Размещено на http://www.allbest.ru/

МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

МОСКОВСКИЙ ФИЗИКО - ТЕХНИЧЕСКИЙ ИНСТИТУТ

(национальный исследовательский университет)

КАФЕДРА ИНФОРМАТИКИ

имитационный квадрокоптер робот симуляция

Выпускная квалификационная работа на степень магистра

Разработка системы моделирования группового поведения беспилотных летательных аппаратов

студента 873 группы ФУПМ

Кульченкова Кирилла Геннадьевича

Научный руководитель:

кандидат физико-математических наук,

доцент Устюжанин А. Е.

Оглавление

• ВВЕДЕНИЕ
• ОБЗОР
• Parrot AR.Drone
• Aeryon SkyRanger
• ОСНОВНЫЕ ПОНЯТИЯ И ПОСТАНОВКА ЗАДАЧИ
• ОБЗОР СИСТЕМ ИМИТАЦИИ МНОГОАГЕНТНЫХ СИСТЕМ
• Simpy
• NetLogo
• AnyLogic
• РЕЗУЛЬТАТЫ СРАВНЕНИЯ
• ТЕОРЕТИЧЕСКАЯ ЧАСТЬ: ОПИСАНИЕ ПРОДЕЛАННОЙ РАБОТЫ
• Реализация
• Разработка системы симуляции
• Разработка аналитического модуля
• Разработка модуля вывода данных
• Разработка алгоритмов
• Волновой алгоритм
• Простой алгоритм
• Групповой алгоритм
• Анализ системы
• Заключение
• Список литературы

Введение

Когда речь заходит о квадрокоптерах, большинство из нас представляет себе устройство с достаточно скромными характеристиками -- скорее игрушку на радиоуправлении, чем что-то, достойное наименования “беспилотный летательный аппарат”. У многих вызывают недоумение, трудно поверить, что на базе этих игрушек можно построить что-то серьёзное. Тем не менее, технологии, лежащие в основе квадрокоптеров -- аккумуляторы, навигационное оборудование, бортовые компьютеры -- развиваются очень быстро. Современные профессиональные беспилотники с четырьмя роторами очень сильно отличаются от любительских игрушек. Они способны летать под проливным дождём, в мороз и жару, они могут продержаться в воздухе около часа, а управлять ими сможет даже ребёнок.

Однако, квадрокоптеры до сих пор не вошли в повседневную жизнь обычного человека, хотя военные достаточно давно применяют различные конфигурации квадрокоптеров для решения различных задач. Одним из возможных применений квадрокоптеров в реальной жизни - доставка грузов.

В данной работе предлагается решение, которое позволит ускорить доставку грузов квадрокоптерами, а также увеличить расстояние максимальной доставки груза. Подобное решение позволит большому количеству пользователей осуществлять доставку грузов за минимальное время, т.к. квадрокоптеры не стоят в пробках и летают по оптимальному маршруту. К примеру, доставка груза с юга на север Москвы заняло бы не 2ч, а 30 минут.

Целью работы является создание имитационной системы для оценки и сравнения различных характеристик алгоритмов управления группой роботов/квадрокоптеров и произвести тестирование системы алгоритмами:

· Обычный полет квадрокоптера от пункта 1 к пункту 2 с подзарядкой при необходимости.

· Полет квадрокоптера с вычислением оптимального маршрута, при условии, что коптер может передать свой груз другому коптеру в определенных точках. Суть алгоритма в групповом поведении роботов - робот может воспользоваться ресурсами другого робота, чтобы выполнить поставленную задачу.

Для достижения цели была проделана следующая работа:

· Разработан алгоритм группового поведения роботов.

· Реализован алгоритм тривиальной доставки.

· Реализован алгоритм групповой доставки.

· Проведен анализ результатов тестирования алгоритмов.

Обзор

Многовинтовые вертолёты разрабатывались ещё в первые годы вертолётостроения. Первый квадрокоптер, который реально оторвался от земли и мог держаться в воздухе, был создан Георгием Ботезатом и испытан в 1922 году. Недостатком этих аппаратов была сложная трансмиссия, передававшая вращение одного мотора на несколько винтов. Изобретение хвостового винта и автомата перекоса положило конец этим попыткам. Новые разработки начались в 1950-е годы, но дальше прототипов дело не продвинулось.

