МЕТОДИКА ТЕСТИРОВАНИЯ МНОГОКАНАЛЬНОГО ЧЕЛОВЕКО-МАШИННОГО ИНТЕРФЕЙСА

В настоящее время актуальными задачами являются исследование и разработка эффективного человеко-машинного интерфейса для робототехнических комплексов. Для повышения эффективности управления робототехническим комплексом могут быть использованы несколько интерфейсов, работающие в параллельном режиме. В частности, существует многоканальный человеко-машинный интерфейс, который подразумевает взаимодействие нескольких интерфейсов. Существуют различные алгоритмы взаимодействия нескольких интерфейсов, направленные на выбор команды, которую необходимо передать на робототехнический комплекс в данный момент времени. Для обоснования целесообразности использования алгоритмов взаимодействия необходимо применять методику тестирования многоканального человеко-машинного интерфейса. В данной статье рассматриваются различные подходы к реализации данной методики: на основе метода статистических испытаний и на основе моделирования результатов. По результатам сбора статистики формируются матрицы ошибок. В данной статье рассмотрены различные виды матриц ошибок, а также метрики, которые могут быть использованы для оценки эффективности работы человеко-машинного интерфейса с учетом ошибок 1-го и 2-го рода. В случае моделирования результатов, в данной статье были рассмотрены моделирование на основе выбора вида распределения и моделирование на основе генерирования матрицы ошибок. Моделирование результатов может быть использовано при невозможности сбора большой статистики, для проверки целесообразности использования алгоритмов взаимодействия.

1. Бочаров Н.А., Парамонов Н.Б., Славин О.А., Суминов К.А. Математические и программные модели задач технического зрения робототехнических комплексов на основе микропроцессоров «Эльбрус» // Труды Института системного программирования РАН, 2022. Т. 34. № 6. С. 85–100. DOI: 10.15514/ISPRAS-2022-34(6)-6.

2. Бочаров Н.А. Исследование подходов к унификации бортовых вычислительных комплексов // Известия Южного федерального университета. Технические науки. 2023. № 1 (231). С. 275-287. DOI: 10.18522/2311-3103-2023-1-275-287.

3. Бочаров Н.А., Парамонов Н.Б., Славин О.А., Янко Д.В. Оценка перспектив использования вычислительных средств семейства «Эльбрус» при реализации алгоритмов распознавания в современных робототехнических комплексах // Вопросы радиоэлектроники. 2018. № 2. С. 99–105.

4. Бочаров Н.А., Парамонов Н.Б., Сапачев И.Д. Реализация алгоритмов группового управления на языке Java в среде ОС «Эльбрус» // Современные информационные технологии и ИТ-образование. 2016. Т. 12. № 1. С. 108–114.

5. Баранов И.А. Человеко-машинный интерфейс контроля и управления прикладными программами для ВК на базе микропроцессоров SPARC и «Эльбрус» в АСУТП // Вопросы радиоэлектроники. 2013. Т. 4. № 3. С. 201-212.

6. Егоров Г.А., Белоногов А.Д., Островский М.А., Рейзман Я.А. Реализация человеко-машинного интерфейса в интегрированной технологии проектирования автоматизированных систем контроля и управления // Мехатроника, автоматизация, управление. 2011. № 7. С. 56–62.

7. Gridnev A.A., Voznenko T.I., Chepin E.V. The decision-making system for a multi-channel robotic device control // Procedia computer science, 2018. Vol. 123. P. 149–154. DOI: 10.1016/j.procs.2018. 01.024.

8. Чабан Л.Н. Методы и алгоритмы распознавания образов в автоматизированном дешифриро¬вании данных дистанционного зондирования. М.: МИИГАиК, 2016. 94 с.

9. Старовойтов В.В., Голуб Ю.И. Об оценке результатов классификации несбалансированных данных по матрице ошибок // Информатика, 2021. Т. 18. № 1. С. 61–71. DOI: 10.37661/10.37661/1816-0301-2021-18-1-61-71.

10. Liu J., Zhong L., Wickramasuriya J., Vasudevan V. uWave: Accelerometer-based personalized gesture recognition and its applications // Pervasive and Mobile Computing, 2009. Vol. 5. No. 6. Pp. 657–675. DOI: 10.1016/j.pmcj.2009.07.007.

11. Abdelnasser H., Youssef M., Harras K.A. Wigest: A ubiquitous wifi-based gesture recognition system // 2015 IEEE conference on computer communications (INFOCOM), IEEE, 2015. Рp. 1472–1480. DOI: 10.1109/INFOCOM.2015.7218525.

12. Nuzzi C., Pasinetti S., Lancini M., Docchio F., Sansoni G. Deep learning-based hand gesture recognition for collaborative robots // IEEE Instrumentation & Measurement Magazine, 2019. Vol. 22. № 2. Pp. 44–51. DOI: 10.1109/MIM.2019.8674634.

13. Мирошник И.В. Согласованное управление многоканальными системами // Л.: Энергоатомиздат, 1990. 128 с.

14. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. СПб.: ООО «Альфа-книга», 2017. 480 с.

15. Petrova A.I., Voznenko T.I., Chepin E.V. The impact of artifacts on the BCI control channel for a robotic wheelchair // Advanced Technologies in Robotics and Intelligent Systems. Mechanisms and Machine Science. Springer, Cham, 2020. Vol. 80. Pp. 105–111. DOI: 10.1007/978-3-030-33491-8_12.

16. Voznenko T.I., Gridnev A.A., Kudryavtsev K.Y., Chepin E.V. The decomposition method of multi-channel control system based on extended bci for a robotic wheelchair // Biologically Inspired Cognitive Architectures Meeting, Springer, Cham, 2019. Pp. 562–567. DOI: 10.1007/978-3-030-25719-4_73.

17. Cantrell D.W. Pythagorean means// Math World, 2003. [Электронный ресурс]. URL: https://math-world.wolfram.com/PythagoreanMeans.html (Дата обращения: 24.07.2023).

18. Бишоп К.М. Распознавание образов и машинное обучение. М.: Вильямс, 2020. 960 с.

19. Zhang L., Wang C., Arinez J., Biller S. Transient analysis of Bernoulli serial lines: Performance evaluation and system-theoretic properties // IIE Transactions, 2013. Vol. 45. № 5. P. 528–543. DOI: 10.1080/0740817X.2012.721946.

20. Naebulharam R., Zhang L. Bernoulli serial lines with deteriorating product quality: performance evaluation and system-theoretic properties // International Journal of Production Research, 2014. Vol. 52. № 5. Pp. 1479–1494. DOI: 10.1080/00207543.2013.847982.

21. Кибзун А.И., Горяинова Е.Р., Наумов А.В., Сиротин А.Н. Теория вероятностей и математическая статистика. Базовый курс с примерами и задачами. М.: Физматлит, 2002. 224 с.

22. Voznenko T.I., Gridnev A.A., Chepin E.V., Kudryavtsev K.Y. The command interpretation in decomposition method of multi-channel control for a robotic device // Procedia Computer Science, 2020. Vol. 169. Pp. 152–157. DOI: 10.1016/j.procs.2020. 02.127.