Sistema de control en tiempo real

El Sistema de Control en Tiempo Real ( RCS , por sus siglas en inglés) es una arquitectura de modelo de referencia , adecuada para numerosos problemas de control computacional en tiempo real que requieren un uso intensivo de software . Define los tipos de funciones necesarias en un sistema de control inteligente en tiempo real y cómo se relacionan entre sí.

RCS no es un diseño de sistema , ni una especificación de cómo implementar sistemas específicos . RCS prescribe un modelo de control jerárquico basado en un conjunto de principios de ingeniería bien fundamentados para organizar la complejidad del sistema . Todos los nodos de control en todos los niveles comparten un modelo de nodo genérico. ^{[ 1 ]}

Además, RCS proporciona una metodología integral para el diseño, la ingeniería, la integración y las pruebas de sistemas de control. Los arquitectos dividen iterativamente las tareas y la información del sistema en subconjuntos finitos y más precisos que son controlables y eficientes. RCS se centra en el control inteligente que se adapta a entornos operativos inciertos y no estructurados. Los aspectos clave son la detección, la percepción, el conocimiento, los costos, el aprendizaje, la planificación y la ejecución. ^{[ 1 ]}

Una arquitectura de modelo de referencia es una forma canónica, no una especificación de diseño de sistema . La arquitectura de modelo de referencia RCS combina la planificación y el control de movimiento en tiempo real con la planificación de tareas de alto nivel, la resolución de problemas , el modelado del mundo , la estimación recursiva de estados, el procesamiento de imágenes táctiles y visuales , y el análisis de firmas acústicas. De hecho, la evolución del concepto RCS ha sido impulsada por un esfuerzo por incluir las mejores propiedades y capacidades de la mayoría, si no de todos, los sistemas de control inteligentes actualmente conocidos en la literatura, desde la subsunción hasta SOAR, desde las pizarras negras hasta la programación orientada a objetos. ^{[ 2 ]}

El RCS (sistema de control en tiempo real) se ha desarrollado como una arquitectura de agente inteligente diseñada para permitir cualquier nivel de comportamiento inteligente, incluso el rendimiento humano. El RCS se inspiró en un modelo teórico del cerebelo, la parte del cerebro responsable de la coordinación motora fina y el control de los movimientos conscientes. Originalmente, se diseñó para el control sensorial interactivo y orientado a objetivos de manipuladores de laboratorio. A lo largo de tres décadas, ha evolucionado hasta convertirse en una arquitectura de control en tiempo real para máquinas herramienta inteligentes, sistemas de automatización industrial y vehículos autónomos inteligentes. ^{[ 3 ]}

RCS se aplica a muchos ámbitos problemáticos, incluyendo ejemplos de fabricación y sistemas de vehículos . Se han diseñado e implementado sistemas basados ​​en la arquitectura RCS en diversos grados para una amplia variedad de aplicaciones, entre las que se incluyen la carga y descarga de piezas y herramientas en máquinas herramienta, el control de estaciones de mecanizado, el desbarbado y biselado robótico, y el control de telerobots de estaciones espaciales, vehículos submarinos autónomos múltiples, vehículos terrestres no tripulados, sistemas de automatización de minas de carbón , sistemas de gestión de correo del servicio postal y sistemas de automatización operativa de submarinos. ^{[ 2 ]}

RCS ha evolucionado a través de diversas versiones a lo largo de los años, a medida que ha aumentado la comprensión de la complejidad y sofisticación del comportamiento inteligente. La primera implementación fue diseñada para la robótica sensorial interactiva por Barbera a mediados de la década de 1970. ^{[ 4 ]}

RCS-1

En RCS-1, el énfasis estaba en combinar comandos con retroalimentación sensorial para calcular la respuesta adecuada a cada combinación de objetivos y estados. La aplicación consistía en controlar un brazo robótico con un sistema de visión de luz estructurada en tareas de seguimiento visual. RCS-1 estuvo fuertemente influenciado por modelos biológicos como el modelo de Marr-Albus, ^{[ 5 ]} y el Cerebellar Model Arithmetic Computer (CMAC). ^{[ 6 ]} del cerebelo . ^{[ 2 ]}

CMAC se convierte en una máquina de estados cuando algunas de sus salidas se realimentan directamente a la entrada, por lo que RCS-1 se implementó como un conjunto de máquinas de estados organizadas en una jerarquía de niveles de control. En cada nivel, el comando de entrada selecciona un comportamiento que se rige por la realimentación, siguiendo un modelo de estímulo-respuesta . De este modo, CMAC se convirtió en el componente básico del modelo de referencia de RCS-1, como se muestra en la figura.