Новое рождение мультикоптеры получили в XXI веке, уже как беспилотные аппараты. Благодаря простоте конструкции квадрокоптеры часто используются в любительском моделировании. Мультикоптеры удобны для недорогой аэрофото и киносъёмки -- громоздкая камера вынесена из зоны действия винтов.

Современные квадрокоптеры можно разделить на две группы: управляемые и автономные. Первые во многом “игрушки”, они позволяют получать изображение с камеры, установленной на коптере, летают 10-20 минут. Очевидно, что с помощью таких коптеров невозможно создать полноценно рабочее решение . Однако, есть среди них и более продвинутые решения, которые имеют большой радиус полета. Вторые представляют больший интерес, т.к. имеют на борту компьютер, позволяющий управлять квадрокоптером, а также обычно имеют достаточно большой радиус полета.

Рассмотрим примеры квадрокоптеров.

Parrot AR.Drone

В 2010 году произошел настоящий бум радиоуправляемых игрушек, а в частности, летающих. Компания Parrot представила AR.Drone. На CES 2011 устройство оказалось признано одним из лучших развлекательных гаджетов, публика была в восторге.

Размещено на http://www.allbest.ru/

Parrot AR.Drone

В 2010 году произошел настоящий бум радиоуправляемых игрушек, а в частности, летающих. Компания Parrot представила AR.Drone. На CES 2011 устройство оказалось признано одним из лучших развлекательных гаджетов, публика была в восторге.

Спецификация:

Размеры:

С защитным кожухом: 52,5x51,5 см

Без кожуха: 45x29 см

Масса:

380 г -- с корпусом для улицы

420 г -- с корпусом для помещения

Скорость полёта: 5 м/с; 18 км/ч

Максимальный радиус полета: ограничен радиусом работы wifi (50-120 метров в зависимости от погодных условий)

Длительность полёта: около 12 минут

Совершенно очевидно, что квадрокоптер с такой конфигурацией не в состоянии выполнять какие-либо промышленные задачи. Даже если учесть, что на него можно будет установить бортовой компьютер, который сможет убрать ограничение полета дальностью работы wi-fi , коптер сможет лететь не больше 12 минут, т.е пролететь около 6км.

Однако, из-за низкой стоимости, большого количества установленных сенсоров и приборов, а также открытому API, AR Drone стал популярной платформой для научных и образовательных целей. Он применяется в экспериментах по автоматическому управлению, обучению ИИ, автономному видеонаблюдению, взаимодействию человек-машина, и т.д.

Aeryon SkyRanger

SkyRanger представляет собой квадрокоптер, предназначенный для видеонаблюдения. Он оснащён четырьмя пропеллерами; заряда аккумуляторной батареи, как утверждается, хватает на 50 минут пребывания в воздухе. В сложенном виде ЛА помещается в рюкзак, который оператор может носить за спиной.

SkyRanger сохраняет стабильность полёта при постоянном ветре, дующем со скоростью 65 км/ч. Более того, устройство способно противостоять порывам до 90 км/ч. Диапазон рабочих температур -- от минус 30 до плюс 50 градусов Цельсия. Квадрокоптеру не страшны влага и пыль, а также удары.

Таким образом, данная модель отлично подходит для промышленных и военных целей. Радиус полета огромен и составляет порядка 50км, т.е. коптер в состоянии пролететь Москву с севера на юг без подзарядки в любых погодных условиях. Однако, большим минусом подобных квадрокоптеров является их цена.



Основные понятия и постановка задачи

Кратко напомним основные понятия, которые использованы в работе и сформулируем задачу, которая решалась в ходе исследования.

Квадрокоптер - это летательный аппарат с четырьмя несущими винтами, вращающимися диагонально в противоположных направлениях.

Итак, простой алгоритм полета - это алгоритм полета, в котором при разрядке квадрокоптера он останавливается для зарядки. Групповой алгоритм полета - алгоритм, в котором квадрокоптеры решают задачу доставки коллективно.

Python - высокоуровневый язык программирования общего назначения. Ipython - интерактивная оболочка для python. Notebook - веб среда, в которой можно запускать код на python и отслеживать результаты его работы, в том числе выводить графики.

В работе рассматриваются алгоритмы работающие на некоторой территории, в которой расположены точки O_i(координаты каждой точки O_i_x, O_i_y). Точки используются для зарядки и дислокации квадрокоптеров. Квадрокоптеры выполняют задачи по доставке груза из точки [s_x, s_y] в точку [e_x, e_y]. Квадрокоптер обладает следующими параметрами:

1. Максимальная скорость полета MAX_SPEED.

