20. Практическая работа «Программирование адаптивного поведения робота»

🎬 Открыть презентацию

Модуль: Интеллектуальные системы управления в робототехнике

Тема урока: 20. Практическая работа «Программирование адаптивного поведения робота»

Цель урока: Сформировать практические навыки разработки и программирования алгоритмов, позволяющих роботу адаптировать своё поведение к изменяющимся условиям окружающей среды.

Планируемые результаты:

Предметные:

• Знать принципы организации адаптивного поведения робота
• Понимать методы обработки данных от датчиков для принятия решений
• Уметь программировать алгоритмы, обеспечивающие адаптацию робота к условиям среды
• Владеть навыками тестирования и оптимизации адаптивных алгоритмов

Метапредметные:

• Регулятивные УУД: умение планировать алгоритм адаптивного поведения, анализировать результаты, корректировать параметры
• Познавательные УУД: развитие системного мышления, моделирование процессов адаптации по аналогии с живой природой
• Коммуникативные УУД: умение работать в команде над сложным алгоритмом, распределять роли, обсуждать проблемы и решения

Личностные:

• Формирование инженерного мышления и исследовательского подхода
• Развитие интереса к биоподобным системам и искусственному интеллекту
• Воспитание настойчивости при решении сложных задач

Задачи урока:

1. Актуализировать знания об интеллектуальных алгоритмах в робототехнике
2. Познакомить с принципами адаптивного поведения в природе и робототехнике
3. Научить разрабатывать алгоритмы адаптации к изменяющимся условиям
4. Организовать практическую работу по программированию и тестированию адаптивного поведения робота
5. Развить навыки анализа данных для корректировки поведения робота

Тип урока: Практическая работа

Учебно-методическое и материально-техническое обеспечение:

• Робототехнические наборы с контроллерами и моторами (по количеству групп)
• Набор датчиков (касания, света/цвета, ультразвуковые, гироскопы)
• Компьютеры с установленной средой программирования для роботов
• Тестовые полигоны с различными типами поверхностей или препятствий
• Инструкционные карты по разработке адаптивных алгоритмов
• Примеры программного кода для адаптивного управления
• Секундомеры для измерения времени выполнения задачи
• Таблицы для сбора и анализа данных эксперимента

Образовательные технологии: Проектная деятельность, проблемное обучение, работа в малых группах, эксперимент, моделирование

Межпредметные связи:

• Математика: реализация статистических методов обработки данных от датчиков, усреднение величин, фильтрация шумов
• Биология: моделирование адаптивного поведения по аналогии с живыми организмами, биомиметика, эволюционный подход
• Информатика: алгоритмы с обратной связью, обработка массивов данных, оптимизация
• Физика: механика движения, трение на различных поверхностях, сенсорные системы

Задача: Разработать робота, который адаптирует скорость и мощность моторов к различным типам поверхностей для поддержания стабильного движения. Необходимое оборудование:

• Датчик света/цвета (для определения типа поверхности)
• Гироскоп или акселерометр (для измерения отклонений от прямолинейного движения)
• Энкодеры моторов (для измерения фактической скорости) Механизм адаптации:

1. Робот собирает данные о соотношении между заданной мощностью моторов и фактической скоростью на разных поверхностях
2. На основе этих данных робот корректирует мощность моторов для поддержания заданной скорости
3. При переходе на новую поверхность робот определяет её тип и применяет оптимальные настройки

Задача: Создать робота, который адаптирует свою стратегию к различным типам препятствий. Необходимое оборудование:

• Ультразвуковой датчик расстояния
• Датчики касания
• Гироскоп Механизм адаптации:

1. Робот собирает данные о препятствиях (размер, форма, расстояние)
2. На основе этих данных выбирает оптимальную стратегию (объезд, преодоление, отступление)
3. Анализирует успешность выбранной стратегии и корректирует её для похожих препятствий в будущем

Задача: Разработать робота-сортировщика, который адаптирует свои алгоритмы распознавания цветов к различным условиям освещения. Необходимое оборудование:

• Датчик цвета
• Датчик освещенности Механизм адаптации:

1. Робот калибрует датчик цвета при разных условиях освещения
2. Создает таблицу соответствия показаний датчика реальным цветам при разном освещении
3. При изменении освещенности автоматически корректирует пороговые значения для распознавания

Задача: Создать робота, который оптимизирует своё энергопотребление в зависимости от выполняемой задачи и условий среды. Необходимое оборудование:

• Датчик тока/напряжения
• Различные сенсоры для определения условий среды Механизм адаптации:

1. Робот измеряет энергопотребление при разных режимах работы
2. Анализирует эффективность выполнения задачи при разных уровнях мощности
3. Автоматически выбирает оптимальный режим работы, балансирующий между энергопотреблением и эффективностью

// Алгоритм адаптации скорости робота к типу поверхности

// Глобальные переменные
float targetSpeed = 30;           // Целевая скорость (см/с)
float currentPower = 50;          // Текущая мощность моторов (%)
float surfaceCoefficient = 1.0;   // Коэффициент поверхности
int sampleSize = 5;               // Размер выборки для усреднения
float samples[5];                 // Массив для хранения измерений
int sampleIndex = 0;              // Индекс текущего измерения

// Основной цикл
task main() {
    // Инициализация
    initMotors();
    initSensors();
    
    while(true) {
        // Движение с текущей мощностью
        setMotorPower(currentPower);
        
        // Измерение фактической скорости
        float actualSpeed = measureActualSpeed();
        
        // Добавление измерения в массив
        samples[sampleIndex] = actualSpeed;
        sampleIndex = (sampleIndex + 1) % sampleSize;
        
        // Расчет среднего значения скорости
        float averageSpeed = calculateAverage();
        
        // Определение типа поверхности по соотношению мощности и скорости
        surfaceCoefficient = identifySurface(averageSpeed, currentPower);
        
        // Корректировка мощности для достижения целевой скорости
        currentPower = adjustPower(targetSpeed, surfaceCoefficient);
        
        // Вывод информации на экран
        displayData(averageSpeed, currentPower, surfaceCoefficient);
        
        // Пауза перед следующим измерением
        sleep(100);
    }
}

// Функция расчета среднего значения
float calculateAverage() {
    float sum = 0;
    for(int i = 0; i < sampleSize; i++) {
        sum += samples[i];
    }
    return sum / sampleSize;
}

// Функция определения типа поверхности
float identifySurface(float speed, float power) {
    // Расчет коэффициента поверхности
    float coefficient = speed / power;
    
    // Фильтрация выбросов
    if(coefficient > 1.5 || coefficient < 0.2) {
        return surfaceCoefficient; // Возвращаем предыдущее значение
    }
    
    // Обновление коэффициента с небольшим весом для сглаживания
    return surfaceCoefficient * 0.8 + coefficient * 0.2;
}

// Функция корректировки мощности
float adjustPower(float target, float coefficient) {
    // Расчет необходимой мощности на основе целевой скорости и коэффициента поверхности
    float requiredPower = target / coefficient;
    
    // Ограничение значений мощности
    if(requiredPower > 100) requiredPower = 100;
    if(requiredPower < 20) requiredPower = 20;
    
    return requiredPower;
}

1. Скользящее среднее

   // Функция расчета скользящего среднего
   float movingAverage(float newValue) {
       static float values[WINDOW_SIZE];
       static int index = 0;
       static float sum = 0;
   
       // Вычитаем старое значение и добавляем новое
       sum = sum - values[index] + newValue;
       values[index] = newValue;
       index = (index + 1) % WINDOW_SIZE;
   
       return sum / WINDOW_SIZE;
   }
   

2. Фильтрация выбросов

   // Функция фильтрации выбросов (медианный фильтр)
   float medianFilter(float newValue) {
       static float values[FILTER_SIZE];
       static float sortedValues[FILTER_SIZE];
       static int index = 0;
   
       // Добавляем новое значение в массив
       values[index] = newValue;
       index = (index + 1) % FILTER_SIZE;
   
