Базова структура системи нейронечіткого управління групою мобільних робототехнічних платформ

dc.citation.epage85
dc.citation.issue1
dc.citation.journalTitleУкраїнський журнал інформаційних технологій
dc.citation.spage77
dc.citation.volume5
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationНаціональна академія сухопутних військ ім. гетьмана Петра Сагайдачного
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.affiliationHetman Petro Sahaidachnyi National Army Academy
dc.contributor.authorЦмоць, І. Г.
dc.contributor.authorОпотяк, Ю. В.
dc.contributor.authorШтогрінець, Б. В.
dc.contributor.authorДзюба, А. О.
dc.contributor.authorОлійник, Ю. Ю.
dc.contributor.authorTsmots, I. G.
dc.contributor.authorOpotyak, Yu. V.
dc.contributor.authorShtohrinets, B. V.
dc.contributor.authorDzyuba, A. O.
dc.contributor.authorOliynyk, Yu. Yu.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2024-04-01T07:54:35Z
dc.date.available2024-04-01T07:54:35Z
dc.date.created2023-02-28
dc.date.issued2023-02-28
dc.description.abstractПоказано, що для групового управління мобільними робототехнічними платформами (МРП) можуть використовуватися такі підходи: централізований (зосереджений), децентралізований (розподілений) та гібридний. Визначено, що актуальним завданням є розроблення системи нейронечіткого управління групою МРП, яка повинна виконувати: розподіл завдань між МРП, визначення маршрутів руху МРП, спільне планування робіт та їх синхронізацію. Сформульовано вимоги до системи нейронечіткого управління групою МРП, основними з яких є: ефективне управління групою МРП; мінімізація часу на виконання завдань; гнучкість та адаптивність до змінних умов роботи; надійна та стійка робота при реалізації різних сценаріїв; розширення функцій та масштабування відносно кількості МРП; точність та надійність управління рухом кожної МРП; реагування на зміни умов роботи; безперебійна робота групи МРП; ефективне використання ресурсів МРП; зменшення габаритів, ваги та енергоспоживання; управління у реальному часі; збирання даних про навколишнє середовище та стан МРП; бездротовий зв’язок між МРП; розроблення програмних засобів, з урахуванням розподіленої архітектури; реалізація інтерфейсу програмування з можливістю розроблення додаткового програмного забезпечення та інтеграції з іншими системами; збереження даних про стан всіх МРП для подальшого аналізу та вдосконалення управління групою МРП. Визначено такі основні етапи розроблення системи нейронечіткого управління групою МРП: формулювання задачі; аналіз вимог до системи; проектування апаратних засобів; розроблення алгоритму нейронечіткого управління; розроблення ПЗ; тестування та налаштування; впровадження та експлуатація. Запропоновано розроблення системи нейронечіткого управління групою МРП виконувати на базі інтегрованого підходу, який охоплює: методи нейронечіткого управління групою МРП, штучні нейронні мережі та нечітку логіку; методи навігації, методи попереднього опрацювання та розпізнавання зображень; методи інтелектуального опрацювання та оцінювання даних із давачів в умовах дії завад і неповноти інформації; сучасні методи та алгоритми інтелектуального управління рухом МРП; сучасну елементну базу (мікроконтролери, системи на кристалі, ПЛІС тощо); методи та засоби автоматизованого проектування апаратних і програмних засобів МРП. Запропоновано реалізацію системи нейронечіткого управління групою МРП виконувати на підставі проблемно-орієнтованого підходу, який передбачає поєднання програмного (універсального) і апаратного (спеціалізованого) забезпечення, який забезпечує високу ефективність використання обладнання. Вдосконалено метод часового розподілу ресурсів запам’ятовуючого середовища багатопортової пам’яті, який за рахунок врахування швидкодії запам’ятовуючого середовища та зовнішніх пристроїв забезпечує збільшення кількості пристроїв із безконфліктним доступом до запам’ятовуючого середовища.