2. Скорость разрядки батарей квадрокоптера DISCHARGE_SPEED

3. Скорость зарядки батарей квадрокоптера CHARGE_SPEED

4. Максимальная масса груза MAX_MASS

Скорость полета квадрокоптера линейно зависит от массы груза, который квадрокоптер переносит.

Считается, что есть группа изначально свободных квадрокоптеров, расположенных в точках зарядки.

Алгоритмы будут сравнивать по средней, максимальной и минимальной скоростям доставки грузов в зависимости от максимальной скорости квадрокоптера, скорости разрядки и скорости зарядки, т.е. от параметров, зависящих от конфигурации квадрокоптера и точек зарядки.

Перейдем к более формальному описанию задачи разработка системы моделирования. Целью работы является создание имитационной системы для оценки и сравнения различных характеристик алгоритмов управления группой роботов/квадрокоптеров.



Обзор систем имитации многоагентных систем

Simpy

SimPy - это процессно-ориентированный фреймворк дискретно-событийного моделирования, основанный на стандартном Python. Его диспетчер событий основан на генераторах Python, и также может быть использован для асинхронного нетворкинга (организации сети), или для реализации мульти-агентных систем (с реальными и искусственными, симулированными связями).

Процессы в SimPy определены генератором функций Python, и могут, например, быть использованы для моделирования активных компонент, таких как покупатели, автомобили, или агенты. SimPy также предоставляет множество разных общедоступных источников для моделирования точек перегруза с ограниченной пропускной способностью (например, сервера, контрольно-кассовые пункты, тоннели).

Симуляция может быть представлена максимально быстро, в реальном времени, или выполняя вручную пошагово все события.

Хотя теоретически считается возможным постоянно выполнять симуляции через SimPy, нет никаких функций, помогающих с этим. С другой стороны, SimPy не стоит использовать для симулций с фиксированных количеством шагов, где процессы не взаимодействуют друг с другом, или с общедоступными источниками.

Огромным плюсом SimPy является то, что он может быть частью большого программного комплекса и отвечать за симуляцию различных процессов в нем.



NetLogo

Система NetLogo[1] разработана в духе языка программирования Logo. Система разрабатывалась во многом для обучения разработки многоагентных сетей. Обучение программированию происходит через концепты: turtle, patches, links, observers. Огромным плюсом данной системы является то, что система используется как для обучения, так и для моделирования в научных целях. Система позволяет моделировать связные явления.

Также система поставляется с обширной библиотекой моделей, включая модели в различных областях, таких как экономика, физика, химия, психология. Система позволяет отслеживать изменения в модели через различные средства графического интерфейса. NetLogo позволяет авторскую разработку новых моделей и модификации существующих моделей.

NetLogo находится в свободном доступе на веб-сайте NetLogo . Это используется в широком спектре образовательных контекстах из начальной школы в аспирантуру.

AnyLogic

AnyLogic - инструмент имитационного моделирования (ИМ), который поддерживает все подходы к созданию имитационных моделей: процессно-ориентированный(дискретно-событийный), системно динамический и агентный, а также любую их комбинацию.

Уникальность, гибкость и мощность языка моделирования, предоставляемого AnyLogic, позволяет учесть любой аспект моделируемой системы с любым уровнем детализации. Графический интерфейс AnyLogic, инструменты и библиотеки позволяют быстро создавать модели для широко спектра задач от моделирования производства, логистики, бизнес-процессов до стратегических моделей развития компании и рынков.



Результаты сравнения

В качестве подведения итогов, приведем сравнительную таблицу рассмотренных сред разработки.

	NetLogo	SimPy	AnyLogic
Язык разработки	Logo	Python	AnyLogic
Платформа	Win, Linux, MacOS	Win, Linux, MacOS	Win, MacOS
Графический интерфейс	Есть	Нет	Есть
Стоимость	Бесплатная	Бесплатная	Платная
3D симуляция	Есть	Нет	да
Используется в целях	Академические, любительские	Академические, любительские	Академические
Модульная расширяемость	Нет	Есть	Нет

Теоретическая часть: описание проделанной работы

Опишем более детально процедуру создания симуляционной платформы и перейдем к рассмотрению реализации отдельных ее компонент.

