Drive system control for planetary rovers with artificial neural networks application
Artykuł w czasopiśmie
MNiSW
70
Lista 2024
| Status: | |
| Warianty tytułu: |
Neuronowy system wspomagania sterowania napędem w łazikach planetarnych
|
| Autorzy: | Michałowska Joanna, Tomiło Paweł |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 6 |
| Wolumen/Tom: | 102 |
| Numer artykułu: | 31 |
| Strony: | 218 - 224 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 1 czerwca 2026 |
| Abstrakty: | angielski | polski |
| This paper presents a neural network-based propulsion control assistance system for planetary rovers, designed to precisely model wheel- ground interactions. The electrical parameters of the propulsion system were analyzed by correlating the power consumption and motor current with visual measurements of wheel penetration. Artificial neural networks with an architecture based on Kolmogorov–Arnold representation theory and invo- lution were employed, enabling the determination of the operating limits of the drive system on various types of terrain. The designed regression-based neural model is characterized by low computational complexity, which makes it suitable for implementation in on-board rover systems with limited en- ergy resources. The proposed solution improves vehicle motion stability and enables early detection of terrain obstacles, supporting autonomous con- trol algorithms. | |
| W pracy opracowano neuronowy system wspomagania sterowania napędem w łazikach planetarnych, ukierunkowany na precyzyjne modelowanie interakcji koło–podłoże. Analizie poddano parametry elektryczne układu napędowego, korelując pobór mocy i prąd silników z wizyjnym pomiarem zagłębienia kół. Zastosowano sztuczne sieci neuronowe o architekturze opartej na teorii reprezentacji Kolmogorowa–Arnolda oraz inwolucji, umożliwiające wyznaczanie granicy pracy układu jezdnego na różnych typach podłoża. Zaprojektowany model neuronowy o charakterze regresyjnym ce- chuje się niską złożonością obliczeniową, co predysponuje go do wdrożenia w pokładowych systemach łazików o ograniczonych zasobach energetycznych. Zaproponowane rozwiązanie poprawia stabilność ruchu pojazdu i umożliwia wczesną detekcję utrudnień terenowych, wspierając autonomiczne algoryt- my sterowania. |
