1. Научни трудове, включени - Технически Университет - София

окуражаващи, показвайки ефективността на предложената невронно-размитата управляваща схема сгенетично обучение и слоеста архитектура.Доклади на международни научни конференции, публикувани в специализираниon-line бази данни в интернет (IEEE Xplore, IFAC-PapersOnLine, ACM DigitalLibrary, CiteSeer x Digital Library)1.7 A. V. Topalov, N. G. Shakev, O.Kaynak and E. Kayacan, “Neuro-adaptive Approach forControlling a Quad-rotor Helicopter Using Sliding Mode Learning Algorithm”, Proc. of theIFAC workshop Adaptation and Learning in Control and Signal Processing, ALCOSP2010 &PSYCO 2010, pp. 94-98, 26-28 August, 2010, Antalya, Turkey (публикуван в IFAC-PapersOnLine).Резюме.През последните години интересът към автономните въздухоплавателни апарати нарасназначително. С напредъка на технологиите в областта стана възможно чрез използване на малкилетателни апарати да бъдат тествани ефективно и с по-малки разходи различни концепции ипроектни решения. Докладът предлага един нов невронно-адаптивен подход за управление нависочината и ъгъла на рискане (завъртане около вертикалната ос) на миниатюрен винтокриленлетателен апарат (хеликоптер) с четири ротора. Адаптивните структури в предложенитеуправляващи схеми са изградени с помощта на невронни мрежи с радиални базови функции, като еприложен устойчив онлайн алгоритъм за обучение. Последният използва принципи от теорията насистемите с променлива структура и установява хлъзгащо движение по отношение на параметритена мрежата, водещо грешката при обучение към нула. Ъглите на крена и на тангажа на винтокрилниялетателен апарат се управляват като се използва алгоритъм, прилагащ принципите на известнатастратегия за управление с вложени насищания. Получените резултати от симулирани полети, сизползване на прецизен динамичен модел на миниатюрния четирироторен хеликоптер DraganFlyer V Ti,показват, че предложеният невронно-адаптивен подход за управление може успешно да се справи съссъществуващи неточности и вариации в параметрите на модела и/или промени в условията наоколната среда.1.8 A. V. Topalov, N. G. Shakev, S. M. Nikolova, D. Seyzinski and O. Kaynak, “TrajectoryControl of Unmanned Aerial Vehicle Using Neural Nets with a Stable Learning Algorithm”,Proc. of 17th Mediterranean Conference on Control & Automation, MED’09, pp. 880 - 885,June 24-26, 2009, Thessaloniki, Greece (публикуван в IEEE Xplore).Резюме. Предложен е невронно-адаптивен метод за траекторно управление на безпилотни летателниапарати (самолети). Височината и местоположението (географската ширина и дължина) навъздушния робот се управляват от три невронно-адаптивни управляващи устройства, отследяващижеланите стойности на височината, въздушната скорост и ъгъла на крена на апарата. Всеки един оттрите интелигентни управляващи модули е изграден от конвенционален и от невронен регулатор.Конвенционалният регулатор служи за гарантиране на асимптотична устойчивост в компактнопространство и като инверсен еталонен модел на реакцията на управляваната система. Изходът му сеизползва като сигнал на грешката от устойчив онлайн алгоритъм за обучение актуализиращпараметрите на невронното управляващо устройство. Така последното успява постепенно даелиминира конвенционалния регулатор от управлението на системата. Предложеният алгоритъм заобучение директно прилага принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, водещо грешката приобучение към нула. Поведението на предложената схема за траекторно управление е оценено чрезсимулирани полети на безпилотния самолет Aerosonde в средата на MATLAB с използване наAeronautical Simulation Block Set.1.9 A. V. Topalov, E. Kayacan, Y. Oniz and O. Kaynak, “Adaptive Neuro-Fuzzy Control withSliding Mode Learning Algorithm: Application to Antilock Braking System”, Proc. of TheSeventh Asian Control Conference (ASCC 2009), pp. 784 – 789, August 27-29, 2009, HongKong, China (публикуван в IEEE Xplore).Резюме. Предложен е невронно-размит метод за адаптивно управление на нелинейни динамичнисистеми, характеризиращи се с наличие на неизвестна динамика, грешки при моделиране и различнисмущения. Методът е приложен за проектиране на регулатор за управление на приплъзването наколелата при автомобил по време на спиране. Предложената управляваща структура се състои отконвенционален регулатор и реализирано с размита невронна мрежа управляващо устройство.Конвенционалният регулатор служи за гарантиране на асимптотична устойчивост в компактнопространство и като инверсен еталонен модел на реакцията на управляваната система. Изходът му се3

използва като сигнал на грешката от онлайн алгоритъм за обучение актуализиращ параметрите наневронно-размития регулатор. По този начин последният е в състояние постепенно да замениконвенционалния регулатор в управлението на системата. Предложеният алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, водещо грешката приобучение към нула. Методът е тестван чрез симулационни изследвания за управление на модел наантиблокировъчна система (ABS) и аналитично получените резултати са потвърдени при наличие нанеточности и/или неопределености в модела и големи ненулеви начални грешки.1.10 A. V. Topalov, E. Kayacan, Y. Oniz and O. Kaynak, “Neuro-Fuzzy Control of AntilockBraking System Using Variable-Structure-Systems-based Learning Algorithm”, Proc. of theInternational Conference on Adaptive and Intelligent Systems, ICAIS 2009, pp. 166-171, 24-26 Sept., 2009, Klagenfurt, Austria (публикуван в ACM Digital Library).Резюме. Предложен е метод за невронно-размито адаптивно управление на нелинейни системи сналичие на неточности и/или неопределености в динамичния модел. Приложената управляваща схема сесъстои от ПД регулатор, служещ за гарантиране на асимптотичната устойчивост в компактнопространство и като инверсен еталонен модел на реакцията на управляваната система. Неговиятизходен сигнал служи като сигнал на грешката при онлайн алгоритъм за обучение, актуализиращпараметрите на невронно-размит регулатор. Последният е в състояние постепенно да замениконвенционалния регулатор в управлението на системата. Предложеният алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронно-размития регулатор. Допълнително поотношение на общия управляващ сигнал, постъпващ от двата регулатора е приложен интегриращкомпонент с цел постигане на управление, подобно на ПИД закон. Поведението на управляващата схемае тествано симулационно в средата на MATLAB върху задача за управление на припръзването наколелата на автомобил по време на спиране. За целта е използван динамичен модел наантиблокировъчна система на фирмата INTECO. Аналитично получените изводи са проверени приналичие на неопределености и неточности в модела и големи начални грешки.1.11 A. V. Topalov, O. Kaynak, N. G. Shakev and S. K. Hong, “Sliding Mode Algorithm forOn-line Learning in Fuzzy Rule-based Neural Networks”, Proc. of the 17 th IFAC WorldCongress, pp. 12793-12798, July 6-11, 2008, Seoul, Korea (публикуван вIFACPapersOnLine).Резюме. Разработен е нов алгоритъм за онлайн трениране на размити невронни мрежи, който еоснован върху теорията за системите с променлива структура. Подобни структури от изчислителнияинтелект са широко използвани за моделиране,идентификация и управление на нелинейни динамичнисистеми. Алгоритъмът е приложим при базираните на размити правила невронни мрежи от типа наTakagi-Sugeno-Kang със скаларен изходен сигнал. Установена е сходимостта му и са дадени условиятаза това. За разлика от други подобни методи, които се ограничават до адаптация само напараметрите в частта от мрежата, реализираща операцията деразмиване, предложеният алгоритъмнастройва също така и параметрите на използваните функции на принадлежност. Нулевитестойности на променливата на грешката при обучение се разглеждат като повърхнина на хлъзгане впространството на обучаваните параметри на мрежата. Ефективността на предложения алгоритъме показна чрез прилагането му за онлайн обучение с цел апроксимация на функции.1.12 N. G. Shakev, A. V. Topalov and O. Kaynak, “A Neuro-Fuzzy Adaptive Sliding ModeController: Application to Second-Order Chaotic System”. Proc. of 4th International IEEEConference “Intelligent Systems”, pp 9-14 - 9-19, Sept. 6-8, 2008, Varna, Bulgaria(публикуван в IEEE Xplore).Резюме. За управлението на сложни динамични системи, които са често повлияни от наличието нанеизвестна динамика, грешки в моделирането, нелинейности, различни видове смущения,неопределености и шум e необходимо да бъдат прилагани робастни или безмоделни (model-free) методиза управление. В този доклад са представени свойствата на нов динамичен алгоритъм за робастноадаптивно обучение при базирани върху размити правила невронни мрежи от типа Takagi-Sugeno-Kangсъс сигмоидни функции на принадлежност и скаларен изход. Показано е неговото приложение приневронно-размито адаптивно управление на нелинейни системи, характеризиращи се с наличието нанеопределености и/или неточности в динамиката. Предложеният метод пряко прилага принципите натеорията за системите с променлива структура, както и известната схема за обучение по грешката взатворената система (feedback-error-learning). В проведените симулационни експерименти методът етестван за управление на осцилатора на Duffing и аналитично получените изводи са проверени вусловията на налични неопределености в модела и големи ненулеви начални грешки.4

