметов и людей для мобильного робота сервисного обслуживания. Рассмотрено применение интеллектуальных вычислений на основе эволюционных и генетических алгоритмов, нечеткой логики в системах управления манипулятором с тремя степенями свободы в непредвиденных ситуациях управления. Для демонстрации результатов работы нечеткого моделирования системы управления роботом описаны результаты проведенных экспериментальных исследований.

1. Gonzalez-Aguirre J.A., Osorio-Oliveros R., Rodríguez-Hernández K.L., et al. Service Robots: Trends and Technology. Applied Sciences. 2021;11(22):10702. https://doi.org/10.3390/app112210702

2. Chen M., Wang X., Law R., et al. Research on the Frontier and Prospect of Service Robots in the Tourism and Hospitality Industry Based on International Core Journals: A Review. Behavioral Sciences. 2023;13(7):560. https://doi.org/10.3390/bs13070560

3. Lee I. Service Robots: A Systematic Literature Review. Electronics. 2021;10(21):2658. https://doi.org/10.3390/electronics10212658

4. Rajan V., De La Cruz A. Utilisation of Service Robots to Assist Human Workers in Completing Tasks Such in Retail, Hospitality, Healthcare, and Logistics Businesses. Technoarete Transactions on Industrial Robotics and Automation Systems. 2022;2(2):10-36647. https://doi.org/10.36647/TTIRAS/02.01.A002

5. Deng Sh., Xie M., Wang B., et al. Particle Swarm Optimization Algorithm for Feature Selection Inspired by Peak Ecosystem Dynamics. Computers, Materials & Continua. 2025;82(2):2723–2751. https://doi.org/10.32604/cmc.2024.057874

6. Nguyen Th.M.B., Nguyen Th.H.H., Do Th.N.H. Optimized Metaheuristic Strategies for Addressing the Multi-Picker Robot Routing Problem in 3D Warehouse Operations. Computers, Materials & Continua. 2025;84(3):5063–5076. https://doi.org/10.32604/cmc.2025.064610

7. Ma L., Dai C., Xue X., et al. A Multi-Objective Particle Swarm Optimization Algorithm Based on Decomposition and Multi-Selection Strategy. Computers, Materials & Continua. 2025;82(1):997–1026. https://doi.org/10.32604/cmc.2024.057168

8. Cui G., Shuai W., Chen X. Semantic Task Planning for Service Robots in Open Worlds. Future Internet. 2021;13(2):49. https://doi.org/10.3390/fi13020049

9. Lisondra M., Benhabib B., Nejat G. Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review. Robotics. 2026;15(3):55. https://doi.org/10.3390/robotics15030055

10. Боровинский В.В., Николаева А.В., Решетников А.Г. и др. Технология квантовых мягких вычислений в программно-алгоритмической платформе робастной интеллектуальной системы управления роботом-манипулятором. Программные продукты и системы. 2025;(2):218–233. https://doi.org/10.15827/0236-235X.150.218-233