Аннотация результатов, полученных в 2024 году
1. В рамках выполнения работ была организована командировка на ООО «Завод роботов» в цех сборки и тестирования робототехнических комплексов на базе промышленных роботов-манипуляторов для проведения исследований и снятия рабочих статических и динамических характеристик. Была проведена поверка и настройка контрольно-измерительных приборов, а также предоставлен доступ к оборудованию робототехнического комплекса. Полевые испытания проводились частотными методами анализа и синтеза (ЛЧХ), которые являются комплексными, интегральными оценками и учитывают реальные взаимосвязи в системе. На основе обработки результатов экспериментальных исследований на оборудовании получен комплекс регрессионных моделей. Получены регрессионные модели коэффициентом сходимости 0,97, которые показали: что ЛАЧХ контура регулирования тока имеет полосу равномерного пропускания 3000 рад/с, без учета контуров скорости и положения. Анализ показал, что в диапазоне частот и 40 – 150 рад/с система работает стабильно, что характеризуется линейным характером изменения амплитуды сигнала от частоты сигнала при постоянстве фазового сдвига равного 90 градусов. При частотах меньших 40 рад/с эта характеристика отклоняется от характеристики, соответствующей идеальному интегрирующему звену, что объясняется наличием потерь в системе. Снижение же фазовой характеристики в диапазоне частот выше 150 рад/с вызвано тем, что здесь начинают проявляться свойства инерционных звеньев. 2. Был проведен синтез обобщенной математической модели преобразователя частоты, включающая выпрямитель, на базе тиристорного коммутатора, и ШИМ-инвертор напряжения, с отрицательной обратной связью по току, и электродвигателя, рассчитанного методом конечных элементов. В качестве алгоритма работы инвертора была выбрана система векторного управления с регулированием по положению, обеспечивающая наиболее высокое качество регулирования. Однако, расчет такой системы требует больших ресурсов от вычислительной машины и занимает большое количество времени, поэтому система векторного управления заменена на метод коррекции статических характеристик, который является частным случаем комбинации метода прямого управления моментом и векторного управления. Опробованный алгоритм дает не менее качественные характеристики при расчете при простой структуре схемы.Была проведена оптимизация системы управления для математической модели управления электромеханическими узлами робототехнического комплекса, составляющая одну из главных структурных единиц робототехнической системы. Комплекс исследований позволил установить, что при увеличенном зазоре в редукторе точность слежения обеспечивается только в модальной адаптивной системе, по сравнению с системой с ПИД-регулированием. За счет введения метода коррекции статических характеристик удалось снизить время расчет системы на 18% в сравнении с векторной системой управления, что позволяет в дальнейшем проводить исследования с разными комбинациями параметрами динамических возмущений системы. Согласно сопоставлению и получения данных в задаче перемещения осей по заданной траектории движения существенно больших расхождений между фактической траекторией и ожидаемой траекторией движения не наблюдается. Значения отклонения рассчитанной траектории от фактической для каждой из осей составляют: J1=-11,4 мм; J2=3,25 мм; J3=5,83 мм; J4=-2,12 мм; J5=-1,12 мм; J6=0,974. 3. В рамках проекта решалась задача по инициализации динамических изменений в рабочей сцене, то есть определении объекты в рабочей зоне и прогнозирования дальнейшего сценария, на основании чего принимается решение о построение траектории движения в системе управления робототехнического комплекса. Были получены показатели работы системы технического зрения, по результатам которых выбрана наиболее оптимальная модель машинного обучения. Исходя из сложной динамической сцены на рабочей площадке, включающая в себя резкие изменения света, появление объектов, не относящихся к технологическому процессу, а также неявно выраженный фон рабочей зоны, благодаря только методам глубокого обучения удалось получить желаемый результат по оценки ситуации вокруг робототехнического комплекса. Так, благодаря сверточной нейронной сети удается распознать и классифицировать объект с вероятностью более 90%. При рассмотрении классических методов машинного обучения для поиска объектов оценивалась работы таких алгоритмов как «наивный» байесовский классификатор (Naive Bayes), дерево решений (Decision Trees) и классификатор k ближайших соседей (K-Nearest Neighbor). Эти классификаторы использовались для сегментации объектов на изображении, обнаружения объектов, определения их координат и измерения расстояния до них при анализе заданной последовательности кадров из видеоряда. Результаты, полученные в ходе исследования, показывают, что для решения подобной задачи недостаточно использовать наиболее простые алгоритмы машинного обучения. Так, согласно исследованию, при использовании «наивного» Байесовского классификатора, средняя квадратичная ошибка обнаружения изменений в рабочей сцене и классификация объектов составляет 17,49%, а при применении классификатора K-NN и дерева решений 19,34% и 15,69% соответственно. Оценка проводилась при попадании объектов в сцену в пределах 1-го метра.