dc.description.abstractIt is shown that the following approaches can be used for group management of mobile robotic platforms (MRP): centralized (concentrated), decentralized (distributed) and hybrid. It was determined that an urgent task is the development of a neurofuzzy management system for the MRP group, which must perform the distribution of tasks between the MRPs, the determination of MRP movement routes, joint planning of works and their synchronization. The requirements for the system of neurofuzzy management of the MRP group are formulated, the main of which are the provision of: effective management of the MRP group; minimization of time for tasks; flexibility and adaptability to changing working conditions; reliable and stable operation when implementing various scenarios; expansion of functions and scaling relative to the number of MRPs; accuracy and reliability of traffic management of each MRP; response to changes in working conditions; uninterrupted work of the MRP group; effective use of MRP resources; reduction of dimensions, weight and energy consumption; management in real time; collecting data on the environment and the state of the MRP; wireless communication between MRP; development of software tools taking into account the distributed architecture; implementation of a programming interface with the possibility of developing additional software and integration with other systems; saving data on the status of all MRPs for further analysis and improving the management of the MRP group. The following main stages of the development of the neurofuzzy control system by the MRP group were identified: problem formulation; analysis of system requirements; hardware design; development of a neurofuzzy control algorithm; software development; testing and tuning; implementation and operation. It is suggested that the development of the system of neurofuzzy control of the MRP group be carried out on the basis of an integrated approach, which includes: methods of neurofuzzy control of the MRP group, artificial neural networks and fuzzy logic; navigation methods, methods of pre-processing and image recognition; methods of intellectual processing and evaluation of data from sensors in conditions of interference and incomplete information; modern methods and algorithms of intelligent traffic control of MRP; modern element base (microcontrollers, systems-on-chip, FPGA, etc.); methods and means of automated design of hardware and software of MRP. It is proposed to implement the neurofuzzy control system by the MRP group on the basis of a problem-oriented approach, which involves a combination of universal software and specialized hardware, which ensures high efficiency of equipment use. The method of time allocation of resources of the storage medium of multiport memory has been improved, which, due to the consideration of the speed of the storage medium and external devices, ensures an increase in the number of devices with conflict-free access to the storage medium.
dc.format.extent77-85
dc.format.pages9
dc.identifier.citationБазова структура системи нейронечіткого управління групою мобільних робототехнічних платформ / І. Г. Цмоць, Ю. В. Опотяк, Б. В. Штогрінець, А. О. Дзюба, Ю. Ю. Олійник // Український журнал інформаційних технологій. — Львів : Видавництво Львівської політехніки, 2023. — Том 5. — № 1. — С. 77–85.
dc.identifier.citationenBasic structure of the neurofuzzy control system for a group of mobile robotic platforms / I. G. Tsmots, Yu. V. Opotyak, B. V. Shtohrinets, A. O. Dzyuba, Yu. Yu. Oliynyk // Ukrainian Journal of Information Technology. — Lviv : Lviv Politechnic Publishing House, 2023. — Vol 5. — No 1. — P. 77–85.
dc.identifier.doidoi.org/10.23939/ujit2023.01.077
dc.identifier.issn2707-1898
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/61571
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofУкраїнський журнал інформаційних технологій, 1 (5), 2023
dc.relation.ispartofUkrainian Journal of Information Technology, 1 (5), 2023
dc.relation.references[1] Pentagon Unmanned Systems Integrated Roadmap 2017–2042. https://news.usni.org/2018/08/30/pentagon-unmanned-systems-integrated-roadmap-2017-2042
dc.relation.references[2] Monda, S., Pratihar, D. K. (2016). Fuzzy logic-based group formation control of multiple wheeled robots. International Conference on Microelectronics, Computing and Communications (MicroCom), Durgapur, 1–7. https://doi.org/10.1109/MicroCom.2016.7522556
dc.relation.references[3] Melingui, A., Merzouki R., Mbede, J. B. (2014). Neuro-fuzzy controller for autonomous navigation of mobile robots. IEEE Conference on Control Applications (CCA), Juan Les Antibes, France, 1052–1057. https://doi.org/10.1109/CCA.2014.6981474.