Система должна состоять из 3 основных компонент:

* Модуль работы алгоритма

* Модуль анализа

* Модуль вывода графических результатов



Итак, рассмотрим работу системы на примере работы двух алгоритмов доставки грузов квадрокоптерами. В Simpy отрабатывают два алгоритма полета квадрокоптеров. Далее система анализирует информацию полученную из симулятора. В результате анализа строятся динамические графики, зависящие от параметров квадрокоптеров.

Реализация

Рассмотрим теперь более подробно стадии реализации данной системы.

1. Разработка системы симуляции.

2. Разработка аналитического модуля.

3. Разработка модуля вывода данных.

4. Разработка алгоритмов.

a. Разработка простого алгоритма

b. Разработка группового алгоритма

Разработка системы симуляции

Система симуляции была реализована с помощью SimPy. Система поддерживает загрузку класса алгоритма с интерфейсами для взаимодействия с симуляцией. Для взаимодействия используется интерфейсы: run, get_result. Первый запускает модель в среде симуляции, второй возвращает результаты моделирования.

class Copter(object):

#Список параметров

#Скорость зарядки

CHARGE_SPEED = 0.6

#Скорость замены груза

EXCHANGE_TIME = 2

#Скорость разрядки

DISCHARGE_SPEED = 0.01

#Максимальная скоость

MAX_SPEED = 10

#Максимальная масса

MAX_MASS = 5

#Инициализация

def __init__(self, args):

#Старт симуляции

def run(self):

Подобная система позволяет запустить большинство алгоритмов и проанализировать результат его работы. Рассмотрим работу модели на примере некоторого алгоритма полета квадрокоптера.

Класс квадрокоптера(Copter) инициализируется с параметрами модели, в данном случае есть параметры CHARGE_SPEED(скорость зарядки), EXCHANGE_TIME(скорость обмена грузами), DISCHARGE_SPEED(скорость разрядки квадрокоптера), MAX_SPEED(максимальная скорость полета, при условии отсутствия груза), MAX_MASS(максимальная масса груза). Метод run запускает работу модели в среде SimPy. Модуль запускает модель несколько раз с различными параметрами: различными маршрутами, меняется скорость квадрокоптеров, скорость разрядки квадрокоптера, максимальная масса, скорость зарядки. По результатам работы метода выводятся результаты работы модели.

Разработка аналитического модуля

Аналитический модуль должен запускать модель и обрабатывать данные, полученные в результате работы модели. Анализатор генерирует данные, поступающие на вход модели, далее происходит работа модели. Данные полученные в результате работы модели анализируются и возвращаются.

Рисунок 4. Аналитический модуль

Рассмотрим работу анализатора на примере с простым алгоритмом полета квадрокоптера. Модуль анализатора получает данные от системы симуляции: время полета каждого квадрокоптера, история перемещений квадрокоптеров, время проведенное на зарядке, потраченные ресурсы. Эти данные обрабатываются и на выходе получаются массивы данных: среднее время доставки в зависимости от скорости и скорости зарядки, максимальное время доставки в зависимости от скорости и скорости зарядки, минимальное время доставки в зависимости от скорости и скорости зарядки. В результате, по этим данным можно строить графики и анализировать их вживую.



Разработка модуля вывода данных

Модуль вывода графиков реализован при помощи Ipython и ipywidgets. Модуль Ipython notebook позволяет запускать код написанный на python в веб-браузере, а модуль ipywidgets дает возможность создавать динамические графики в notebook.

Рисунок 5.

Разработка алгоритмов

Для демонстрации работы системы были разработаны две модели, демонстрирующие алгоритмы по доставке грузов квадрокоптерами. Первый алгоритм простая доставка груза. Второй алгоритм - групповая доставка с использованием коммуникаций между квадрокоптерами. В каждом алгоритме для построения маршрута используется волновой алгоритм.

Волновой алгоритм

Алгоритм работает на дискретном рабочем поле (ДРП), представляющем собой ограниченную замкнутой линией фигуру, не обязательно прямоугольную, разбитую на прямоугольные ячейки, в частном случае - квадратные. Множество всех ячеек ДРП разбивается на подмножества: “проходимые” (свободные), т. е при поиске пути их можно проходить, “непроходимые” (препятствия), путь через эту ячейку запрещён, стартовая ячейка (источник) и финишная (приемник). Назначение стартовой и финишной ячеек условно, достаточно - указание пары ячеек, между которыми нужно найти кратчайший путь.