1.13 E. Kayacan, Y. Oniz, O. Kaynak and A. V. Topalov, “Adaptive Control of AntilockBraking System Using Grey Multilayer Feedforward Neural Networks”, Proc. of SeventhInternational Conference on Machine Learning and Applications, ICLMA’08, pp. 356 - 361,11-13 Dec., 2008, San Diego, California, USA (публикуван в IEEE Xplore).Резюме. В този доклад е предложен сив невронно-адаптивен метод за управление на антиблокировъчнисистеми (ABS) при автомобили. Теорията за сивите системи, които имат определени предсказващивъзможности, предлага един алтернативен на конвенционалните методи за управление подход.Многослойна невронна мрежа и сив предикторен GM(1,1) модел са комбинирани при предложения втози доклад метод. Полученият сив невронен регулатор е изпитан при няколко различни условия нафункциониране и е показано, че предложеният управляващ алгоритъм предсказва постъпващитестойности на приплъзване на колелата на автомобила в режим на спиране и оптималната имстойност, и предприема необходимото действие за поддържане на желаната стойност наприплъзване. Получените симулационни резултати демонстрират, че предложеният адаптивенрегулатор има способността да управлява добре подобна нелинейна система като гарантира малкиосцилации и нулева статична грешка.1.14 C. -J. Kim, M. -S. Park, A. V. Topalov, D. Chwa and S. -K. Hong, “Unifying Strategiesof Obstacle Avoidance and Shooting for Soccer Robot Systems”, Proc. of InternationalConference on Control, Automation and Systems ICCAS’07, pp. 207-211, Oct. 17-20, 2007,Seoul, Rep. of Korea (публикуван в IEEE Xplore).Резюме. Този доклад представя комплексна стратегия за управление на колесни мобилни роботи всистемите за игра на футбол, целяща избягване на препятствия и шутиране на топката къмпротивниковата врата. Чрез съвместното прилагане на реализиран с размита невронна мрежаалгоритъм за заобикаляне на препятствията и базиран на пределен цикъл (limit-cycle based) алгоритъмза шутиране на топката, са предложени два варианта на комплексни схеми изградени както припаралелна така и при последователна комбинация на тези поведения. Това позволява постигането нагладко преминаване (превключване) между режима за избягване на препятствия и този за шутиране.Двете предложени управляващи схеми са реализирани и изследвани експериментално при няколкосценария с помощта на отбор от мобилни роботи с бордови управляващи модули, използващи 8-битовимикропроцесори Аm188ES.1.15 G. L. Cascella, F. Cupertino, A. V. Topalov, O. Kaynak and V. Giordano, “AdaptiveControl of Electric Drives Using Sliding-Mode Learning Neural Networks”, Proc. of IEEEInternational Symposium on Industrial Electronics, ISIE 2005, pp. 125-130, 2005 Dubrovnik,Croatia (публикуван в IEEE Xplore).Резюме. Представен е нов, базиран на теорията за управление в режим на хлъзгане, метод за онлайнобучение на регулатори, реализирани с многослойни невронни мрежи и приложението му за невронноуправление на скоростта на електрически двигатели. Предложеният алгоритъм установява вътрешнохлъзгащо движение по отношение на параметрите на регулатора, водещо към нула грешката вуправляващия сигнал. Външното хлъзгащо движение касае управлявания електродвигател, чийтовектор на следящата грешка по състояние е паралелно принуждаван да се премества към началото нафазовото пространство. Демонстрирана е съществуващата еквивалентност между двете хлъзгащидвижения. За да бъде оценена работата на предложената схема за управление и нейната практическаосъществимост в индустриални условия са проведени експериментални тестове в реално време зауправление на електрозадвижвания.1.16 A. V. Topalov and O. Kaynak, “Robust Neural Identification of Robotic ManipulatorsUsing Discrete Time Adaptive Sliding Mode Learning”, Proc. of IFAC Triennial WorldCongress, pp. 336 – 341, 2005, Prague (публикуван в IFAC-PapersOnLine).Резюме. Изследван е проблема за идентификация на нелинейни системи, съдържащи неопределености вдимамичния модел, чрез използване на многослойни невронни мрежи с прави връзки. Теглата наневронния идентификатор се актуализират онлайн чрез работещ в дискретно време алгоритъм заобучение, базиран на метода за управление в режим на хлъзгане, широко известен със своятаробастност по отношение на съществуващи в системата неопределености. Обучаваните параметрисе настройват така, че да бъде принудена грешката между текущия и желания изход на мрежата даудовлетворява устойчиво диференчно уравнение и да се установи режим на квази-хлъзгане върхуповърхнина, формирана от нулевите стойности на грешката при обучение. Поведението напредложения алгоритъм за обучение, работещ в дискретно време, е илюстрирано чрез прилагането муза невронна идентификация на експериментален робот манипулатор. Резултатите показват, ченевронният модел наследява някои от преимуществата на метода за управление в режим на хлъзгане,5

като робастност и висока скорост на обучение, и е способен да следва зададените ставни траекториина робота с висока точност.1.17 V. Giordano, A. V. Topalov, O. Kaynak, and B. Turchiano, “Sliding Mode Approach forOnline Neural Identification of Robotic Manipulators”, Proc. of the 5th Asian ControlConference, ASCC’04, pp. 2070-2076, 20-23 July, 2004, Melbourne, Australia (публикуванв IEEE Xplore).Резюме. Невронните мрежи с прави връзки са широко прилагани за целите на онлайн моделирането,идентификацията и адаптивното управление при наличие на промени в динамиката на процеса или вхарактеристиките на смущенията. В този доклад е разгледано приложението на нов обучаващалгоритъм, използващ принципи от теорията на системите с променлива структура, при онлайнневронна идентификация на манипулационни роботи. Множеството на нулевите нива на променливатана грешката при обучение се разглежда като повърхнина на хлъзгане в пространството наобучаваните параметри на идентификатора. Предложеният метод за обучение представлява единопростен и в същото време робастен механизъм за гарантиране на достигането за крайно време наусловието за нулева грешка при обучение. С цел намаляване на сложността и подобряване наработата на алгоритъма предварително, извън реално време, е реализирана оптимизация наконфигурацията на схемата за обучение с използване на генетичен алгоритъм. Предложената схема заневронна идентификация е експериментално тествана върху индустриален манипулатор модел CRS255. Резултатите показват, че невронният модел наследява някои от преимуществата на метода зауправление в режим на хлъзгане, като робастност и висока скорост на обучение и е способен да следвас висока точност зададените ставни траектории на робота.1.18 A. V. Topalov and O. Kaynak, “Neuro-Adaptive Modeling and Control of a Cement MillUsing a Sliding Mоde Learning Mechanism”, Proc. of IEEE International Symposium onIndustrial Electronics, ISIE’04, pp. 225-230, May 4-7, 2004, Ajaccio, France (публикуван вIEEE Xplore).Резюме. Представена е нова адаптивна схема за управление на циментови мелници с използване наневронна мрежа. Оценките на грешките в управляващите сигнали се изчисляват с една стъпка напредпосредством невронен предсказващ модел на обекта и впоследствие се използват за настройка напараметрите на регулатора. За адаптацията на регулатора и на модела на обекта е приложен онлайналгоритъм, основан върху прякото използване на принципи от теорията за управление в режим нахлъзгане. Предложеният подход позволява на системата да се справя със съществуващинесъответствия, неопределености и параметрични промени в динамиката на обекта. Симулационнитерезултати показват, че невронният модел и регулаторът наследяват някои от преимуществата наметода за управление в режим на хлъзгане, като робастност по отношение на съществуващинеточности и/или неопределености в модела на обекта и висока скорост на обучение. Наблюдават себърза сходимост и доброто поведение по отношение на намаляването на грешката, водещи доподобряване на преходната характеристика на затворената система.1.19 A. V. Topalov, O. Kaynak and N. G. Shakev, “Variable Structure Systems Approach forOn-line Learning in Multilayer Artificial Neural Networks”, Proc. of the 29th AnnualConference of the IEEE Industrial Electronics Society, IECON’03, Vol. 3, pp. 2989-2994, 2-6Nov., 2003, Roanoke, VA, USA (публикуванв IEEE Xplore).Резюме. Предложен е нов метод за онлайн обучение при многослойните невронни мрежи със скаларенизходен сигнал, който е базиран на управлението в режим на хлъзгане. Невронни структури от тозитип са широко използвани за целите на онлайн моделирането, идентификацията и адаптивнотоуправление, при промени в динамиката на процеса или в характеристиките на смущенията. Разглеждасе случая на аналогова невронна мрежа, когато адаптацията на теглата на мрежата се осъществявав непрекъснато време. Нулевите нива на променливата на грешката при обучение се приемат катоповърхнина на хлъзгане в пространството на обучаваните параметри. Предложеният подходпредставлява прост и същевременно робастен механизъм за гарантиране на достигане за крайно времена условието за нулева грешка при обучение. Представени са резултати от симулационниексперименти, касаещи приложението на предложения алгоритъм за обучение при невронна онлайнидентификация на динамиката на манипулатор. Те показват, че невронният модел наследява някои отпреимуществата на метода за управление в режим на хлъзгане, като робастност и висока скорост наобучение.1.20 A. V. Topalov and O. Kaynak, “A Sliding Mode Strategy for Adaptive Learning inMultilayer Feedforward Neural Networks with a Scalar Output”, Proc. of IEEE International6

