Проактивне керування мобільними роботами у динамічному виробничому середовищі (укр.)
DOI:
https://doi.org/10.20535/2617-9741.4.2025.348822Ключові слова:
проактивне керування, мобільні роботи, POMDP, багатокритеріальна оптимізація, програмовані логічні контролери, динамічне виробниче середовищеАнотація
Сучасне виробництво дедалі більше спирається на використання мобільних роботів для автоматизації логістичних і технологічних операцій. Проте динамічний характер виробничого середовища створює складні наукові проблеми для систем керування мобільними платформами, оскільки існуючі алгоритми навігації часто не забезпечують належного балансу між швидкістю виконання завдань, енергоефективністю та безпекою руху. Метою дослідження є узагальнення сучасних методів проактивного керування мобільними роботами на основі формалізації задачі через багатовимірний POMDP, впровадження генеративних моделей для прогнозування динаміки та багатокритеріальної оптимізації з адаптивним балансуванням цілей. Проведено комплексний аналіз наукових публікацій 2016–2025 років та використано методи системного аналізу для синтезу нової архітектури керування.
Виявлено, що оптимальне проактивне керування досягається через інтеграцію трьох ключових компонентів: прогнозування майбутніх станів середовища, багатокритеріального планування з урахуванням продуктивності, безпеки та енергоефективності, а також адаптивного балансування цілей у реальному часі. Запропоновано трирівневу архітектуру системи керування та розроблено математичну модель, яка формалізує процес адаптивного проактивного керування з урахуванням прогнозованої динаміки середовища. Запропонована архітектура створює теоретичну основу для розробки нового покоління автономних робототехнічних систем, здатних ефективно функціонувати у складних виробничих умовах.
Посилання
Wray K. H., Witwicki S. J., Zilberstein S. Multi-Objective POMDPs for Robust Autonomy. International Joint Conference on Artificial Intelligence (IJCAI). 2017. URL: https://openreview.net/forum?id=xewBjsJEKkR
Roijers D. M., Vamplew P., Dazeley R., Whiteson S., Van Moffaert K., Heintz F., Mannion P. A practical guide to multi-objective reinforcement learning and planning. Autonomous Agents and Multi-Agent Systems. 2022. Vol. 36. Article 95. URL: https://link.springer.com/article/10.1007/s10458-022-09552-y
Zhang K., Yun P., Cen J., Cai J., Zhu D., Yuan H., Zhao C., Feng T., Wang M. Y., Chen Q., Pan J., Zhang W., Yang B., Chen H. Generative Artificial Intelligence in Robotic Manipulation: A Survey. arXiv preprint arXiv:2503.03464. 2025. URL: https://arxiv.org/abs/2503.03464
Kotb M., Weber C., Hafez M. B., Wermter S. QT-TDM: Planning With Transformer Dynamics Model and Autoregressive Q-Learning. arXiv preprint arXiv:2407.18841. 2024. URL: https://arxiv.org/abs/2407.18841
Taranta D., Marques F., Lourenço A., Prates P. A., Souto A., Pinto E., Barata J. An Autonomous Mobile Robot Navigation Architecture for Dynamic Intralogistics. Proceedings of the 2021 IEEE 19th International Conference on Industrial Informatics (INDIN), Mallorca, Spain, 21–23 July 2021. IEEE, 2021. DOI: 10.1109/INDIN45523.2021.9557419. URL: https://oecd-opsi.org/wp-content/uploads/2023/07/An-Autonomous-Mobile-Robot-Navigation.pdf
Yang Q., Simão T. D., Tindemans S. H., Spaan M. T. J. Safety-constrained reinforcement learning with a distributional safety critic. Machine Learning. 2023. Vol. 112. P. 859–887. URL: https://link.springer.com/article/10.1007/s10994-022-06187-8
Liu E., Wu Y.-C., Huang X., Gao C., Wang R.-J., Xue K., Qian C. Pareto Set Learning for Multi-Objective Reinforcement Learning. arXiv preprint arXiv:2501.06773. 2025. URL: https://arxiv.org/abs/2501.06773
Mao L., Ma Z., Li X. A Multi-Task Dynamic Weight Optimization Framework Based on Deep Reinforcement Learning. Applied Sciences. 2025. Vol. 15, № 5. Article 2473. URL: https://www.mdpi.com/2076-3417/15/5/2473
Buet-Golfouse F., Pahwa P. Robust multi-objective reinforcement learning with dynamic preferences. Proceedings of the 14th Asian Conference on Machine Learning. Proceedings of Machine Learning Research. 2023. Vol. 189. P. 96–111. URL: https://proceedings.mlr.press/v189/buet-golfouse23a.html
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Андрій Олексійович Носов, Михайло Володимирович Коржик
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
