sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2025-2-26-31sapi-744Research ArticleУправление техническими объектамиManagement of technical objectsАлгоритм огибания препятствий при перемещении мобильного робота с использованием Q-обучения и технологии блокчейнAlgorithm for obstacle avoidance in mobile robot navigation using Q-learning and blockchain technologyСидоренкоА. В.SidorenkoA. V.

Сидоренко Алевтина Васильевна – доктор технических наук, профессор факультета радиофизики и компьютерных технологий.

г. Минск

А. V. Sidorenko – D.Sc., Рrofessor at the Department of radiophysics and computer technologies faculty.

Minsk

sidorenkoa@yandex.byСолодухоН. А.SaladukhaM. A.

Солодухо Никита Александрович – магистр физико-математических наук, старший преподаватель факультета радиофизики и компьютерных технологий.

г. Минск

Mikita A. Saladukha – master of Science. Senior Lecturer at the Department of radiophysics and computer technologies faculty.

Minsk

sidorenkoa@yandex.byБелорусский государственный университетБеларусьBelarusian State UniversityBelarus202515082025022631Copyright © Сидоренко А.В., Солодухо Н.А., 20252025Сидоренко А.В., Солодухо Н.А.Sidorenko A.V., Saladukha M.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/744

Предложен алгоритм моделирования движения робота с огибанием препятствий при использовании метода машинного Q-обучения. Применение Q-обучения позволяет сохранять полученные при моделировании вознаграждения, выполняя оптимальные действия в каждом конкретном состоянии, при этом в Q-таблице содержится информация о состоянии и действии робота. Сохранение Q-таблицы в блокчейне с использованием технологии IPFS (InterPlanetary File System) позволяет надежно и децентрализованно хранить данные о состояниях и действиях робота. Контент адресации в IPFS отделяет данные от их местоположения и извлекает файлы из нескольких источников в пиринговом режиме. Для предложенного алгоритма проведен вычислительный эксперимент с применением среды моделирования движения робота. В пакете визуализации Gazebo 11 показано, что с использованием нового алгоритма препятствия огибаются быстрее (на 59,8 %), чем при использовании предыдущей версии алгоритма.

A robot movement modeling algorithm with obstacle avoidance using the Q-learning machine learning method is proposed. Q-learning allows for preserving the rewards obtained during modeling by performing optimal actions in each specific state. The Q-table contains information about the state and actions of the robot. Storing the Q-table in the blockchain using IPFS (InterPlanetary File System) technology ensures reliable and decentralized storage of data about the robot's states and actions. Content addressing in IPFS separates the data from its location and retrieves files from multiple sources in a peer-to-peer mode. A computational experiment for the proposed algorithm was conducted using a robot movement simulation environment. In the Gazebo 11 visualization package, it was shown that using the new algorithm, obstacles are avoided faster (by 59.8 %) compared to the previous version of the algorithm.

роботблокчейнIPFSQ-обучениеперемещениепрепятствияROS 2Gazebo 11robotblockchainIPFSQ-learningmovementobstaclesROS 2Gazebo 11ReferencesСидоренко, А. В. Огибание препятствий при перемещении мобильного робота / А. В. Сидоренко, Н. А. Солодухо // Системный анализ и прикладная информатика. – 2023. – № 1. – С. 4-9. – DOI: 10.21122/2309-4923-2023-1-4-9Sidorenko, A.V. Bending obstacles when moving a mobile robot / A.V. Sidorenko, N.A. Saladukha // System analysis and applied information science. – 2023. – № 1. – P. 4-9. – DOI: 10.21122/2309-4923-2023-1-4-9Сидоренко, А. B. Алгоритм огибания препятствий при перемещении мобильного робота / А. В. Сидоренко, Н. А. Солодухо // Системный анализ и прикладная информатика. – 2024. – № 4. – С. 29-33. – DOI: 10.21122/2309-4923-2024-4-29-33Sidorenko A.V. Obstacle avoidance algorithm in mobile robot motion / A.V. Sidorenko, N.A. Saladukha // System analysis and applied information science. 2024. – № 4. – P. 29-33. – DOI: 10.21122/2309-4923-2024-4-29-33Altuntas, N. Reinforcement learning-based mobile robot navigation / Nihal Altuntaş, Erkan Imal, Nahit Emanet, Ceyda Nur Ozturk // Turkish Journal of Electrical Engineering & Computer Sciences. – 2016. – Vol. 24, № 3. – P. 1747-1767. – DOI: org/10.3906/elk-1311-129Altuntas, N. Reinforcement learning-based mobile robot navigation / Nihal Altuntaş, Erkan Imal, Nahit Emanet, Ceyda Nur Ozturk // Turkish Journal of Electrical Engineering & Computer Sciences. – 2016. – Vol. 24, № 3. – P. 1747-1767. – DOI: org/10.3906/elk-1311-129.GitHub : [site]. – [San Francisco, California], 2008. – URL: https://github.com/MikitaSaladukha/ROSproject/tree/with-blockchain-json (date of access: 20.01.2025).GitHub : [site]. – [San Francisco, California], 2008. – URL: https://github.com/MikitaSaladukha/ROSproject/tree/ with-blockchain-json (date of access: 20.01.2025).IPFS : [site]. – URL: https://ipfs.tech/ (date of access: 20.01.2025).IPFS : [site]. – URL: https://ipfs.tech/ (date of access: 20.01.2025).YouTube : [site]. – URL: https://www.youtube.com/playlistlist=PLU4iF0_W9xOlrE8brTv5WYbpmQgZQ0OHk (date of access: 20.01.2025)YouTube : [site]. – URL: https://www.youtube.com/playlistlist=PLU4iF0_W9xOlrE8brTv5WYbpmQgZQ0OHk (date of access: 20.01.2025).

The authors declare that there are no conflicts of interest present.