Conference on Systems, Man and Cybernetics, SMC’03, vol. 2, pp. 1636-1641, Oct. 2003,Washington DC, USA (публикуван в IEEE Xplore).Резюме. Представени са свойствата на нов алгоритъм за адаптивно обучение при аналоговитемногослойни невронни мрежи. Той прилага стратегията за управление в режим на хлъзгане.Множеството на нулевите нива на грешката се разглежда като повърхнина на хлъзгане впространството на обучаваните параметри на невронната мрежа. Траектория в режим на хлъзгане сепредизвиква и достига за крайно време върху такава повърхнина на хлъзгане. В доклада допълнително еанализирана работата на алгоритъма за обучение при добавен към входовете на мрежата ограниченшум. Проведени са симулационни експерименти, където обучаващият алгоритъм е приложен за онлайнапроксимация на немонотонна функция и за идентификация на динамиката на манипулатор.Обучаващите се мрежови структури наследяват някои от преимуществата на системите спроменлива структура като робастност и висока скорост на обучение.1.21 A. V. Topalov, O. Kaynak, and N. G. Shakev, “Neural Network Identification, PredictiveModeling and Control with a Sliding Mode Learning Mechanism: an Application to theRobotic Manipulators”, Proc. of First International IEEE Symposium “Intelligent Systems”,vol. 1, pp. 102-107, Sept. 2002, Varna, Bulgaria (публикуван в IEEE Xplore).Резюме. Представени са свойствата на нова адаптивна схема за невронно управление на нелинейниобекти, реализираща подобен на ПИД закон. Настройката на регулатора се базира върху оценка нагрешката в управляващия сигнал, определена с една стъпка напред чрез невронен предсказващ модел наобекта. Алгоритъм за адаптация, основан на метода за управление в режим на хлъзгане е приложенедновременно по отношение на модела и на регулатора. Разработената схема за управление есимулирана и е оценен ефекта от прилагането и при траекторно управление на прост манипулационенробот с две степени на свобода. Резултатите показват, че и двете обучаващи се структури,невронният предсказващ модел и регулаторът, наследяват някои от предимствата на метода зауправление в режим на хлъзгане - робастност и висока скорост на обучение.1.22 N. G. Shakev, A. V. Topalov, O. Kaynak, and H. L. Akin, “Reactive-behavior Learningof Quadruped Robots Playing Soccer”, Proc. of First International Conference onMechatronics, ITM'01, pp. 149-154, October 1-3, 2001, Istanbul, Turkey (публикуван вCiteSeer x Digital Library)Резюме. Футболът за роботи може да бъде отнесен към класа на многоагентните системи и включварешаването на редица сложни задачи. Играещите в един отбор роботи трябва да си сътрудничат завкарването на топката в противниковата врата и в същото време да защитават своята собственаврата. Предмет на изследването са проблеми, свързани с научаване и прилагане на реактивни поведенияпри агентите-роботи играещи футбол. Кратко е представена проектираната за отбора от роботикучета„Церберус’01“ цялостна система за управление. Отборът участва, в рамките на Лигата накрачещите роботи нa Sony, в състезанията RoboCup 2001 проведени в гр. Сиатъл, САЩ. Анализира серазработеното реактивно поведение за прехващане на движеща се топка при едновременно избягванена стълкновения с други играещи роботи и със стените на игралното поле. За реализиране на товаповедение е разработен и обучен размит невроннен генератор на траектория (FNTG). За обучение натраекторния генератор е предложен метод, използващ генетични алгоритми (GAs).1.23 A. V. Topalov, K. -Ch. Kim, J. -H. Kim, and B. -K. Lee, “Fast Genetic On-LineLearning Algorithm for Neural Network and Its Application to Temperature Control”, Proc.of IEEE Int. Conf. on Evolutionary Computation, pp.649-654, May 1996, Nagoya, Japan(публикуван в IEEE Xplore).Резюме. В този доклад е предложен метод за бързо онлайн обучение на структури на невронни мрежичрез съвместно използване на генетичен алгоритъм (GA) и алгоритъм динамичен бакпропагейшън(динамичен алгоритъм за обучение чрез обратно разпространение на грешката). Генетичнияталгоритъм е използван за груба настройка на теглата на връзките в невронната мрежа. Динамичниятбакпропагейшън алгоритъм се прилага впоследствие за постигане на фина настройка на теглата намрежата. Фитнес функцията, използваща квадрата на грешката между обучаващия сигнал и изходниясигнал на мрежата, се дефинира на всяка времева стъпка като предложеният GA – базираналгоритъм решава оптимизационна задача по отношение на нестационарна функция. Във всяка времевастъпка решението с най-добра фитнес функция се използва за текущо представяне на теглата иотместванията на невронната мрежа. Проведените симулационни и експериментални изследвания вреално време за управление на температурата на сушилен шкаф показват, че този алгоритъм заобучение има бърза сходимост и по-добро поведение относно намаляване на грешката на съответствиепри онлайн обучаваните невронни структури. Това води до подобрение на преходните характеристикипри невронно-адаптивните системи. Предложеният метод има потенциал за приложение в редица7