dc.relation.references[4] Boudjelal, Meftah, Hamza, Teggar. Navigation in multi-robot systems based on the behavioural fuzzy controller. New Trends in Mathematical Sciences 9 Proceeding, 1, 124–129. https://doi.org/10.20852/ntmsci.2021.439
dc.relation.references[5] Shi, Y., Song, J., Hua, Y., Dong, J., Ren, Z. (2022). Leader-Follower Formation Control for Fixed-Wing UAVs using Deep Reinforcement Learning. 41st Chinese Control Conference (CCC), Hefei, China, 3456–3461. https://doi.org/10.23919/CCC55666.2022.9901799
dc.relation.references[6] Hoy, M., Matveev, A. S., Savkin A. V. (2015). Algorithms for collision free navigation of mobile robots in complex cluttered environments: a survey Robotica, 33, 03, 463–497. https://doi.org/10.1017/S0263574714000289
dc.relation.references[7] Yang, L., Qi, J., Song, D., Xiao, J., Han, J., Xia, Y. (2016). Survey of robot 3D path planning algorithms. J Control Sci Eng, 5. https://doi.org/10.1155/2016/7426913
dc.relation.references[8] Glavaski, D., Mario, V., Bonkovic, M. (2009). Robot motion planning using exact cell decomposition and potential field methods. Proceedings of the 9th WSEAS international conference on Simulation, modelling and optimization, World Scientific and Engineering Academy and Society (WSEAS), September, 126–131.
dc.relation.references[9] Zhuo, Y., Guo, C. (2013). Underactuated ship way-points track control using repetitive learning neurofuzzy. 25th Chinese Control and Decision Conference (CCDC), Guiyang, China, 248–252. https://doi.org/10.1109/CCDC.2013.6560929
dc.relation.references[10] Nyarko, E. K., Peric, N., Petrovic, I. (2005). Experimental investigations of a direct adaptive neurofuzzy controller. Proceedings of 2005 IEEE Conference on Control Applications, CCA, Toronto, ON, Canada, 1051–1056. https://doi.org/10.1109/CCA.2005.1507269
dc.relation.references[11] Wen-Ran Z. (1997). Neurofuzzy agents and neurofuzzy laws for autonomous machine learning and control. Proceedings of International Conference on Neural Networks (ICNN'97), Houston, TX, USA, 3, 1732–1737. https://doi.org/10.1109/ICNN.1997.614157
dc.relation.references[12] Yusof, Y., Mansor, H. M. A. H., Ahmad, A. (2016). Formulation of a lightweight hybrid ai algorithm towards self-learning autonomous systems. Proc. of the 2016 IEEE Confer. on Systems, Process and Control (IC-SPC), Melaka, Malaysia, 16‑18 December, 142–147. https://doi.org/10.1109/SPC.2016.7920719
dc.relation.references[13] Alves, R. M. F., Lopes, C. R. (2016). Obstacle avoidance for mobile robots: A hybrid intelligent system based on fuzzy logic and artificial neural network. Proc. of the 2016 IEEE Intern. Conf. on Fuzzy Systems (FUZZ-IEEE), Vancouver, BC, Canada, 24–29 July, 1038–1043. https://doi.org/10.1109/FUZZ-IEEE.2016.7737802
dc.relation.references[14] Medina-Santiago, A., Morales-Rosales, L. A., Hernández-Gracidas, C. A., Algredo-Badillo, I., Pano-Azucena, A. D., Orozco Torres, J. A. (2021). Reactive Obstacle – Avoidance Systems for Wheeled Mobile Robots Based on Artificial Intelligence. Applied Sciences, 11(14), 64–68. https://doi.org/10.3390/app11146468
dc.relation.references[15] Chen, C. L. P., Yu, D., Liu, L. (2019). Automatic leader-follower persistent formation control for autonomous surface vehicles. IEEE Access, 7, 12146–12155. https://doi.org/10.1109/ACCESS.2018.2886202
