Статья посвящена анализу поведения мобильного робота с использованием алгоритмов конечных автоматов с целью поиска пути до цели и обхода препятствий. После обоснования использования таких методов, делается разбор стандартного детерминированного конечного автомата. Далее к этому алгоритму применяется теория марковских процессов, в результате чего конечный автомат становится частью скрытой марковской модели. Это позволяет применить вероятностные методы к планированию поведения робота. Этот вероятностный характер поведения наиболее перспективен в сложных средах с непредсказуемой конфигурацией препятствий. Для сравнения эффективности детерминированного и вероятностного конечного автоматов мы применили генетический алгоритм. В численном эксперименте, который мы провели в среде Scilab, мы рассмотрели два основных типа сред, в которых может передвигаться мобильный робот – среда офисного типа и среда полигонального типа. Для каждого типа сред мы поочерёдно применяли каждый из указанных алгоритмов поведения. Для генетического алгоритма мы использовали сто особей, которые обучалась на протяжении 1000 поколений находить наиболее оптимальный путь в указанных средах. В результате было обнаружено, что алгоритм детерминированного конечного автомата наиболее перспективен для движения в среде офисного типа, а алгоритм вероятностного конечного автомата даёт наилучший результат в сложной полигональной среде.
The article is devoted to the analysis of the behavior of a mobile robot using finite state machine algorithms in order to find a way to the goal and avoid obstacles. After justifying the use of such methods, the analysis of a standard deterministic finite automaton is done. Further, the theory of Markov processes is applied to this algorithm, as a result of which the state machine becomes part of the hidden Markov model. This allows you to apply probabilistic methods to modeling the behavior of the robot. This probabilistic behavior is most promising in complex environments with unpredictable obstacle configurations. To compare the efficiency of deterministic and probabilistic finite state machine, we applied a genetic algorithm. In the numerical experiment that we conducted in the Scilab software, we considered two main types of environments in which a mobile robot can move - an office-type environment and a polygonal-type environment. For each type of environment, we alternately applied each of the indicated behavior algorithms. For the genetic algorithm, we used one hundred individuals who were trained over 1000 generations to find the most optimal path in the specified environments. As a result, it was found that the deterministic finite state machine algorithm is the most promising for movement in an office-type environment, and the probabilistic finite state machine algorithm gives the best result in a complex polygonal environment.