Postgraduate Student ME7
аспирант СМ7
Postgraduate Student ME7
аспирант СМ7
Candidate of Technical Sciences, Associate Professor, Head of Laboratory; Associate Professor
канд. тех. наук, доцент, заведующий лабораторией; доцент кафедры
Candidate of Technical Sciences, Lead Engineer
канд. тех. наук, ведущий инженер
The scientific novelty of this work lies in the development of an approach for integrating Bayesian filtering of sensor data and colored Petri nets, implemented for the first time in the form of a hierarchical software architecture, where posterior probabilities are mapped into a dynamic marking of the network that determines the resolution of transitions.Aim. The study is the formalization, software implementation and experimental verification of a hierarchical control system for an industrial robotic complex under conditions of stochastic uncertainty of a dynamic environment.Research materials and methods. The control object is a robotic system comprising a six-link manipulator with a gripper and a video camera-based vision system. The system's task is to move multi-colored objects (red, yellow, green, and blue cubes) from four initial positions to corresponding final positions according to a specified configuration. Colored Petri nets, which describe the parallelism of operations and resource constraints, are used to formalize the discrete-event control logic. Visual information processing is implemented using a recursive Bayesian filter, taking into account a 6x6 noise matrix and a measurement confirmation mechanism (k = 10 consecutive matches), ensuring robustness to stochastic disturbances. The software implementation is written in Python 3 using the OpenCV, NumPy, and SciPy libraries. The experimental verification was carried out in 500 simulations in the Gazebo environment and 30 full-scale tests with varying noise levels of σ = 0.05…0.2 with an assessment of the RMSE metrics, the probability of false alarms, and the execution time of the manipulation cycle.Results. This article proposes a method for controlling a robotic manipulation system under conditions of stochastic uncertainty in a dynamic environment caused by sensor noise, data transmission delays, partial observability, and unpredictable changes in the position of objects. A stochastic model of the sensor system has been developed, ensuring stable object recognition in the presence of noise and dynamic disturbances. A control system architecture is proposed, including a data filtering module and a discrete-event decision-making layer. Experimental verification was conducted in a simulation and real-world environment using a six-link manipulator.Conclusion. The obtained results showed a reduction in the probability of false positives to 0.024% and a 15% reduction in the execution time of manipulation operations compared to the basic deterministic approach.
Научная новизна данной работы заключается в развитии подхода интеграции байесовской фильтрации сенсорных данных и цветных сетей Петри, впервые реализованной в виде иерархической программной архитектуры, где апостериорные вероятности отображаются в динамическую маркировку сети, определяющую разрешение переходов.Цель исследования – формализация, программная реализация и экспериментальная проверка иерархической системы управления промышленным робототехническим комплексом в условиях стохастической неопределенности динамической среды.Материалы и методы исследования. В качестве объекта управления использован робототехнический комплекс, включающий шестизвенный манипулятор со схватом и систему технического зрения на основе видеокамеры. Задача комплекса – перемещение разноцветных объектов (кубиков красного, желтого, зеленого и синего цветов) из четырех начальных позиций в соответствующие конечные позиции согласно заданной конфигурации. Для формализации дискретно-событийной логики управления применены цветные сети Петри, описывающие параллелизм операций и ресурсные ограничения. Обработка визуальной информации реализована на основе рекурсивного байесовского фильтра с учетом матрицы зашумления размерностью 6×6 и механизма подтверждения измерений (k = 10 последовательных совпадений), что обеспечивает устойчивость к стохастическим возмущениям. Программная реализация выполнена на языке Python 3 с использованием библиотек OpenCV, NumPy и SciPy. Экспериментальная верификация проведена в 500 симуляциях в среде Gazebo и 30 натурных испытаниях при варьировании уровня шума σ = 0,05…0,2 с оценкой метрик RMSE, вероятности ложных срабатываний и времени выполнения цикла манипуляции.Результаты. В статье предложен метод управления робототехническим манипуляционным комплексом в условиях стохастической неопределенности динамической среды, обусловленной шумами сенсоров, задержками передачи данных, частичной наблюдаемостью и непредсказуемыми изменениями расположения объектов. Разработана стохастическая модель сенсорной системы, обеспечивающая устойчивое распознавание объектов при наличии шумов и динамических возмущений. Предложена архитектура системы управления, включающая модуль фильтрации данных и дискретно-событийный уровень принятия решений. Проведена экспериментальная верификация в симуляционной и натурной среде с использованием шестизвенного манипулятора. Заключение. Полученные результаты показали снижение вероятности ложного распознавания состояний до 0,024 % и уменьшение времени выполнения манипуляционных операций на 15 % по сравнению с базовым детерминированным подходом.