dc.relation.references[16] Wildani, F., Mardiati, R., Mulyana, E., Setiawan, A. E., Nurmalasari, R. R., Sartika, N. (2022). Fuzzy Logic Control for Semi-Autonomous Navigation Robot Using Integrated Remote Control. 8th International Conference on Wireless and Telematics (ICWT), Yogyakarta, Indonesia, 1–5. https://doi.org/10.1109/ICWT55831.2022.9935458
dc.relation.references[17] Oultiligh, A., Ayad, H., Pozna, C., Mogan, C., Eіbouzekraoui M., Elkari, B. (2020). Obstacle Avoidance using Fuzzy Controller for Unicycle Robot. International Conference on Control, Automation and Diagnosis (ICCAD), Paris, France, 1–6. https://doi.org/10.1109/ICCAD49821.2020.9260553
dc.relation.references[18] Sahloul, S., Benhalima, D., Rekik, C. (2019). Comparative study of hybrid fuzzy logic methods for mobile robot navigation in unknown environments. 19th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), Sousse, Tunisia, 170–175. https://doi.org/10.1109/STA.2019.8717260
dc.relation.references[19] Najmurrokhman, A., Kusnandar, U., Sunubroto, K., Sadiyoko, A., Iskanto, T. Y. (2019). Mamdani based Fuzzy Logic Controller for A Wheeled Mobile Robot with Obstacle Avoidance Capability. International Conference on Mechatronics, Robotics and Systems Engineering (MoRSE), Bali, Indonesia, 49–53. https://doi.org/10.1109/MoRSE48060.2019.8998720
dc.relation.references[20] Wang, S., Xu, G., Liu, T. Zhu, Y. (2021). Robust Real-time Obstacle Avoidance of Wheeled Mobile Robot based on Multi-Sensor Data Fusion. IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 2383–2387. https://doi.org/10.1109/IAEAC50856.2021.9391021
dc.relation.references[21] Aniculaesei, A., Grieser, J., Rausch, A., Rehfeldt, K. and Warnecke, T. (2018) Toward a Holistic Software Systems Engineering Approach for Dependable Autonomous Systems IEEE/ACM 1st International Workshop on Software Engi­ne­ering for AI in Autonomous Systems (SEFAIAS), Gothenburg, Sweden, pp. 23-30. https://doi.org/10.1145/3194085.3194091
dc.relation.references[22] Купріненко, О., Мочерад, В., Загребельний, С., & Слюсаренко, О. (2022). Визначення потреби сухопутних військ у наземних роботизованих комплексах. Військово-технічний збірник, 26, 33–41. https://doi.org/10.33577/2312-4458.26.2022.33-41
dc.relation.references[23] Глєбов, В., Жадан, В., Корольов, В., Мормило, Я., Стрімовський, С., Волковой, О., Ганзера, Ю., Липовець, В., & Фолунін, С. (2022). Розроблення бойового наземного роботизованого комплексу важкого класу на базі бронетранспортера БТР-4Е. Військово-технічний збірник, 2), 3–10. https://doi.org/10.33577/2312-4458.27.2022.3-10
dc.relation.references[24] Hirano, K., Ono, T., Kurino H., Koyanagi, M. (1998). A new multiport memory for high performance parallel processor system with shared memory. Proceedings of 1998 Asia and South Pacific Design Automation Conference, Yokohama, Japan, 333–334. https://doi.org/10.1109/ASPDAC.1998.669491
dc.relation.referencesen[1] Pentagon Unmanned Systems Integrated Roadmap 2017–2042. https://news.usni.org/2018/08/30/pentagon-unmanned-systems-integrated-roadmap-2017-2042
dc.relation.referencesen[2] Monda, S., Pratihar, D. K. (2016). Fuzzy logic-based group formation control of multiple wheeled robots. International Conference on Microelectronics, Computing and Communications (MicroCom), Durgapur, 1–7. https://doi.org/10.1109/MicroCom.2016.7522556
dc.relation.referencesen[3] Melingui, A., Merzouki R., Mbede, J. B. (2014). Neuro-fuzzy controller for autonomous navigation of mobile robots. IEEE Conference on Control Applications (CCA), Juan Les Antibes, France, 1052–1057. https://doi.org/10.1109/CCA.2014.6981474.
