Интеграция сенсорных данных и математическое моделирование поведения подводного робота с использованием цифрового двойника

Введение. Управление подводными робототехническими комплексами (ПРТК) осложняется такими факторами, как инерционность, стохастические возмущения и недостаток навигационной инфраструктуры. Существующие подходы к моделированию и прогнозированию поведения ПРТК известны слабой или отсутствующей интеграцией данных с реальных сенсоров в режиме реального времени. Устранив указанный пробел в комплексных решениях, можно объединить физические модели, цифровые двойники и визуализацию. Перспективный инструмент для преодоления названных выше ограничений — цифровой двойник (англ. digital twin, DT), обеспечивающий точную цифровую репрезентацию объекта через интеграцию данных от физических сенсоров и математических моделей. Цель представленного исследования — разработка метода прогнозирования динамики ПРТК с использованием цифрового двойника для повышения эффективности автономного управления.

Материалы и методы. Основа исследования — разработка математической модели движения подводного робототехнического комплекса. Она включает дифференциальную кинематику, моделирование сопротивления среды и динамики поворота. Для сбора и обработки данных использовались сенсоры: инкрементальные энкодеры, трехосевой акселерометр и гироскоп. Для управления движением по каждой оси задействовали пропорционально-интегрально дифференцирующий (ПИД) регулятор. Для визуализации и проверки модели применялась игровая среда «Юнити» (Unity). В ней создали модуль цифрового двойника с возможностью отображения состояния системы в реальном времени. В качестве программного обеспечения использовалась платформа «Ардуино Ай-ди-и» (Arduino IDE) для низкоуровневого программирования, а также «Матлаб» (Matlab) и «Питон» (Python) для анализа данных и построения графиков.

Результаты исследования. Для верификации модели проводились эксперименты на физическом макете. Их сопоставили с симуляцией поведения объекта в виртуальной среде. Представлены графики расхождений между физическими и симулированными траекториями. Рассчитаны статистические метрики, характеризующие точность цифрового двойника. Максимальное отклонение по координатам не превышает 5,3 мм, среднее угловое отклонение составило 3,5°. Это подтверждает достоверность и практическую применимость предложенной модели при автономном управлении робототехническим комплексом. Установлено также, что средняя ошибка по X — 3,11 мм, по Y — 2,92 мм. Средняя ошибка угла Z — 1,8°. Время реакции — менее 10 мс. Устойчивость цифрового двойника к незначительным флуктуациям в данных обеспечивается благодаря сглаживанию входных данных, стабильностью системного регулятора и адаптации модели к калибровочным значениям на старте каждого цикла.

Обсуждение и заключение. Цифровые двойники подходят для прогностического управления и наблюдения за объектом в условиях неопределенности. Предложенный подход целесообразно масштабировать для различных типов робототехнических систем, функционирующих в агрессивных и слабо предсказуемых средах. Дальнейшие исследования в этом направлении могут быть связаны с внедрением адаптивных и нейросетевых методов управления.

1. Мешков А.В., Громов В.С. Формирование траектории цифрового двойника многозвенного механизма с использованием адаптивного алгоритма оценки параметров нелинейного движения. Научно-технический вестник информационных технологий, механики и оптики. 2022;22(5):889–895. https://doi.org/10.17586/2226-1494-2022-22-5-889-895

2. Кубриков М.В. Цифровой двойник в системе внешнего адаптивного управления роботамиманипуляторами. Космические аппараты и технологии. 2023;7(2):171–176. https://doi.org/10.26732/j.st.2023.2.10

3. Кузьменко В.П., Соленый С.В. Разработка модели цифрового двойника для гибридной производственной линии по сборке светодиодных осветительных приборов. Известия высших учебных заведений. Приборостроение. 2022;65(10):725–734. https://doi.org/10.17586/0021-3454-2022-65-10-725-734

4. Jingsong Fan, Xiangqiang Zhong, Zhimin Di, Huajie Fang. Collaborative Operation of 6-DOF Industrial Robot Based on Digital Twin. Journal of Physics: Conference Series. 2022;2206(1):012019. https://doi.org/10.1088/1742-6596/2206/1/012019

5. Farhadi A, Lee S, Hinchy EP, O'Dowd N, McCarthy CT. The Development of a Digital Twin Framework for an Industrial Robotic Drilling Process. Sensors. 2022;22(19):7232. https://doi.org/10.3390/s22197232

6. Qinglei Zhang, Run Xiao, Zhen Liu, Jianguo Duan, Jiyun Qin. Process Simulation and Optimization of Arc Welding Robot Workstation Based on Digital Twin. Machines. 2023;11(1):53. https://doi.org/10.3390/machines11010053

7. Hang Wu, Zhaoming Liu, Long Cui, Lirong Guan, Hongwei Wang. Digital Twin of Non-Ferrous Metal Casting Robot. In book: M Chen, et al (eds). Advances in Machinery, Materials Science and Engineering Application. Amsterdam: IOS Press; 2022. 760 p. https://doi.org/10.3233/ATDE220502

8. Chancharoen R, Chaiprabha K, Wuttisittikulkij L, Asdornwised W, Saadi M, Phanomchoeng G. Digital Twin for a Collaborative Painting Robot. Sensors. 2022;23(1):17. https://doi.org/10.3390/s23010017

9. Banic MS, Simonovic M, Stojanović L, Rangelov D, Miltenovic A, Perić M. Digital Twin Based Lightweighting of Robot Unmanned Ground Vehicles. Facta Universitatis. Series: Automatic Control and Robotics. 2022;21(3):188. https://doi.org/10.22190/FUACR221121015B

10. Xin Liu, Du Jiang, Bo Tao, Guozhang Jiang, Ying Sun, Jianyi Kong, et al. Genetic Algorithm-Based Trajectory Optimization for Digital Twin Robots. Frontiers in Bioengineering and Biotechnology. 2022;9:793782. http://doi.org/10.3389/fbioe.2021.793782

11. Garg G, Kuts V, Anbarjafari G. Digital Twin for FANUC Robots: Industrial Robot Programming and Simulation Using Virtual Reality. Sustainability. 2021;13(18):10336. http://doi.org/10.3390/su131810336

12. Đoàn Thanh Xuân, Tran Van Huynh, Thanh-Hung Nguyen, Vu Toan Thang. Applying Digital Twin and Multi-Adaptive Genetic Algorithms in Human–Robot Cooperative Assembly Optimization. Applied Sciences. 2023;13(7):4229. http://doi.org/10.3390/app13074229

13. Sichao Liu, Xi Vincent Wang, Lihui Wang. Digital Twin-Enabled Advance Execution for Human-Robot Collaborative Assembly. CIRP Annals — Manufacturing Technology. 2022;71(1):25–28. http://doi.org/10.1016/j.cirp.2022.03.024

14. Kibira D, Weiss BA. Towards a Digital Twin of a Robot Workcell to Support Prognostics and Health Management. In: Proc. 2022 Winter Simulation Conference at Singapore. New York: IEEE; 2022. P. 2968–2979. http://doi.org/10.1109/WSC57314.2022.10015371

15. Xuan Liu, He Gan, Ying Luo, YangQuan Chen, Liang Gao. Digital-Twin-Based Real-Time Optimization for a Fractional Order Controller for Industrial Robots. Fractal and Fractional. 2023;7(2):167. http://doi.org/10.3390/fractalfract7020167