практически области като моделиране и управление на системи, обработка на сигнали и разпознаванена образи.2. Научни трудове извън монографичния трудСтатии в международни научни списания клас А (с Impact Factor)2.1 N. G. Shakev, A. V. Topalov, O. Kaynak and K. B. Shiev, “Comparative Results onStabilization of the Quad-rotor Rotorcraft Using Bounded Feedback Controllers”, представендоклад на International Conference on Unmanned Aircraft Systems, ICUAS’11, Denver,Colorado, USA, 24-25 May, 2011, приет за отпечатване в Journal of Intelligent and RoboticSystems, Springer-Verlag.Резюме. През последните години автономните въздухоплавателни апарати намират все по-голямоприложение както в гражданската, така и във военната област. С напредъка на технологиите, чрезизползване на малки летателни апарати, стана възможно да бъдат тествани ефективно и с по-малкиразходи различни концепции за управление на автономния полет и различни проектни решения. Встатията се изследва проблема за създаване на стабилизиращо управление на четирироторенвинтокрилен летателен апарат чрез използване на управляващи устройства с обратна връзка сналожени ограничения. За управление на ъгъла на крена и ъгъла на тангажа при четирироторниявинтокрил са приложени и изследвани пет нелинейни закона, съдържащи елементи с насищане.Първоначално тези закони са били предложени за глобално стабилизиращо управление на системи смножество интегратори. Получените резултати от симулиран автономен полет, както ипроведените полетни експерименти в реално време с четирироторен миниатюрен винтокрилен апаратDraganflyer V Ti са анализирани по отношение на структурната простота на схемите за управление ипреходната характеристика на затворената система.2.2 A. V. Topalov, Y. Oniz, E. Kayacan and O. Kaynak, “Neuro-Fuzzy Control of AntilockBraking System Using Sliding Mode Incremental Learning Algorithm”, Neurocomputing,Elsevier, vol. 74, issue 11, pp. 1883-1893, 2011.Резюме. Предложен е метод за невронно-размито адаптивно управление на нелинейни системи,характеризиращи се с наличие на неточности и/или неопределености в динамичния модел. Методът еприложен при проектиране на регулатор на приплъзването на колелата при спиране отантиблокъровъчната система на автомобил. Приложената схема за управление се състои отконвенционален регулатор и регулатор, реализиран с размита невронна мрежа. Конвенционалниятрегулатор служи за гарантиране на асимптотичната устойчивост в компактно пространство и катоинверсен еталонен модел на реакцията на управляваната система. Неговият изходен сигнал се използвакато сигнал на грешката от инкрементален алгоритъм за обучение, актуализиращ параметрите наневронно-размития регулатор. По този начин последният е в състояние постепенно да изместиконвенционалния регулатор от управлението на системата. Предложеният нов алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, което води грешката приобучение към нулата. Поведението на управляващата схема е тествано първоначално симулационно всредата на MATLAB за управление на припръзването на колелата на автомобил по време на спиране,като за целта е използван динамичен модел на антиблокировъчна система, разработен от фирмаINTECO. Проведени са и експерименти в реално време със стенд на антоблокировъчна системапроизводство на същата фирма. Аналитично получените изводи са експериментално проверени вусловията на налични неопределености и неточности в модела, както и при големи начални грешки.2.3 A. V. Topalov, O. Kaynak and G. Aydin, “Neuro-Adaptive Sliding-Mode TrackingControl of Robot Manipulators”, International Journal of Adaptive Control and SignalProcessing, vol. 21, issue 8-9, pp. 674-691, 2007.Резюме. В тази статия е представен нов динамичен алгоритъм за онлайн обучение с приложение приробастното безмоделно (model-free) невронно-адаптивно управление на клас нелинейни системи снеопределености и/или неточности в динамиката. Алгоритъмът е тестван експериментално за да бъдеоценена работата и практическата му приложимост в индустриална среда. Изследваното приложениее задача за траекторно следене при първите три стави на антропоморфен робот-манипулатор сотворена архитектура. Схемата за управление използва принципи от теорията на системите спроменлива структура и концепцията за обучение по грешката в затворената система (feedback-errorlearning).Установява се вътрешно хлъзгащо движение по отношение на параметрите на невронния8

регулатор, целящо отвеждане към нулата на грешката в неговия управляващ сигнал. Външнотохлъзгащо движение касае управляваната система, чийто вектор на следящата грешка по състояниеедновременно е воден към началото на фазовото пространство. Показана е съществуващата връзкамежду двете хлъзгащи движения. Получените експериментални резултати илюстрират, чепредложеният, базиран на невронна мрежа, регулатор притежава забележителна способност заобучение по отношение на управлението на сложни динамични системи, почти без да изисквапредварителни знания за динамиката на обекта и трудоемки процедури по запуска на системата.2.4 A. V. Topalov, G. L. Cascella, V. Giordano, F. Cupertino and O. Kaynak, “Sliding ModeNeuro-Adaptive Control of Electric Drives”, IEEE Transactions on Industrial Electronics,vol. 54, issue 1, pp. 671-679, 2007.Резюме. Представен е един иновативен метод за онлайн трениране на реализирани с невронни мрежирегулатори, базиран на принципи от теорията за системите с променлива структура. Методът еприложен за управление на скоростта на електрически двигатели. Предложеният обучаващ алгоритъмустановява вътрешно хлъзгащо движение по отношение на параметрите на регулатора, водещо къмнула грешката в управляващия сигнал. Външното хлъзгащо движение касае управляванияелектродвигател, чийто вектор на следящата грешка по състояние е паралелно принуждаван да сепремества към началото на фазовото пространство. Демонстрирана е съществуващатаеквивалентност между двете хлъзгащи движения. За да бъде оценена работата на предложенатасхема за управление и нейната практическа осъществимост в индустриални условия са проведениекспериментални тестове с електрозадвижвания. Дискутирани са ключови проблеми катоадаптируемост, изчислителна тежест и робастност. Получените експериментални резултатипоказват, че предложеният невронен регулатор на скоростта притежава много добра способност дабъде обучен за управление на електрозадвижвания, почти без да изисква предварителни знания задинамиката на обекта и трудоемки процедури по запуска на системата.2.5 A. V. Topalov and O. Kaynak, “Neural Network Modeling and Control of Cement MillsUsing a Variable Structure Systems Theory Based On-line Learning Mechanism”, Journal ofProcess Control, vol.14, pp.581-589, 2004.Резюме. Добре известно е, че основната причина за неустойчивост при циментовите мелници виндустрията е така нареченото явление задръстване на мелницата. В статията е представена нова,използваща невронна мрежа, адаптивна схема на управление на оборудването за смилане нациментовия клинкер, която е способна изцяло да предотврати задръстването на мелницата. Оценкитена грешките в управляващите сигнали се изчисляват с една стъпка напред посредством невроненпредсказващ модел на обекта и се използват за настройка на регулатора. За адаптацията нарегулатора и на модела на обекта е приложен робастен онлайн алгоритъм, основан върху прякотоизползване на принципи от теорията за управление в режим на хлъзгане. Предложеният подходпозволява на системата да се справя със съществуващи несъответствия, неопределености ипараметрични промени в модела на мелницата. Симулационните резултати показват, че невронниятмодел и регулаторът наследяват някои от преимуществата на метода за управление в режим нахлъзгане, като робастност по отношение на съществуващи неточности и/или неопределености вмодела на обекта. Освен това обучението се реализира сравнително бързо.2.6 A. V. Topalov and O. Kaynak, "On-Line Learning in Adaptive Neurocontrol Schemeswith a Sliding Mode Algorithm," IEEE Transactions on Systems, Man and Cybernetics, PartB, vol.31, no: 3, pp. 445-450, 2001.Резюме. Представени са отличителните черти на една нова адаптивна схема за невронно управлениена нелинейни обекти, реализираща подобен на ПИД закон. Настройката на регулатора се основава наопределяне на оценка на грешката в управляващия сигнал чрез използване на невронен предсказващмодел. Приложен е робастен, работещ онлайн алгоритъм за обучение, пряко използващ принципи оттеорията за управление в режим на хлъзгане (SMC). Предложеният подход позволява на системата дасе справи със съществуващи несъответствия, неопределености и параметрични промени. Резултатитепоказват, че невронният модел и регулаторът наследяват някои от преимуществата на метода зауправление в режим на хлъзгане, като робастност по отношение на съществуващи неточности и/илинеопределености и висока скорост на обучение.2.7 A. V. Topalov, J. -H. Kim, and T. Ph. Proychev, “Fuzzy-Net Control of Non-HolonomicMobile Robot Using Evolutionary Feedback-Error-Learning”, Robotics and AutonomousSystems, Vol. 23, Issue 3, Elsevier, (ISSN 0921-8890), pp. 187-200, 1998.Резюме. Стандартните подходи при проектиране на управлението на нехолономни мобилни роботиотчитат само кинематиката на робота, игнорирайки динамиката му. Неотдавна бе разработенустойчив алгоритъм за управление, който взема под внимание пълната динамика на мобилния робот,9