dc.relation.referencesen[4] Boudjelal, Meftah, Hamza, Teggar. Navigation in multi-robot systems based on the behavioural fuzzy controller. New Trends in Mathematical Sciences 9 Proceeding, 1, 124–129. https://doi.org/10.20852/ntmsci.2021.439
dc.relation.referencesen[5] Shi, Y., Song, J., Hua, Y., Dong, J., Ren, Z. (2022). Leader-Follower Formation Control for Fixed-Wing UAVs using Deep Reinforcement Learning. 41st Chinese Control Conference (CCC), Hefei, China, 3456–3461. https://doi.org/10.23919/CCC55666.2022.9901799
dc.relation.referencesen[6] Hoy, M., Matveev, A. S., Savkin A. V. (2015). Algorithms for collision free navigation of mobile robots in complex cluttered environments: a survey Robotica, 33, 03, 463–497. https://doi.org/10.1017/S0263574714000289
dc.relation.referencesen[7] Yang, L., Qi, J., Song, D., Xiao, J., Han, J., Xia, Y. (2016). Survey of robot 3D path planning algorithms. J Control Sci Eng, 5. https://doi.org/10.1155/2016/7426913
dc.relation.referencesen[8] Glavaski, D., Mario, V., Bonkovic, M. (2009). Robot motion planning using exact cell decomposition and potential field methods. Proceedings of the 9th WSEAS international conference on Simulation, modelling and optimization, World Scientific and Engineering Academy and Society (WSEAS), September, 126–131.
dc.relation.referencesen[9] Zhuo, Y., Guo, C. (2013). Underactuated ship way-points track control using repetitive learning neurofuzzy. 25th Chinese Control and Decision Conference (CCDC), Guiyang, China, 248–252. https://doi.org/10.1109/CCDC.2013.6560929
dc.relation.referencesen[10] Nyarko, E. K., Peric, N., Petrovic, I. (2005). Experimental investigations of a direct adaptive neurofuzzy controller. Proceedings of 2005 IEEE Conference on Control Applications, CCA, Toronto, ON, Canada, 1051–1056. https://doi.org/10.1109/CCA.2005.1507269
dc.relation.referencesen[11] Wen-Ran Z. (1997). Neurofuzzy agents and neurofuzzy laws for autonomous machine learning and control. Proceedings of International Conference on Neural Networks (ICNN'97), Houston, TX, USA, 3, 1732–1737. https://doi.org/10.1109/ICNN.1997.614157
dc.relation.referencesen[12] Yusof, Y., Mansor, H. M. A. H., Ahmad, A. (2016). Formulation of a lightweight hybrid ai algorithm towards self-learning autonomous systems. Proc. of the 2016 IEEE Confer. on Systems, Process and Control (IC-SPC), Melaka, Malaysia, 16‑18 December, 142–147. https://doi.org/10.1109/SPC.2016.7920719
dc.relation.referencesen[13] Alves, R. M. F., Lopes, C. R. (2016). Obstacle avoidance for mobile robots: A hybrid intelligent system based on fuzzy logic and artificial neural network. Proc. of the 2016 IEEE Intern. Conf. on Fuzzy Systems (FUZZ-IEEE), Vancouver, BC, Canada, 24–29 July, 1038–1043. https://doi.org/10.1109/FUZZ-IEEE.2016.7737802