Алгоритм предназначен для поиска кратчайшего пути от стартовой ячейки к конечной ячейке, если это возможно, либо, при отсутствии пути выдать сообщение о непроходимости.

Работа алгоритма включает в себя три этапа: инициализацию, распространение волны и восстановление пути.

Во время инициализации строится образ множества ячеек обрабатываемого поля, каждой ячейке приписываютя атрибуты проходимости/непроходимости, запоминаются стартовая и финишная ячейки.

Далее, от стартовой ячейки порождается шаг в соседнюю ячейку, при этом проверяется, проходима ли она, и не принадлежит ли ранее меченной в пути ячейке.

Соседние ячейки принято классифицировать двояко: в смысле окрестности Мура и окрестности фон Неймана, отличающийся тем, что в окрестности фон Неймана соседними ячейками считаются только 4 ячейки по вертикали и горизонтали, в окрестности Мура - все 8 ячеек, включая диагональные.

При выполнении условий проходимости и непринадлежности её к ранее помеченным в пути ячейкам, в атрибут ячейки записывается число, равное количеству шагов от стартовой ячейки, от стартовой ячейки на первом шаге это будет 1. Каждая ячейка, меченая числом шагов от стартовой ячейки становится стартовой и из неё порождаются очередные шаги в соседние ячейки. Очевидно, что при таком переборе будет найден путь от начальной ячейки к конечной, либо очередной шаг из любой порождённой в пути ячейки будет невозможен.

Восстановление кратчайшего пути происходит в обратном направлении: при выборе ячейки от финишной ячейки к стартовой на каждом шаге выбирается ячейка, имеющая атрибут расстояния от стартовой на единицу меньше текущей ячейки. Очевидно, что таким образом находится кратчайший путь между парой заданных ячеек.

Простой алгоритм

Имеется карта, на которой расположены точки заправки квадрокоптеров. Точки расположены сеткой n на n.

Рисунок 6. Карта

Квадрокоптер может остановиться в любой точке и пополнить заряд батарей. Каждый квадрокоптер получает задание доставить груз из точки А в точку В. После чего он прокладывает маршрут. Маршрут строится по алгоритму, описанному выше, маршрут строится через точки заправки.

Далее квадрокптер пролетает до максимально удаленной точки полученного маршрута и останавливается для зарядки. После подзарядки операция повторяется с оставшимся маршрутом.

Алгоритм достаточно тривиальный. Скорость доставки груза сильно зависит от скорости зарядки квадрокоптера и максимальной дистанции полета, т.е. для доставки груза на большое расстояние потребуется много времени. Однако у такого алгоритма есть и плюсы - для доставки груза потребуется один квадрокоптер.

Групповой алгоритм

Данный алгоритм основан на взаимодействии квадрокоптеров с целью решения задачи доставки груза. Здесь также как и в первом случае есть карта с точками заправки квадрокоптеров, однако в отличие от первого алгоритма, на каждой точке есть несколько свободных квадрокоптера, которые могут участвовать в решении задач.

Итак, квадрокоптер получает задачу доставки груза из точка А в точку В. Также строится маршрут, проходящий через точки дозаправки, далее определяется максимально удаленная точка маршрута, до которой квадрокоптер может долететь, допустим точку С. Затем происходит поиск свободного квадрокоптера, который сможет забрать груз из точки С и провести его дальше по маршруту.

Алгоритм поиска таков:

1. Если есть свободный квадрокоптер в точке С, то резервируем его

2. Если есть квадрокоптер в точке С, зарезервированный на время такое, что прилетевший квадрокоптер успеет зарядиться, то перерезервируем его, а прилетевший резервируем на следующую его задачу.

3. Проводим поиск по соседним точкам. Точка считается соседней, если квадрокоптер с текущего момента до времени прилета коптера с грузом успевает зарядиться. Если находим такой квадрокоптер, то резервируем отправляем ему задачу перелететь в точку С. Резервируем его под задачу.

Далее алгоритм повторяется для маршрута от С до В.

Скорость доставки грузов по данному алгоритму слабо зависит от скорости зарядки квадрокоптера, а также от дальности полета квадрокоптера. Однако для реализации подобного алгоритма потребуется большое количество квадрокоптеров, а также суммарное расстояние полетов квадрокоптерами будет больше, чем в простом варианте.