Se utilizó una jerarquía de estos bloques de construcción para implementar una jerarquía de comportamientos como la observada por Tinbergen ^{[ 7 ]} y otros. RCS-1 es similar en muchos aspectos a la arquitectura de subsunción de Brooks ^{[ 8 ]} , excepto que RCS selecciona comportamientos de antemano mediante objetivos expresados ​​en comandos, en lugar de a posteriori mediante subsunción ^{[ 2 ] .}

RCS-2

La siguiente generación, RCS-2, fue desarrollada por Barbera, Fitzgerald, Kent y otros para el control de fabricación en el NIST Automated Manufacturing Research Facility (AMRF) a principios de la década de 1980. ^{[ 9 ] [ 10 ] [ 11 ]} El bloque de construcción básico de RCS-2 se muestra en la figura.

La función H siguió siendo un ejecutor de tabla de estados de máquina de estados finitos . La novedad de RCS-2 fue la inclusión de la función G, que consta de varios algoritmos de procesamiento sensorial, incluidos algoritmos de luz estructurada y análisis de manchas. RCS-2 se utilizó para definir una jerarquía de ocho niveles que comprende los niveles de control Servo, Transformación de Coordenadas, Movimiento Eléctrico, Tarea, Estación de Trabajo, Celda, Taller e Instalación.

Solo se construyeron los primeros seis niveles. Dos de las estaciones de trabajo de AMRF implementaron completamente cinco niveles de RCS-2. El sistema de control para el robot de manipulación de materiales de campo del Ejército (FMR) ^{[ 12 ]} también se implementó en RCS-2, al igual que el proyecto del vehículo terrestre semiautónomo TMAP del Ejército . ^{[ 2 ]}

RCS-3

RCS-3 fue diseñado para el proyecto NBS/DARPA Multiple Autonomous Undersea Vehicle (MAUV) ^{[ 13 ]} y fue adaptado para la arquitectura del sistema de control de telerobots del modelo de referencia estándar de la NASA/NBS (NASREM) desarrollada para el servicio telerrobótico de vuelo de la estación espacial ^{[ 14 ].} El bloque de construcción básico de RCS-3 se muestra en la figura.

Las principales novedades introducidas en RCS-3 son el Modelo del Mundo y la interfaz del operador. La inclusión del Modelo del Mundo proporciona la base para la planificación de tareas y el procesamiento sensorial basado en modelos. Esto condujo al perfeccionamiento de los módulos de descomposición de tareas (TD) de modo que cada uno tenga un asignador de tareas, un planificador y un ejecutor para cada uno de los subsistemas a los que se les asigna una tarea. Esto se corresponde aproximadamente con la jerarquía de control de tres niveles de Saridis ^{[ 15 ]} . ^{[ 2 ]}

RCS-4

RCS-4 ha sido desarrollado desde la década de 1990 por la División de Sistemas Robóticos del NIST. El bloque de construcción básico se muestra en la figura. La principal novedad de RCS-4 es la representación explícita del sistema de Juicio de Valor (VJ). Los módulos VJ proporcionan al sistema de control RCS-4 el tipo de funciones que el sistema límbico proporciona al cerebro biológico . Los módulos VJ contienen procesos que calculan el costo , el beneficio y el riesgo de las acciones planificadas, y que asignan valor a objetos , materiales, territorio, situaciones, eventos y resultados. Las variables de estado de valor definen qué objetivos son importantes y qué objetos o regiones deben ser atendidos, atacados, defendidos, asistidos o sobre los que se debe actuar de otra manera. Los juicios de valor, o funciones de evaluación, son una parte esencial de cualquier forma de planificación o aprendizaje. La aplicación de juicios de valor a sistemas de control inteligentes ha sido abordada por George Pugh. ^{[ 16 ]} La estructura y función de los módulos VJ se desarrollan de forma más completa en Albus (1991). ^{[ 2 ] [ 17 ]}

RCS-4 también utiliza el término generación de comportamiento (BG) en lugar del término descomposición de la tarea 5 (TD) de RCS-3. El propósito de este cambio es enfatizar el grado de toma de decisiones autónoma . RCS-4 está diseñado para abordar aplicaciones altamente autónomas en entornos no estructurados donde las comunicaciones de alto ancho de banda son imposibles, como vehículos no tripulados que operan en el campo de batalla , en las profundidades marinas o en planetas distantes. Estas aplicaciones requieren juicios de valor autónomos y capacidades perceptivas sofisticadas en tiempo real . RCS-3 continuará utilizándose para aplicaciones menos exigentes, como la fabricación , la construcción o la telerrobótica para operaciones en el espacio cercano o en aguas poco profundas, donde los entornos son más estructurados y el ancho de banda de comunicación a una interfaz humana es menos restringido. En estas aplicaciones, los juicios de valor a menudo se representan implícitamente en los procesos de planificación de tareas o en la entrada del operador humano. ^{[ 2 ]}

