Sistema de control en tiempo real

El sistema de control en tiempo real ( RCS ) es una arquitectura de modelo de referencia adecuada para muchos dominios de problemas de control de computación en tiempo real con 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 estas funciones.

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 diseñar, diseñar, integrar y probar 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. Las preocupaciones 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 del estado, 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 todos, los sistemas de control inteligente actualmente conocidos en la literatura, desde la subsunción hasta SOAR, desde las pizarras 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, hasta niveles humanos de rendimiento incluidos. 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 dirigido 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 de fábricas y vehículos autónomos inteligentes. ^[3]

El RCS se aplica a muchos dominios problemáticos, incluidos ejemplos de fabricación y ejemplos de sistemas de vehículos . Los sistemas basados ​​en la arquitectura RCS se han diseñado e implementado en diversos grados para una amplia variedad de aplicaciones que incluyen la carga y descarga de piezas y herramientas en máquinas herramienta, el control de estaciones de trabajo de mecanizado, la realización de desbarbado y biselado robóticos y el control de telerobots de estaciones espaciales, múltiples vehículos submarinos autónomos, vehículos terrestres no tripulados, sistemas de automatización de minería de carbón , sistemas de manejo de correo del servicio postal y sistemas de automatización operativa de submarinos. ^[2]

El RCS ha evolucionado a través de una variedad de versiones a lo largo de los años a medida que aumentaba 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]

En RCS-1, el énfasis estaba puesto en combinar comandos con retroalimentación sensorial para calcular la respuesta adecuada a cada combinación de objetivos y estados. La aplicación era 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 retroalimentan 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 efectivamente un comportamiento que es impulsado por la retroalimentación en forma de estímulo-respuesta . CMAC se convirtió así en el bloque de construcción 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 antes del hecho a través de objetivos expresados ​​en comandos, en lugar de después del hecho a través de la subsunción. ^[2]

La siguiente generación, RCS-2, fue desarrollada por Barbera, Fitzgerald, Kent y otros para el control de fabricación en la Instalación de Investigación de Fabricación Automatizada (AMRF) del NIST a principios de la década de 1980. ^{[9] [10] [11]} El componente 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 nueva característica de RCS-2 fue la inclusión de la función G, que consta de una serie de algoritmos de procesamiento sensorial, incluidos algoritmos de análisis de luz estructurada y de manchas. RCS-2 se utilizó para definir una jerarquía de ocho niveles que constaba de los niveles de control Servo, Coordinate Transform, E-Move, Task, Workstation, Cell, Shop y Facility.

En realidad, sólo se construyeron los primeros seis niveles. Dos de las estaciones de trabajo de AMRF implementaron por completo cinco niveles de RCS-2. El sistema de control del 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]

El RCS-3 fue diseñado para el proyecto de Vehículo Submarino Autónomo Múltiple (MAUV) NBS/DARPA ^[13] y fue adaptado para la Arquitectura del Sistema de Control de Telerobot del Modelo de Referencia Estándar (NASREM) de la NASA/NBS desarrollado para el Servicio Telerobótico de Vuelo de la estación espacial ^[14] . El bloque de construcción básico del RCS-3 se muestra en la figura.

Las principales novedades introducidas en RCS-3 son el modelo mundial y la interfaz del operador. La inclusión del modelo mundial proporciona la base para la planificación de tareas y para el procesamiento sensorial basado en modelos. Esto llevó al refinamiento 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 corresponde aproximadamente a la jerarquía de control de tres niveles de Saridis ^[15] . ^[2]

El RCS-4 ha sido desarrollado desde los años 90 por la División de Sistemas de Robótica del NIST. El bloque de construcción básico se muestra en la figura. La principal característica nueva del 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 proporcionadas al cerebro biológico por el sistema límbico . 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. George Pugh ha abordado la aplicación de los juicios de valor a los sistemas de control inteligente. ^[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 RCS-3 descomposición de tarea 5 (TD). 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 aguas profundas o en planetas distantes. Estas aplicaciones requieren juicios de valor autónomos y sofisticadas capacidades de percepción en tiempo real . RCS-3 seguirá utilizándose para aplicaciones menos exigentes, como fabricación , construcción o telerrobótica para operaciones en el espacio cercano o en aguas poco profundas, donde los entornos están más estructurados y el ancho de banda de comunicación con una interfaz humana está 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 diseñar un sistema de control para conducción autónoma en carretera en condiciones de tráfico cotidiano. ^[18]

• El paso 1 consiste en un análisis intensivo del conocimiento del dominio obtenido de los manuales de capacitación y de los 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 escalón. En cada escalón, se define un vocabulario de comandos (verbos de acción con estados de objetivo, parámetros y restricciones) para evocar el comportamiento de la tarea en cada escalón. ^[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 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 un comando de entrada. Para cada comando de entrada, se define un gráfico de estados (o tabla de estados o autómata de estados finitos extendido) que proporciona un plan (o procedimiento para elaborar un plan) para llevar a cabo la tarea ordenada. El comando de entrada selecciona (o hace que se genere) una tabla de estados apropiada, cuya ejecución genera una serie de comandos de salida para las unidades del siguiente escalón 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 comando de salida. ^[18]

El resultado del paso 3 es que cada unidad organizativa tiene para cada comando de entrada una tabla de estados de reglas de producción ordenadas, cada una adecuada para su ejecución por un autómata de estados finitos (FSA) extendido. La secuencia de subcomandos de salida necesarios para ejecutar el comando de entrada se genera mediante situaciones (es decir, condiciones de ramificación) que hacen que el FSA pase 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 respecto a 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 mundiales mencionados anteriormente. ^[18]
• En el paso 6, utilizamos el contexto de las actividades de la tarea particular para establecer las distancias y, por lo tanto, las resoluciones a las que los objetos y entidades relevantes deben ser medidos y reconocidos por el componente de procesamiento sensorial. Esto establece un conjunto de requisitos y/o especificaciones para que el sistema de sensores respalde cada actividad de la subtarea. ^[18]

Basándose en la arquitectura del modelo de referencia RCS, el NIST ha desarrollado una biblioteca de software de sistemas de control en tiempo real . Se trata de un archivo de código gratuito en C++, Java y Ada, scripts, herramientas, archivos make 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 RCS para el dominio de 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 dominio espacial.

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

• RCS La arquitectura de sistemas de control en tiempo real Página de inicio del NIST