       // Копируем значения для сортировки
       for(int i = 0; i < FILTER_SIZE; i++) {
           sortedValues[i] = values[i];
       }
   
       // Простая сортировка (для небольших массивов)
       for(int i = 0; i < FILTER_SIZE-1; i++) {
           for(int j = 0; j < FILTER_SIZE-i-1; j++) {
               if(sortedValues[j] > sortedValues[j+1]) {
                   float temp = sortedValues[j];
                   sortedValues[j] = sortedValues[j+1];
                   sortedValues[j+1] = temp;
               }
           }
       }
   
       // Возвращаем медианное значение
       return sortedValues[FILTER_SIZE / 2];
   }
   

3. Экспоненциальное сглаживание

   // Функция экспоненциального сглаживания
   float exponentialSmoothing(float newValue) {
       static float smoothedValue = 0;
       static bool firstRun = true;
   
       // Инициализация при первом запуске
       if(firstRun) {
           smoothedValue = newValue;
           firstRun = false;
           return smoothedValue;
       }
   
       // Экспоненциальное сглаживание
       float alpha = 0.2; // Коэффициент сглаживания (0-1)
       smoothedValue = alpha * newValue + (1 - alpha) * smoothedValue;
   
       return smoothedValue;
   }
   

Таблица результатов адаптации робота к различным поверхностям

Группа: _________   Тип робота: __________

|--------------|-----------|-----------|-----------|--------------|--------------|
| Поверхность  | Начальная | Начальная | Конечная  | Время        | Успешность   |
|              | мощность  | скорость  | мощность  | адаптации    | адаптации    |
|--------------|-----------|-----------|-----------|--------------|--------------|
| Гладкая      |           |           |           |              |              |
| поверхность  |           |           |           |              |              |
|--------------|-----------|-----------|-----------|--------------|--------------|
| Ковровое     |           |           |           |              |              |
| покрытие     |           |           |           |              |              |
|--------------|-----------|-----------|-----------|--------------|--------------|
| Наклонная    |           |           |           |              |              |
| поверхность  |           |           |           |              |              |
|--------------|-----------|-----------|-----------|--------------|--------------|
| Неровная     |           |           |           |              |              |
| поверхность  |           |           |           |              |              |
|--------------|-----------|-----------|-----------|--------------|--------------|

Выводы о факторах, влияющих на адаптацию:
________________________________________________________________________
________________________________________________________________________

Предложения по улучшению алгоритма:
________________________________________________________________________
________________________________________________________________________

Конструкция робота (0-3 балла):

• Функциональность конструкции (0-1)
• Правильный выбор и размещение датчиков (0-1)
• Устойчивость и надежность (0-1)

Алгоритм адаптации (0-7 баллов):

• Корректность базового алгоритма (0-2)
• Реализация механизма адаптации (0-2)
• Эффективность статистической обработки данных (0-2)
• Наличие защиты от ошибочных измерений (0-1)

Результаты адаптации (0-6 баллов):

• Успешность адаптации к различным условиям (0-2)
• Скорость адаптации (0-1)
• Стабильность работы после адаптации (0-2)
• Сбор и анализ данных (0-1)

Демонстрация и защита (0-4 балла):

• Качество демонстрации адаптивного поведения (0-1)
• Понимание принципов адаптации (0-1)
• Объяснение результатов и выводы (0-1)
• Предложения по улучшению (0-1)

Максимальный балл: 20 Шкала перевода в оценку:

• 18-20 баллов - “5”
• 14-17 баллов - “4”
• 10-13 баллов - “3”
• менее 10 баллов - “2”

Фамилия, имя: _________________________
Группа: _______

Результат:
Чего удалось достичь в ходе практической работы?
_________________________________________________
_________________________________________________

Особенности:
Какие особенности адаптивного поведения вашему роботу удалось реализовать?
_________________________________________________
_________________________________________________

Применение:
Где еще можно применить разработанный вами алгоритм адаптации?
_________________________________________________
_________________________________________________

Чему новому вы научились на этом уроке? _______________________
_________________________________________________

Оцените свой вклад в работу группы (от 1 до 5): _______________