dc.relation.referencesen[14] Medina-Santiago, A., Morales-Rosales, L. A., Hernández-Gracidas, C. A., Algredo-Badillo, I., Pano-Azucena, A. D., Orozco Torres, J. A. (2021). Reactive Obstacle – Avoidance Systems for Wheeled Mobile Robots Based on Artificial Intelligence. Applied Sciences, 11(14), 64–68. https://doi.org/10.3390/app11146468
dc.relation.referencesen[15] Chen, C. L. P., Yu, D., Liu, L. (2019). Automatic leader-follower persistent formation control for autonomous surface vehicles. IEEE Access, 7, 12146–12155. https://doi.org/10.1109/ACCESS.2018.2886202
dc.relation.referencesen[16] Wildani, F., Mardiati, R., Mulyana, E., Setiawan, A. E., Nurmalasari, R. R., Sartika, N. (2022). Fuzzy Logic Control for Semi-Autonomous Navigation Robot Using Integrated Remote Control. 8th International Conference on Wireless and Telematics (ICWT), Yogyakarta, Indonesia, 1–5. https://doi.org/10.1109/ICWT55831.2022.9935458
dc.relation.referencesen[17] Oultiligh, A., Ayad, H., Pozna, C., Mogan, C., Eibouzekraoui M., Elkari, B. (2020). Obstacle Avoidance using Fuzzy Controller for Unicycle Robot. International Conference on Control, Automation and Diagnosis (ICCAD), Paris, France, 1–6. https://doi.org/10.1109/ICCAD49821.2020.9260553
dc.relation.referencesen[18] Sahloul, S., Benhalima, D., Rekik, C. (2019). Comparative study of hybrid fuzzy logic methods for mobile robot navigation in unknown environments. 19th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), Sousse, Tunisia, 170–175. https://doi.org/10.1109/STA.2019.8717260
dc.relation.referencesen[19] Najmurrokhman, A., Kusnandar, U., Sunubroto, K., Sadiyoko, A., Iskanto, T. Y. (2019). Mamdani based Fuzzy Logic Controller for A Wheeled Mobile Robot with Obstacle Avoidance Capability. International Conference on Mechatronics, Robotics and Systems Engineering (MoRSE), Bali, Indonesia, 49–53. https://doi.org/10.1109/MoRSE48060.2019.8998720
dc.relation.referencesen[20] Wang, S., Xu, G., Liu, T. Zhu, Y. (2021). Robust Real-time Obstacle Avoidance of Wheeled Mobile Robot based on Multi-Sensor Data Fusion. IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 2383–2387. https://doi.org/10.1109/IAEAC50856.2021.9391021
dc.relation.referencesen[21] Aniculaesei, A., Grieser, J., Rausch, A., Rehfeldt, K. and Warnecke, T. (2018) Toward a Holistic Software Systems Engineering Approach for Dependable Autonomous Systems IEEE/ACM 1st International Workshop on Software Engi­ne­ering for AI in Autonomous Systems (SEFAIAS), Gothenburg, Sweden, pp. 23-30. https://doi.org/10.1145/3194085.3194091
dc.relation.referencesen[22] Kuprinenko, O., Mocherad, V., Zahrebelnyi, S., & Sliusarenko, O. (2022). Vyznachennia potreby sukhoputnykh viisk u nazemnykh robotyzovanykh kompleksakh. Viiskovo-tekhnichnyi zbirnyk, 26, 33–41. https://doi.org/10.33577/2312-4458.26.2022.33-41
dc.relation.referencesen[23] Hliebov, V., Zhadan, V., Korolov, V., Mormylo, Ya., Strimovskyi, S., Volkovoi, O., Hanzera, Yu., Lypovets, V., & Folunin, S. (2022). Rozroblennia boiovoho nazemnoho robotyzovanoho kompleksu vazhkoho klasu na bazi bronetransportera BTR-4E. Viiskovo-tekhnichnyi zbirnyk, 2), 3–10. https://doi.org/10.33577/2312-4458.27.2022.3-10