Аннотация результатов, полученных в 2025 году
Проведён углубленный обзор отечественных и зарубежных исследований по эксплуатации промышленных роботов и электроприводов в условиях высоких нагрузок, вибраций, загрязнений, температурных перепадов и вариаций свойств обрабатываемых объектов. На основе этого обзора сформирована классификация «нормальных» и «тяжелых» режимов работы, определены типичные сценарии появления возмущающих воздействий и диапазоны изменчивости эксплуатационных параметров. Параллельно на реальных робототехнических комплексах и стендах с синхронными электроприводами был организован сбор стохастических данных: временных диаграмм токов, моментов, скоростей и траекторий движения при различной номенклатуре операций, массе заготовок и конфигурации рабочего пространства. Это позволило получить эмпирическую базу для последующего построения регрессионных моделей и проверки теоретических построений. На основе экспериментальных данных и классических уравнений электромеханического преобразования энергии разработана и детально исследована математическая модель синхронного двигателя как объекта управления в контуре момента. В модели учтены особенности подчинённой структуры управления током и моментом, влияние преобразователя и измерительных устройств. Получены аналитические передаточные функции контуров тока и момента, проведён частотный анализ с построением логарифмических амплитудно- и фазо-частотных характеристик для различных режимов работы, включая малые скорости и моментное торможение. Показано, что в ряде режимов система проявляет нелинейно-динамическое поведение и чувствительность к возмущениям, что задаёт границы применимости линейных регуляторов и количественно обосновывает необходимость адаптивных и интеллектуальных алгоритмов. Сопоставление расчётных характеристик с измеренными на стенде подтвердило адекватность модели и позволило сформировать регрессионные зависимости, связывающие параметры настройки регуляторов с пиковыми нагрузками и качеством переходных процессов. Построена математическая модель четырёхзвенного робота-манипулятора типа SCARA и реализован новый вариант вероятностного алгоритма планирования траектории AGHP-RRT. В предложенном алгоритме классическое дерево поиска RRT дополнено эвристическим «гравитационным» наведением, ориентирующим рост дерева в сторону цели и наиболее перспективных областей конфигурационного пространства, а также адаптивным смещением вероятности выбора точки вблизи целевой конфигурации по мере сближения с ней. Для ускорения вычислений и уменьшения избыточных ветвлений реализована пространственная сеточная индексация конфигурационного пространства. В серии вычислительных экспериментов в трёхмерной среде с препятствиями показано, что AGHP-RRT обеспечивает уменьшение средней длины траектории, числа узлов в дереве и времени планирования по сравнению с базовыми алгоритмами RRT и RRT-Connect. Важным результатом является более высокая гладкость получаемых траекторий, что напрямую приводит к снижению динамических нагрузок на приводы и росту точности позиционирования при выполнении технологических операций в тяжелых условиях. Разработана многовидовая панорамная система зрения, объединяющая несколько всенаправленных (fisheye) камер и источник структурированного света в виде лазерной плоскости. Предложена математическая модель проекции лазерной линии на изображения fisheye-камер с использованием полиномиальной зависимости между радиальной координатой и углом обзора и аналитическими формулами для перехода от пиксельных координат к трёхмерным координатам точек. Далее реализована процедура привязки этих координат к единой мировой системе отсчёта робота с учётом произвольного расположения камер и лазера. В виртуальной среде и на физическом стенде показано, что разработанный метод обеспечивает миллиметровый уровень точности измерения расстояний до объектов сцены при достаточно свободной геометрии установки камер. Это даёт возможность строить устойчивые к смещению и вибрациям системы обзора для робототехнических комплексов, работающих в стеснённых и труднодоступных зонах. Предложен метод OcamCalibDeep, основанный на предварительной обработке изображений с использованием суперразрешения. Изображения, полученные от fisheye-камер, увеличиваются с помощью бикубической интерполяции, после чего проходят через сверточную нейронную сеть SRCNN, восстанавливающую высокочастотные детали (границы калибровочных мишеней, мелкие элементы структуры сцены). Калибровка затем выполняется стандартными средствами пакета OcamCalib. Экспериментально показано, что комбинированное применение интерполяции и SRCNN приводит к снижению средней ошибки репроекции и погрешности реконструкции расстояний по сравнению с традиционным подходом без суперразрешения, особенно в условиях низкого исходного разрешения, шумов и неидеальной освещенности, типичных для тяжелых производственных условий. Тем самым продемонстрировано, что методы глубокого обучения позволяют компенсировать ограничения доступной оптики и датчиков, расширяя область применимости недорогих панорамных камер без ущерба для метрологической точности. Полученные модели привода, алгоритм планирования траекторий и методы технического зрения интегрированы в обобщённую архитектуру интеллектуальной системы управления робототехническим комплексом. На основе классических уравнений электромеханического преобразования и структур подчинённого регулирования сформирована многоуровневая схема, в которой нижний уровень реализует проверенные контуры тока и момента, средний уровень отвечает за генерацию динамически допустимых траекторий с использованием AGHP-RRT, а верхний уровень включает подсистему технического зрения и нейросетевые модули, адаптирующие параметры планировщика и регуляторов под изменяющиеся условия эксплуатации и характеристики обрабатываемых объектов. В отчетный период эта архитектура реализована в виде совокупности моделей и программных модулей в средах Matlab/Simulink и Unity, проведены серии вычислительных экспериментов с введением стохастических возмущений по нагрузке, конфигурации препятствий и параметрам измерительных каналов. Показано, что использование информации от многовидовой системы зрения и регрессионных моделей нагрузок в контуре управления позволяет уменьшить среднюю ошибку позиционирования, снизить число близких подходов к препятствиям и уменьшить динамические перегрузки по сравнению с традиционными системами, не обладающими возможностями адаптации.