използвайки така наречения подход „back stepping kinematics into dynamics“ (постъпково връщане назадот кинематиката в динамиката). За успешното прилагане на този метод, обаче, динамиката намобилната платформа трябва да бъде напълно известна. В редица случаи е невъзможно тя да бъдеточно определена. Решението на проблема изисква използване на методи за робастно - адаптивноуправление, комбиниращи конвенционални подходи с нови методи за обучение за постигане на доброфункциониране на системата. Тази статия разглежда проблема на следящото траекторно управлениепри нехолономен колесен мобилен робот. Представената схема за управление на движението на роботае основана върху интеграцията на регулатор, отчитащ само кинематичния модел и невронно-размитрегулатор на двигателния момент. Разработен е метод с еволюционни изчисления за онлайн обучениена невронно-размития регулатор на момента, използващ грешката в затворената система (feedbackerror-learning),целящ автоматичното извличане на знания във вид на размити „if-then“ правила.Предложеният адаптивен невронно-размит регулатор на момента може да се справя с немоделираниограничени смущения и/или неструктурирана немоделирана динамика на робота. Разработенотоуправление е симулирано и е оценен неговия ефект върху качеството на траекторно следене принехолономна мобилна платформа.Статии в рецензирани български списания2.8 А. В. Топалов, С. A. Ахмед и Н. Г. Шакев, “Алгоритъм за обучение в реално времена размити невронни мрежи, използващ теорията за управление в режим на хлъзгане”,Journal of the Technical University at Plovdiv, “Fundamental Sciences and Applications”,vol. 13 (4), pp. 187-198, 2006 г.Резюме. Разработен е нов, основан върху теорията на системите с променлива структура алгоритъмза онлайн трениране на размити невронни мрежи. Такива структури на изчислителния интелект сашироко прилагани за моделиране, идентификация и управление на нелинейни динамични системи.Алгоритъмът е приложим за размити невронни мрежи от типа на Takagi-Sugeno-Kang със скаларенизходен сигнал. Доказана е сходимостта му и са приведени условията за това. За разлика от другиподобни подходи, които се ограничават до адаптация на параметрите само на деразмиващата част,предложеният алгоритъм настройва също и параметрите на използваните функции напринадлежност. Множеството от нулеви нива на променливата на грешката при обучение серазглежда като повърхнина на хлъзгане в пространството на обучаваните параметри на мрежата.Показана е ефективността на предложения алгоритъм при онлайн обучение за апроксимация нанелинейни функции.2.9 А. В. Топалов и Н. Г. Шакев, „Йерархична система за управление на играещифутбол мобилни роботи”, “Автоматика и информатика”, бр.1, год. XL, стр. 48-50,2006 г.Резюме. Провеждането на състезания по футбол за мобилни роботи е международна инициатива,която има за цел да помогне за ускоряването на научните изследвания и техническия прогрес вроботиката и изкуствения интелект. Популярността на футбола в световен мащаб и същевременнозасягането на множество актуални проблеми, относно разработването на интелигентни системидоведе, няколко години след организирането на първите подобни състезания от този тип, допревръщането им в една от класическите платформи за научни изследвания, свързани с проектиранетона автономни агенти и роботи, колективен интелект, многоагентни системи, интелигентна роботикаи др. През 2001 г. е сключен четиригодишен договор между ТУ – София, филиал Пловдив и BogaziciUniversity, Истанбул, Република Турция за съвместна научно изследователска работа по проект„Церберус“, предвиждащ създаване и участие с общ отбор в международните състезания по футбол сроботи в една от най-интересните и динамично развиващи се категории – Лигата на четирикракитероботи (Four Legged League) към Международната федерация RoboCup. Изследователската група отТУ-София, филиал Пловдив се ангажира със създаването на програмен модул за управление надвижението и на модул, реализиращ набор от реактивни поведения. В статията се описвауправлението на роботите в отбора „Церберус“, изградено като хибридна система с йерархичнаструктура.2.10 A. V. Topalov, J. -H. Kim, and T. Ph. Proychev, “Neuro-Genetic Adaptive Control withApplication to Robot Manipulators”, Journal of the Technical University at Plovdiv, Vol. 5"Technical Sciences”, pp. 127-135, 1996 г., (на английски език)Резюме. В съвременните робототехнически системи съществува необходимост от по-гъвкави иробастни управляващи устройства за да може да бъде по-пълно използвана присъщата наманипулационните роботи гъвкавост и многофункционалност. Решението на проблема за управлениепри роботите изисква комбиниране на конвенционални подходи с нови методи за обучение за да бъде10

постигнато добро качество на управление. В тази статия е представена нова невронно-генетичнаадаптивна схема за управление, която е приложена за управление на преместванията на роботманипулатор. Проектираната стратегия е децентрализирана и позволява прилагането на независимиставни управления. Две свързани невронни мрежи с прави връзки се използват за предсказване с еднастъпка напред на позицията на ставата на робота. Генетичен алгоритъм е приложен запредварителна онлайн настройка на параметрите на регулатора. Динамичен алгоритъм за обучение собратно разпространение на грешката (dynamic back propagation) се използва за адаптация намрежовите тегла и за фина настройка на параметрите на регулатора. Разработената схема зауправление е симулирана и е оценено нейното функциониране при задача за траекторно следене отпланарен робот манипулатор с две степени на свобода.Доклади на международни научни конференции2.11 A. V. Topalov and O. Kaynak, “Sliding Mode Feedback-Error-Learning NeurocontrolStrategy for a Robot Manipulator”, Proc. of Joint 2nd International Conference on SoftComputing and Intelligent Systems and 5th International Symposium on Advanced IntelligentSystems, SCIS&ISIS’04, pp. 124-130, 2004, Yokohama, Japan.Резюме. Представени са особеностите на нов динамичен алгоритъм за робастно адаптивно обучениепри невронните мрежи и приложението му за невронно-адаптивно управление на нелинейни системи.Предложеният метод директно прилага теорията за системите с променлива структура.Алгоритъмът за обучение установява вътрешно хлъзгащо движение по отношение на параметрите нарегулатора, водещо към нулата грешката при обучение. Външното хлъзгащо движение касаеуправлявания обект, векторът на следящата грешка по състояние на който едновременно се принуденосе насочва към началото на фазовото пространство. Демонстрирана е еквивалентността междудвете хлъзгащи движения. Доказана е сходимостта на алгоритъма и са дадени условията за нея.Представени са резултати от симулационни изследвания на невронно-адаптивно управление надвузвенен планарен манипулатор, прилагащо предложената схема за нелинеен регулатор обучаван врежим на хлъзгане по грешката в затворената система (sliding mode feedback-error-learning). Тепоказват, че регулаторът наследява някои от предимствата на системите с променлива структура –робастност и бързо обучение.2.12 A. V. Topalov and O. Kaynak, “Robust On-line Training of Multilayer Perceptrons viaDirect Implementation of Variable Structure Systems Theory”, Proc. of the 4th InternationalSymposium on Advanced Intelligent systems, ISIS 2003, pp. 300-303, 2003, Jeju, South Korea.Резюме. Предложен е алгоритъм за онлайн трениране на многослойни перцептрони, който е базиранвърху директното прилагане на теорията за системите с променлива структура. Разглеждат семрежови структури притежаващи много входове, един скрит слой и един изход, чиито тегла навръзките между невроните могат да се актуализират в непрекъснато време (аналогови невроннимрежи). Множеството от нулеви нива на грешката при обучение се приема за повърхнина на хлъзгане впространството на обучаваните параметри. Върху тази повърхнина се предизвиква траектория врежим на хлъзгане, която се достига за крайно време. Представени са също така и резултати отсимулирана задача за онлайн идентификация на динамиката на двузвенен равнинен манипулатор.2.13 H. L. Akin, A. Topalov and O. Kaynak, Cerberus 2003 Team Description Paper,RoboCup2003, Proc. of the International Symposium with Team Description Papers, pp. 1-6,2003, Padova, Italy, (публикуван също и в интернет: http://www.science.uva.nl/~arnoud/research/aibo/tdps-Four-Legged-2003/Cerberus2003.pdf)Резюме. Футболът за роботи е една поставяща много предизвикателства област на изследвания,особено подходяща за изучаване широк спектър от задачи, касаещи цялостната разработката наавтономни агенти. Тимът „Церберус“ направи своя дебют на състезанията RoboCup през 2001 г. катопървия международен отбор, участващ в Лигата на крачещите роботи Sony, създаден в резултат насъвместните изследователски усилия на група студенти и техните преподаватели от BogaziciUniversity, Истанбул, Турция и Техническия университет – София, филиал Пловдив, България.Въвеждането на RoboCup като обединяваща тема за различни области на изследване при автономнитероботи привлече много студенти и ускори изследователските усилия. В програмното осигуряване наотбора е възприета модулната архитектура. Основните системни компоненти (модули) са: зрение,локализация, планировчик, модул за поведения и модул за управление на движението. Със създаденитепрез тази година възможности за изграждане на локална безжична мрежа между роботите ототбора, усилията са концентрирани върху реализацията на многоагентни поведения и в частностгенериране на многоагентни стратегии чрез прилагане на обучение с поощрение (reinforcement learning).Работи се върху многоагентната локализация, като целта е да бъде разширен разработения през11