dc.relation.referencesen[24] Hirano, K., Ono, T., Kurino H., Koyanagi, M. (1998). A new multiport memory for high performance parallel processor system with shared memory. Proceedings of 1998 Asia and South Pacific Design Automation Conference, Yokohama, Japan, 333–334. https://doi.org/10.1109/ASPDAC.1998.669491
dc.relation.urihttps://news.usni.org/2018/08/30/pentagon-unmanned-systems-integrated-roadmap-2017-2042
dc.relation.urihttps://doi.org/10.1109/MicroCom.2016.7522556
dc.relation.urihttps://doi.org/10.1109/CCA.2014.6981474
dc.relation.urihttps://doi.org/10.20852/ntmsci.2021.439
dc.relation.urihttps://doi.org/10.23919/CCC55666.2022.9901799
dc.relation.urihttps://doi.org/10.1017/S0263574714000289
dc.relation.urihttps://doi.org/10.1155/2016/7426913
dc.relation.urihttps://doi.org/10.1109/CCDC.2013.6560929
dc.relation.urihttps://doi.org/10.1109/CCA.2005.1507269
dc.relation.urihttps://doi.org/10.1109/ICNN.1997.614157
dc.relation.urihttps://doi.org/10.1109/SPC.2016.7920719
dc.relation.urihttps://doi.org/10.1109/FUZZ-IEEE.2016.7737802
dc.relation.urihttps://doi.org/10.3390/app11146468
dc.relation.urihttps://doi.org/10.1109/ACCESS.2018.2886202
dc.relation.urihttps://doi.org/10.1109/ICWT55831.2022.9935458
dc.relation.urihttps://doi.org/10.1109/ICCAD49821.2020.9260553
dc.relation.urihttps://doi.org/10.1109/STA.2019.8717260
dc.relation.urihttps://doi.org/10.1109/MoRSE48060.2019.8998720
dc.relation.urihttps://doi.org/10.1109/IAEAC50856.2021.9391021
dc.relation.urihttps://doi.org/10.1145/3194085.3194091
dc.relation.urihttps://doi.org/10.33577/2312-4458.26.2022.33-41
dc.relation.urihttps://doi.org/10.33577/2312-4458.27.2022.3-10
dc.relation.urihttps://doi.org/10.1109/ASPDAC.1998.669491
dc.rights.holder© Національний університет “Львівська політехніка”, 2023
dc.subjectмобільна робототехнічна платформа
dc.subjectнейронечітке опрацювання
dc.subjectструктура системи
dc.subjectнейромережа
dc.subjectсенсори
dc.subjectзахист даних
dc.subjectуправління групою
dc.subjectmobile robotics platform
dc.subjectneurofuzzy processing
dc.subjectsystem structure
dc.subjectneural network
dc.subjectsensors
dc.subjectdata protection
dc.subjectgroup management
dc.titleБазова структура системи нейронечіткого управління групою мобільних робототехнічних платформ
dc.title.alternativeBasic structure of the neurofuzzy control system for a group of mobile robotic platforms
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2023v5n1_Tsmots_I_G-Basic_structure_of_the_neurofuzzy_77-85.pdf
Size:
1.49 MB
Format:
Adobe Portable Document Format
Thumbnail Image
Name:
2023v5n1_Tsmots_I_G-Basic_structure_of_the_neurofuzzy_77-85__COVER.png
Size:
1.66 MB
Format:
Portable Network Graphics

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.92 KB
Format:
Plain Text
Description: