ТЕХНИКАЛЫҚ КӨРУ ТЕХНОЛОГИЯЛАРЫН ҚОЛДАНА ОТЫРЫП, РОБОТ-МАНИПУЛЯТОРДЫ БАСҚАРУ АЛГОРИТМДЕРІН ЗЕРТТЕУ

Бұл мақалада робот-манипуляторды басқару үшін техникалық көруді қолданатын алгоритмдерді зерттеу ұсынылған. Өнеркәсіпте және басқа салаларда қолданылатын роботтар санының артуымен сенімді және дәл басқару алгоритмдеріне қажеттілік артты. Осылайша, тақырыптың өзектілігі артып келеді және осы саладағы зерттеулер роботтық жүйелердің тиімділігі мен қауіпсіздігін айтарлықтай жақсарта алады. Бұл мақаланың мақсаты әртүрлі басқару алгоритмдерін жан-жақты зерттеу, сонымен қатар техникалық көруді басқару жүйелеріне біріктіру болып табылады. 

Роботты басқару алгоритмдері-бұл роботтарға белгілі бір қозғалыстар мен тапсырмаларды қажетті тиімділік пен дәлдікпен орындауға мүмкіндік беретін математикалық процедуралар мен әдістер жиынтығы. Ол үшін робот қоршаған әлем туралы маңызды деректерді техникалық көру арқылы алады. Мақалада алгоритмдердің үш негізгі түрі қарастырылады: кері кинематика, PID контроллері және машиналық оқыту алгоритмдері. Кері кинематика робот буындарының айналу бұрыштарын анықтайды, олар жұмыс құралының белгіленген орны мен бағытына жету үшін қажет. PID контроллері Робот буындарының қозғалысын басқарады. Жылдамдық пен күшті басқару арқылы ол нақты және берілген позиция арасындағы қателерді түзетеді. Машиналық оқыту әдістерін қолдану жаңа тапсырмаларды үйренуге және мінезқұлқыңызды өзгеретін жағдайларға бейімдеуге мүмкіндік береді. 

Осы зерттеу аясында алгоритмдер мен техникалық көрудің теориялық аспектілері қарастырылады. Зерттеулер ZARNITZA Optima 2 манипуляторында жүргізілді.

1. Neural Control for Image Stabilisation Using a Reference Model / G. Balbayev et al // International Journal of Mechanical Engineering and Robotics Research. ‒ 2021. ‒ vol. 10, № 1. ‒ P. 17-21.

2. Recent Advances of Generative Adversarial Networks in Computer Visionin / Yang-Jie Cao et al // IEEE Access. ‒ 2019. ‒ vol. № 7. ‒ P. 14985-15006.

3. Рахметова П.М. Исследование системы управления движением манипулятора с помощью компьютерного зрения / П.М. Рахметова, Ж.Н. Исабеков, А.Ю. Бектилевов // Вестник КазАТК. ‒ 2023. ‒ № 6(129). ‒ С. 319-326.

4. Колтыгин Д.С. Аналитический и численный методы решения обратной задачи кинематики для робота Delta / Д.С. Колтыгин, И.А. Седельников, Н.В. Петухов // Вестн. Иркутского гос.технического ун-та. ‒ 2017. ‒ Т. 21, № 5(124). ‒ С. 87-95.

5. SoCodeCNN: Program Source Code for Visual CNN Classification Using Computer Vision Methodology / S. Dey et al // IEEE Access. ‒ 2019. ‒ vol. № 7. ‒ P. 157158-157172.

6. Deep Learning Approaches Based on Transformer Architectures for Image Captioning Tasks / R. Castro et al // IEEE Access. ‒ 2022. ‒ vol. № 10. ‒ P. 33679-33694.

7. Колтыгин Д.С. Метод и программа решения прямой и обратной задачи кинематики для управления роботом-манипулятором / Д.С. Колтыгин, И.А. Седельников // Системы. Методы. Технологии. ‒ 2020. ‒ № 4(48). ‒ С. 65-74.

8. Ang K.H. PID control system analysis, design, and technology. / K.H. Ang, G. Chong, Y. Li. // IEEE Transactions on Control Systems Technology. ‒ 2005. ‒ vol. № 13(4). ‒ P. 559-576.

9. Al-Khayyt S.Z.S. Tuning PID Controller by Neural Network for Robot Manipulator Trajectory Tracking / S.Z.S. Al-Khayyt // Al-Khwarizmi Engineering Journal. ‒ 2013. ‒ № 8(1). ‒ P. 19-28.

10. Подход к автоматическому прогнозированию состояния промышленных манипуляторов с применением методов машинного обучения / А.С. Гончаров и др. // Доклады ТУСУР. ‒ 2021. Т. 24, № 1. ‒ С. 48-54.

11. Deep Reinforcement Learning for the Control of Robotic Manipulation: A Focussed Mini-Review / R. Liu et al // Robotics. ‒ 2021. ‒ Vol. № 10(1). ‒ P. 22-34.

12. Серебряков М.Ю. Глубокое обучение с подкреплением в управлении манипуляционными роботами / М.Ю. Серебряков, С.В. Колесова, А.А. Зинченко // Известия ТулГУ. Технические науки. ‒ 2022. ‒ № 9. ‒ С. 265-268.