предходната година и приложен само за един агент размит подход. Изследват се методи, касаещикомуникацията и кооперирането между реалните физически агенти.2.14 A. V. Topalov and S. G. Tzafestas, “Layered Multi-Agent Reactive-Behavior Learningin a Robotic Soccer”, Proc. of the 6th IFAC Symposium on Robot Control, SYROCO'00, pp.325-330, Sept., 2000, Vienna, Austria.Резюме. Футболът за роботи е един интересен тестови проблем от областта на самоорганизиращитесе и сътрудничещи си многоагентни системи. Предмет на този доклад е научаването на две основниповедения от ниско ниво, които позволят на играещия футбол робот да участва впоследствие вобучавани ситуации от по-високо ниво, изискващи от роботите прояви на сътрудничество илисъперничество. Първоначално се научава поведението за прехващане на топката и избягване напрепятствия. Придобитите умения след това се вграждат при научаването на поведение за шутиранена топката към противниковата врата или за подаване към съотборник, което се явява многоагентенсценарий за обучение от следващо ниво. Предложената схема за управление на тези поведения сесъстои от невронно-размит траекторен генератор със слоеста структура, който подава данни къмрегулатор за траекторно следене.2.15 A. V. Topalov and D. D. Tsankova, “Goal-Directed, Collision-Free Mobile RobotNavigation and Control”, Proc. of 1st IFAC Workshop on Multi-Agent Systems, pp. 31-36,Dec. 1999, Vienna, Austria.Резюме. Навигацията и избягването на стълкновения са основни области на изследване в мобилнатароботика. В този доклад е предложен нов метод за навигация и управление на колесен мобилен робот. Спомощта на ефективен, обучен с генетични алгоритми, невронно-размит генератор-планировчик сеизчислява свободна от стълкновения траектория. Тя се явява изходен сигнал от навигационното ниво,който се подава към нивото за траекторно следене. Последното отчита пълната динамика намобилната платформа. Управляващата движението на робота структура е изградена чрезинтегриране на кинематичен регулатор за траекторно следене, който отчита единственокинематиката на робота и втори адаптивен невронно-размит регулатор на въртящия момент.2.16 D. D. Tsankova and A. V. Topalov, “Behavior Arbitration for Autonomous MobileRobots Using Immune Networks”, Proc. of 1st IFAC Workshop on Multi-Agent Systems, pp.25-30, Dec. 1999, Vienna, Austria.Резюме. В този доклад е разгледан един децентрализиран механизъм за арбитраж на поведения,инспириран от имунологията. Методът е използван за навигация на автономен мобилен робот.Предложени са два варианта на арбитражен механизъм. Първият от тях е една имунна мрежа, прикоято частта от модулите за компетенция, отнасяща се до дефинирането на действията, еевристично определена. Вторият вариант предвижда частта за дефиниране на действията да сереализира с невронни мрежи. Две невронни мрежи са независимо настроени за реализиране на поведенияза избягване на препятствия и за следване на целта. Техните изходи са непрекъснати и генериратбезкраен брой действия на имунната мрежа, докато броят на евристично определените действия (припървия вариант) е краен. Валидирането на предложения метод е осъществено чрез проведенисимулационни изследвания с нехолономен мобилен робот.2.17 A. V. Topalov, D. D. Tsankova, M. G. Petrov, and T. Ph. Proychev, “Intelligent Sensor-Based Navigation and Control of Mobile Robot in a Partially Known Environment”, Proc. of3rd IFAC Symposium on Intelligent Autonomous Vehicles, pp. 439-444, March 25-27, 1998,Madrid, Spain.Резюме. Навигацията и избягването на стълкновения са основни области на изследване в мобилнатароботика, включващи различни степени на неизвестност. В доклада е предложен нов метод занавигация и управление на колесен мобилен робот в частично известна среда. Свободният отстълкновения път се изчислява чрез използване на ефективен невронен планировчик на движението.Допълнително е разработена използваща размита логика стратегия за настройка на получаваната повреме на движение информация, в случаите когато мобилният робот срещне неочаквани препятствия.Изходният сигнал от навигационното ниво се трансформира в индексирана по време последователностот данни, която се подава на входа на регулатор за следене на траектория, отчитащ цялостнатадинамика на мобилната платформа. Структурата за управление на движението е основана наинтеграцията на кинематичен регулатор (вземащ предвид само кинематичния модел на робота) иадаптивен невронно-размит регулатор на въртящия момент.2.18 A. V. Topalov, D. D. Tsankova, M. G. Petrov, and T. Ph. Proychev, “Intelligent MotionPlanning and Control for a Simulated Mobile Robot”, Proc. of 2nd IFAC Workshop on NewTrends in Design of Control Systems, pp. 338-343, Sept. 1997, Smolenice, Slovakia.12

Резюме. Представен е метод за цялостно планиране и управление на движението. Изчисляването насвободен от стълкновения път се извършва от планировчик на движението, реализиран с невроннамрежа. Неговият изходен сигнал след това се трансформира в индексирана по време последователностот данни, която се подава на управляващо устройство за траекторно следене, отчитащо пълнатадинамика на мобилната платформа. Предложената структура за управление на движението се базирана интеграцията на кинематичен регулатор и адаптивен невронно-размит регулатор на въртящиямомент. Разработен е метод използващ еволюционни изчисления, за онлайн обучение на невронноразмитиярегулатор на момента. Методът използва грешката в затворената система (feedback-errorlearning)и има за цел автоматичното извличане на знания във вид на размити „if-then“ правила.Резултатите от проведени симулационни изследвания с нехолономен мобилен робот показватефективността на предложения метод.2.19 M. G. Petrov, T. Ph. Proychev, and A. V. Topalov, “An Adaptive Hybrid Fuzzy-NeuralController”, Proc. of 2nd IFAC Workshop on New Trends in Design of Control Systems, pp.326-331, Sept. 1997, Smolenice, Slovakia.Резюме. Докладът представя резултатите от изследвания касаещи разработката на използващоневронни мрежи адаптивно размито управление за нелинейни и променящи се във времето физическипроцеси. Чрез използване на хибридна структура размитият регулатор може да се разглежда катоизграден от традиционните си компоненти и от две невронни мрежи. Първата невронна мрежаработи като адаптивен оценител на правила и има за цел онлайн формиране и модификация наразмитите правила. Нейното функциониране е подробно описано в предишно изследване на авторите. Внастоящата разработка, като по-нататъшно развитие на хибридната структура, се предлагаизползването на втората невронна мрежа. Тя реализира функцията за деразмиване и работи катоадаптивен невронен блок за деразмиване. Приложена е стандартна едностъпкова градиентнапроцедура за обучение и изходният сигнал от конвенционален регулатор с обратна връзка е използван занастройка на параметрите на предложения невроннен блок за деразмиване. Направен е сравнителенанализ с традиционен размит регулатор. Получените резултати показват по-добрата работа напредложената хибридна управляваща структура.Доклади на национални научни конференции с международно участие2.20 N. G. Shakev, A. V. Topalov and S. M. Nikolova, “Autonomous Guidance and FlightControl of a Quad-rotor Mini-rotorcraft”, Proc. of the International Conference “Automaticsand Informatics 2010”, pp. I-213 – I-216, 3-7 October 2010, София.Резюме. През последните години използването на автономни летателни апарати за военни играждански приложения постоянно нараства. При задачите свързани с наблюдение и инспектираневинтокрилните летателни апарати имат някои предимства в сравнение с тези с фиксирани крила. Теса способни да излитат и кацат в ограничени пространства и да увисват над целите. Автономнотофункциониране на винтокрилни летателни апарати в среди, характеризиращи се с наличие напрепятствия поставя изисквания за бързо генериране на траектория и прецизното й следване.Докладът акцентира върху разработката на невронно-размит траекторен генератор свързан съсуправляваща схема за стабилизация и траекторно следене при малък четирироторен хеликоптер. Спредложената схема за водене и управление на полета този миниатюрен летящ робот е способен дафункционира автономно в околна среда в помещения с налични препятствия.2.21 K. Б. Шиев, A. В. Tопалов, Н. Г. Шакев и С. A. Aхмед, “Лабораторна система забърза разработка на прототипи на управляващи системи, работещи в реално време”,Proc. of International Conference “Automatics and Informatics’09”, pp. VI-57 – VI-60, Sept.29 – October 4, 2009, Sofia, Bulgaria.Резюме. Използването на методи за бърза разработка на прототипи на работещи в реално времесистеми води до спестяване на време и ресурси в сравнение с традиционните подходи за проектиране. Вдоклада е представен лабораторен стенд за бърза разработка на прототипи на управляващи системи,работещи в реално време. Модулът за събиране на данни и управление MultiQ-3 се използва за да осигуриобмен на данни между създадена в средата на Simulink схема за управление и реалния обект. Модулътизползва софтуерното приложение за работа в реално време WinCon за да изпълни програмния кодгенериран от диаграмата в Simulink през Real-Time Workshop на Matlab. Софтуерът WinCon позволявалесно управление и визуализация на целия процес. За демонстриране на ефективността на представениялабораторен стенд е разработена работеща в реално време система за рекурсивно оценяване напараметрите на динамични системи.2.22 N. G. Shakev, A. V. Topalov, S. M. Nikolova, and D. T. Seyzinski, “Dynamic Modellingand Attitude Stabilization of a Quadrotor Miniature Helicopter”, Proc. of International13