En la figura, se resume en seis pasos un ejemplo de la metodología RCS para el diseño de un sistema de control para la conducción autónoma en carretera en condiciones de tráfico cotidianas. ^{[ 18 ]}

• El paso 1 consiste en un análisis intensivo del conocimiento del dominio a partir de manuales de capacitación y expertos en la materia. Se desarrollan y analizan escenarios para cada tarea y subtarea. El resultado de este paso es una estructuración del conocimiento procedimental en un árbol de descomposición de tareas con tareas cada vez más simples en cada nivel. En cada nivel, se define un vocabulario de comandos (verbos de acción con estados objetivo, parámetros y restricciones) para evocar el comportamiento de la tarea en cada nivel. ^{[ 18 ]}
• El paso 2 define una estructura jerárquica de unidades organizativas que ejecutarán las órdenes definidas en el paso 1. Para cada unidad, se especifican sus funciones y responsabilidades en respuesta a cada orden. Esto es análogo a establecer una estructura de desglose del trabajo para un proyecto de desarrollo o a definir un organigrama para una operación comercial o militar. ^{[ 18 ]}
• El paso 3 especifica el procesamiento que se activa dentro de cada unidad al recibir una orden de entrada. Para cada orden de entrada, se define un grafo de estados (o tabla de estados o autómata finito de estados extendido) que proporciona un plan (o procedimiento para crear un plan) para realizar la tarea ordenada. La orden de entrada selecciona (o hace que se genere) una tabla de estados apropiada, cuya ejecución genera una serie de órdenes de salida para las unidades del siguiente nivel inferior. La biblioteca de tablas de estados contiene un conjunto de reglas de procedimiento sensibles al estado que identifican todas las condiciones de ramificación de la tarea y especifican los parámetros correspondientes de transición de estado y de orden de salida. ^{[ 18 ]}

El resultado del paso 3 es que cada unidad organizativa tiene, para cada comando de entrada, una tabla de estados con reglas de producción ordenadas, cada una apta para ser ejecutada por un autómata finito de estados (AFE) extendido. La secuencia de subcomandos de salida necesarios para ejecutar el comando de entrada se genera mediante situaciones (es decir, condiciones de ramificación) que provocan la transición del AFE de un subcomando de salida al siguiente. ^{[ 18 ]}

• En el paso 4, se analiza cada una de las situaciones definidas en el paso 3 para revelar sus dependencias con los estados del mundo y de la tarea. Este paso identifica las relaciones detalladas entre entidades, eventos y estados del mundo que hacen que una situación particular sea verdadera. ^{[ 18 ]}
• En el paso 5, identificamos y nombramos todos los objetos y entidades junto con sus características y atributos particulares que son relevantes para detectar los estados y situaciones del mundo mencionados anteriormente. ^{[ 18 ]}
• En el paso 6, utilizamos el contexto de las actividades de la tarea específica para establecer las distancias y, por lo tanto, las resoluciones con las que el componente de procesamiento sensorial debe medir y reconocer los objetos y entidades relevantes. Esto establece un conjunto de requisitos y/o especificaciones para que el sistema de sensores admita cada actividad de subtarea. ^{[ 18 ]}

Basándose en la arquitectura del modelo de referencia RCS, el NIST ha desarrollado una biblioteca de software para sistemas de control en tiempo real . Se trata de un archivo de código C++, Java y Ada gratuito, scripts, herramientas, makefiles y documentación desarrollados para ayudar a los programadores de software que se utilizarán en sistemas de control en tiempo real , especialmente aquellos que utilizan la arquitectura del modelo de referencia para el diseño de sistemas inteligentes. ^{[ 19 ]}

• El marco ISAM es una aplicación de RCS al dominio de la fabricación.
• La arquitectura del modelo de referencia 4D-RCS es la aplicación RCS al dominio del vehículo, y
• El Modelo de Referencia Estándar de la NASA/NBS para la Arquitectura de Sistemas de Control de Telerobots (NASREM) es una aplicación al ámbito espacial.

•  Este artículo incorpora material de dominio público del Instituto Nacional de Estándares y Tecnología.

• RCS Arquitectura de sistemas de control en tiempo real Página principal del NIST