Очевидно, что сравнить два таких алгоритма математически достаточно сложно на большом количестве случайных задач, поэтому система анализа подобных алгоритмов будет полезна. Для сравнения алгоритмам на вход подается N случайных задач с маршрутами случайно разбросанными по карте.

Перенос системы на реальные квадрокоптеры

Важной задачей является перенос системы на настоящие квадрокоптеры. В ходе реализации была использована система, позволяющая заменить класс взаимодействия с квадрокоптером. При переходе на реальный квадрокоптер потребуется заменить методы перелета от точки до точки.

Также легко подключить систему к системе симуляции роботов. Допустим к ROS, или любой другой.

Анализ системы.

Для тестирования системы были созданы notebook, которые демонстрируют результаты работы алгоритмов в виде двухмерных и трехмерных динамических графиков. Рассмотрим пример такого notebook:

%matplotlib inline

import ipywidgets

import copter1 as c1

import copter2 as c2

import math

from multiprocessing import Lock

from numpy import mean, linspace

import random

import matplotlib.pyplot as plt

import simpy

from config import Config

import numpy

numpy.seterr(divide='ignore', invalid='ignore')

tasks = []

jo = 0

for i in range(0, 1000):

tasks.append((

(1240 * random.random(), 1240 * random.random()), (5000 + 5000 * random.random(), 5000 + 5000 * random.random()),

(3 * random.random()), i))

test2 = c2.TestModel3d(tasks, 10240, 10240, 8 * 8, linspace(80, 150, num=5), linspace(0.01, 0.1, num=10), linspace(15, 25, num=10))

ipywidgets.StaticInteract(test2.plot, discharge_time=ipywidgets.RangeWidget(0.01, 0.06, 0.01), color=ipywidgets.RadioWidget(['green']))

Мы генерируем 1000 задачи доставки грузов. Задача состоит из начальной точки, конечной точки, массы груза и номера задачи. Затем инициализируется анализатор модели, которому подается на вход список задач, размер карты, количество точек зарядки, диапазон скоростей, диапазон скорости разрядки, диапазон скорости зарядки. Далее анализатор передается графическому модулю. В результате получаем динамический трехмерный график.



Рисунок 7. График1

На графике демонстрируется зависимость средней скорости доставки от максимальной скорости полета квадрокоптера и времени зарядки, также график меняется в зависимости от скорости разрядки квадрокоптера, т.е. от максимально дистанции полета.

Аналогичный график был получен для первого алгоритма.

Рисунок 8. График2

По графикам прослеживается большая зависимость в простом алгоритме средней скорости доставки от скорости зарядки квадрокоптера.

Были получены двухмерные графики, показывающие зависимость скорости доставки от максимальной скорости квадрокоптера.

Простой алгоритм:

Групповой алгоритм:

Красный график - максимальное время доставки, желтый - минимальное, зеленый среднее время.

По графикам явно прослеживается меньшая зависимость скорости доставки от конфигурации квадрокоптера в групповом алгоритме. Также очевидно, что средняя скорость доставки в групповом алгоритме меньше, чем в простом.

Итак, система позволила проанализировать работу двух алгоритмов.



Заключение

Итак, поставленная задача была успешно решена. При выполнении работы были получены следующие результаты:

* Создана система симуляция на основе SimPy.

* Реализована система подготовки данных для работы модели

* Реализована система анализа данных, полученных в результате работы алгоритма.

* Реализованы два алгоритма доставки грузов квадрокоптерами.

* Создан модуль с графическим выводом информации, позволяющий анализировать полученные данные

Работоспособность созданной системы проверена на примере алгоритмов доставки грузов квадрокоптерами. Данные, полученные из системы, проверены на правдоподобность.

Дальнейшие шаги развития проекта включают:

* Реализация автоматической генерации данных для работы алгоритма

* Создание веб-интерфейса для загрузки моделей и алгоритмов.



Список литературы

1. http://ccl.northwestern.edu/netlogo/ - NetLogo

2. https://www.python.org/ - Python

3. http://ipython.org/ - Ipython

4. Margrit Betke, Leonid Gurvits - Mobile Robot Localization Using Landmarks

5. http://simpy.readthedocs.org/en/latest/ - SimPy

Размещено на Allbest.ru

...