Conference “Automatics and Informatics’09”, pp. VI-61 – VI-64, Sept. 29 – October 4, 2009,София.Резюме. През последните години интересът към вертикално излитащите и кацащи (VTOL) летателниапарати се засили. Бързото развитие на технологиите в тази област позволи конструирането нанеголеми автономни модели на VTOL летателни апарати с цел ефективното и с по-малки разходитестване на различни концепции за управлението им, както и за сравнение на различни проектнирешения. Draganflyer V-Ti е радио-управляем миниатюрен хеликоптер, задвижван от четири ротора,който може да осъществява движение във въздуха с шест степени на свобода, както и устойчиво дависи в зададена точка. Докладът представя проектирания симулационен модел на четирироторниявинтокрилен апарат Draganflyer V-Ti, отчитащ цялостно нелинейната му динамика, както иполучените начални резултати за стабилизация на позицията и управление на височината налетателния апарат.2.23 A. V. Topalov, D. T. Seyzinski, S. M. Nikolova, N. G. Shakev and O. Kaynak, “NeuroadaptiveTrajectory Control of Unmanned Aerial Vehicles”, Proc. of Fourth ScientificConference with International Participation SPACE, ECOLOGY, NANOTECHNOLOGY,SAFETY, SENS 2008, pp. 45-50, 4-7 June, 2008, Varna, Bulgaria.Резюме. Предложен е невронно-адаптивен подход за проектиране на устройство за автономноуправление на полета (автопилот) за въздушен робот. Три невронно-адаптивни управляващиустройства (модули), поддържат желаните стойности на височината, въздушната скорост и ъгълана крена и чрез тях се постига управление на височината и местоположението (географската ширинадължина)на летателния апарат. Структурата на всеки от интелигентните управляващи модуливключва два регулатора - конвенционален и невронен регулатор. Първият служи за гарантиране наасимптотична устойчивост в компактно пространство и като инверсен еталонен модел на реакциятана управляваната система. Адаптивните свойства на системата се реализират посредством вториярегулатор. Предложеният подход пряко прилага теорията за системите с променлива структура.Разработен е базиран на системите с променлива структура онлайн обучаващ алгоритъм, койтонастройва параметрите на невронния регулатор. Представени са получените, с използване напредложената невронно-адаптивна управляваща схема, резултати от симулирано траекторноуправление на полета на безпилотния самолет Aerosonde.2.24 E. Kayacan, Y. Oniz, O. Kaynak and A. V. Topalov, "Kilitlenmeyen Fren Sistemi(KFS)’nin Gri Çok Katmanlı İleri Beslemeli Yapay Sinir Ağları ile Uyarlamalı Kontrolu"(Управление на антибликировъчна спирачна система (ABS) чрез прилагане на сивамногослойна невронна мрежа с прави връзки), Proc. of TOK 2008 – Otomatik KontrolUlusal Toplantısı, pp. 453-458, 13-15 Kasım, 2008, Istanbul, Turkey (на турски език).Резюме. В специализираните литературните източници не може да бъде намерен точен модел надинамиката на антиблокировъчната спирачна система (ABS) прилагана в автомобилите, която сехарактеризира с наличието на силно изразени нелинейности и неопределености. Като решение на тозипроблем, в литературата се предлага използването на моделно независими методи за управление. Вдоклада е предложен един моделно независим подход за управление, използващ сива многослойнаневронна мрежа с прави връзки, с алгоритъм за обучение базиран на теорията за управление в режимна хлъзгане. Благодарение на предсказващите си свойства сивите системи се прилагат катоалтернатива на конвенционалните алгоритми за управление в редица изследвания, публикувани внаучната литература. Настоящата разработка съчетава свойствата и предимствата на един отнай-популярните сиви предсказващи модели (Grey prediction models) GM(1,1) и на многослойнитеневронни мрежи. Направени са няколко сравнителни експеримента при различни работни условия.Предложеният подход за управление на ABS система с помощта на многослойна невронна мрежа,обучавана в режим на хлъзгане, осигурява работа на системата без наличие на статична грешка иколебания.2.25 П. Е. Павлова, Б. К. Пачеджиева и А. В. Топалов, „Изследване на цвета на небетопо време на слънчевото затъмнение на 11 август 1999“, Сборник доклади на Шестатанационална конференция с международно участие по съвременни проблеми наслънчево-земните въздействия, стр. 65 – 68, ноември 1999 г., София.Резюме. Настоящият доклад представя резултатите от обработката на данни, регистрирани повреме на частичното слънчево затъмнение на 11 август 1999 година в град Пловдив. Първичните даннипредставляват изображения на небето, регистрирани с помощта на монохромна видеокамера и цветнифилтри в различни времеви интервали. Изображенията са съхранени във вид на компютърни файлове.14

Проложената обработка имаше за цел да проследи евентуалното изменение на цвета на небето повреме на затъмнението.2.26 A. V. Topalov and D. D. Tsankova, “A Hybrid System for Mobile Robot Path-Planningand Control”, Proc. of International Workshop on Intelligent Control, INCON’97, pp. 57-62,Oct. 13-15, 1997, Sofia, Bulgaria.Резюме. Една от изследователските задачи в мобилната роботика е да бъде придвижен мобилнияробот в навигационното пространство без стълкновения от началната си позиция до дадена целевапозиция. В този доклад е предложен интелигентен хибриден подход за планиране на пътя и управлениена движението на колесен мобилен робот в частично известна околна среда. Първоначално свободниятот стълкновения път се изчислява от невронен планировчик на движението (motion planner). Вслучаите, когато мобилният робот срещне по пътя си неочаквани препятствия, за избягването им сеактивира допълнителна експертна система за навигация, която променя постъпващата от невроннияпланировчик информация за движението с цел заобикалянето им. Изходният сигнал от планиращотониво се трансформира в индексирана по време последователност от данни, която се подава на входа насхема за траекторно управление, отчитаща цялостната динамика на мобилната платформа. Нейнатаструктура е изградена върху интеграцията на кинематичен (отчитащ само кинематичния модел наробота) и адаптивен невронно-размит регулатор на въртящия момент.2.27 A. V. Topalov, K. -Ch. Kim, and J. -H. Kim, “An On-line Tuned Neuro-Genetic PIDtypeController”, Proc. of Korean Automatic Control Conference, pp. 195-198, March 29-30,1996, Seoul, South Korea.Резюме. В този доклад е предложена нова структура на адаптивна ПИД система за управление. Тяможе да бъде разглеждана като схема реализираща индиректно адаптивно управление с използване наработещ с една стъпка напред невронен предиктор позволяващ адаптивна настройка на параметритена регулатора при наличие на неопределености в динамичния модел на обекта. В предложената схемаза управление се прилага нов бърз онлайн метод за обучение, който използва съвместно генетиченалгоритъм и динамичен алгоритъм за обучение с обратно разпространение на грешката (dynamic backpropagation). Показано е, чрез провеждане на симулационни експерименти, че предложеният алгоритъмза обучение се характеризира с бърза сходимост и по-добри характеристики по отношение нанамаляване на грешката на съответствие в онлайн обучаващите се невронни структури. Освен това,той води до подобряване на преходната характеристика на адаптивната система.2.28 A. V. Topalov, J. -H. Kim, and T. Ph. Proychev, “Neuro-Adaptive PID Control withApplication to Robotic Manipulators”, Proc. of Korean Automatic Control Conference, pp.415-420, March 29-30, 1996, Seoul, South Korea.Резюме. В областта на гъвкавото автоматизирано производство ролята на роботите манипулаторивсе повече нараства. Възможността да изпълняват задачи за траекторно следене с високата скорости точност е особено важна с оглед на многоцелевото им приложение. Необходимостта отудовлетворяване на високите изисквания по отношение на управлението, в условията на нарастващасложност на динамичните системи и при наличието на значителни неопределености, водят къмпроектиране на интелигентни манипулационни роботи. В този доклад е представена нова схема заадаптивно ПИД управление с използване на конекционистски архитектури. Тя е приложена зауправление на движението на робот манипулатор. Проектираната стратегия на управление едецентрализирана и позволява прилагането на независими ставни управления. Предложенатаархитектура може да бъде разглеждана като индиректно адаптивно управление. Две свързанимногослойни невронни мрежи се използват за предсказване на позицията на ставата на робота.Динамичен алгоритъм за обучение с обратно разпространение на грешката (dynamic back propagation)се използва за адаптация на мрежовите тегла, като тренирането се осъществява онлайн по време наизпълняваните от робота движения. Използвано е обратно разпространение на траекторната грешкапрез правия динамичен модел на манипулатора за да бъде изчислена оценка на грешката в управляващиясигнал на изхода на регулатора. Последната се използва за адаптация на неговите параметри.Разработената схема за управление е симулирана и е оценен нейния ефект върху качеството натраекторно следене при прост робот манипулатор с две степени на свобода.Публикувани в интернет доклади за резултати от ръководени международнинаучни проекти (цитирани в научни публикации от други автори).2.29 H. L. Akın, E. Başaran, T. Demir, O. Dikmen, Ç. Gündüz, O. Kaynak, H. Köse, A. A.Salah, Ö. Tombuş, O. T. Yıldız, I. Kalvachev, P.E. Pavlova, Ch. I. Radev, A. Ch. Radeva, N.G. Shakev, J. K. Tombakov, and A. V. Topalov, Cerberus 2001 Team Report, Bogazici15

University, Turkey, Technical University of Sofia, Bulgaria, Sept., 30, 2001,http://robot.cmpe.boun.edu.tr/~cerberus/wiki/uploads/Downloads/Cerberus2001-TR.pdfРезюме. „Церберус“ е един от четирите нови отбора, участващи в категорията „крачещи роботи“ насъстезанието RoboCup. Отборът бе създаден със съвместните изследователски усилия намеждународен колектив от два университета - Boğaziçi University в гр. Истанбул, Република Турция иТехнически университет – София, филиал в гр. Пловдив, Република България. Проектирането напрограмното осигуряване на отбора от роботи-„кучета“, производство на фирма Sony, бе разделенoна шест основни задачи, като работата по тях бе осъществена паралелно във времето отмеждународния колектив, работещ по проекта. Предвид на ограниченото време, поставените целибяха да бъде постигнато ясно обектно ориентирано проектиране и добре структурирана поведенческаархитектура.2.30 H. L. Akın, M. D. Arıkkan, H. K. Bağcı, Y. Demirelli, O. Dikmen, F. Erin, A. N. Erkan,Ç. Gündüz, L. Santemiz, A. Sardağ, I. Şahin, K. Tarıman, B. Turhan, O. T. Yıldız, I.Kalvachev, I. Kostova, P. Pavlova, G. Raykov, N. Shakev, J. Tombakov, and A. V. Topalov,Cerberus 2002 Team Report, Bogaziçi University and Technical University Sofia, September21, 2002, http://robot.cmpe.boun.edu.tr/~cerberus/wiki/uploads/Downloads/Cerberus2002-TR.pdfРезюме. „Церберус“ е отбор от играещи футбол роботи, реализиран със съвместните усилия наBoğaziçi University (Турция) и Технически университет – София, филиал в гр. Пловдив. Проектиранетона програмното осигуряване бе разделено на шест основни задачи, като по тях бе работено паралелно.Редица програмни модули бяха разработени с използването на няколко различни метода и впоследствиеинтегрирани в окончателния вариант на системата. През 2002 година в допълнение към използванитепо-добри алгоритми, бяха направени също така и подобрения в програмния код. Основната цел нанашия колектив бе да се изгради платформа за изследвания, която да позволи ефективната реализацияна играещи футбол роботи. Въпреки че част от разработения през 2001 г. програмен код продължи дабъде използвана, крайната реализация включваше много нови алгоритми.2.31 H. L. Akın, M. K. Baloğlu, H. K. Bağcı, S. Bayhan, Ç. Meriçli, D. Poslu, Ö. Sever, O. T.Yıldız, S. Argirov, B. Marinov, P. Pavlova, N. Shakev, J. Tombakov, and A. V. Topalov,Cerberus 2003 Team Report, Bogaziçi University and Technical University Sofia, October14, 2003, http://robot.cmpe.boun.edu.tr/~cerberus/wiki/uploads/Downloads/Cerberus2003-TR.pdfРезюме. Отборът „Церберус“ направи своя дебют в състезанието RoboCup 2001. Това бе първиятмеждународен отбор, участващ в Лигата на крачещите роботи, резултат от съвместнитеизследователски усилия на група студенти и техните преподаватели от Boğaziçi University, гр.Истанбул, Турция и Техническия университет - София, филиал Пловдив, гр. Пловдив, България. Нашатаосновна стратегия бе разработката на програмното осигуряване за роботите да бъде разпределена вчетири основни задачи, като с всяка от тях се занимаваше специално формирана група от участници визследователския колектив. Всяка група стартира работата си със създаването на работещпрограмен код за реализиране на възложената задача и интегрирането му в цялостната система, такаче да се получи начален вариант на работоспособна система. След това групите работиха запостепенното подобряване на програмните модули. Разработката на някои модули бе възложенаедновременно на повече от една група. Създадените четири работни групи бяха за: управление надвижението, локализация, компютърно зрение и управление на поведението на роботите. Отчитайкинедостатъците на разработеното през предходната година програмно осигуряване за отбораЦерберус, основно в модулите за компютърно зрение и за управление на движението, през текущатагодина специално внимание бе отделено на тези направления. В допълнение бе работено поразработката на многоагентни поведения, отчитащи възможностите на доставените мрежовикарти за безжична връзка между роботите от отбора. Въпреки че част от разработения през 2002 г.програмен код все още продължи да бъде използвана, крайната реализация се състоеше от предимнонови алгоритми, реализирани вече с използването на OPEN-R SDK.16

3. Учебници и учебни пособия3.1 А. Топалов, М. Петров, Н. Шакев и А. Танева, Методи на изкуствения интелект всистемите за управление. Част II. Приложение на невронните мрежи, учебник, 164стр., Издателство на ТУ – София, 2011 г.3.2 М. Петров, А. Топалов, А. Танева и Н. Шакев, Методи на изкуствения интелект всистемите за управление. Част I. Размита логика и управление, учебник 160 стр.,Издателство на ТУ – София, 2009 г.3.3 O. Kaynak and A. V. Topalov, New Stable Variable Structure Systems-based On-lineLearning Algorithms for Parameter Tuning in Intelligent Systems, материали за kратъкучебен курс (tutorial), изнесен на IEEE International Symposium on Industrial Electronics,IEEE ISIE‘05 в гр. Дубровник, Република Хърватска (официално публикувани отОрганизационния комитет на компакт диск), юни 20-23, 2005.(на английски език).17