В данной работе рассматривается использование компьютерного зрения применительно к робототехническим системам. Компьютерное зрение – быстро развивающаяся отрасль искусственного интеллекта, цель которой – дать робототехническим системам зрение, сравнимое с нашим собственным. В задачах этого класса высока степень неопределенности, которая связана с технической погрешностью датчиков робота и с субъективностью оценки человека в выборе критериев. Использование аппарата мягких вычислений позволяет преодолеть эту сложность. Для определения нечеткой принадлежности требуется задание экспертных суждений непосредственно при проектировании робототехнической системы. Разработана математическая модель нечеткой принадлежности объектов интереса. С помощью алгоритма нечеткой кластеризации вычисляется нечеткая принадлежность к классам на основе вектора наблюдаемых признаков и центра кластера, а степень интереса к соответствующим классам находится с применением нечеткого взвешенного суммирования. Реализован численный метод нечеткого взвешенного суммирования. Разработан комплекс программ на языке Python. Было показано, как варьирование важности одного критерия влияет на интегральные ранги классов и интегральный интерес к наблюдаемому объекту. Данный метод может быть использован для повышения качества распознавания объектов, с учетом его важности. К преимуществам данного подхода можно отнести то, что есть возможность учитывать не только неточности при идентификации объектов, но принимать во внимание оценку эксперта.

This paper discusses the use of computer vision in relation to robotic systems. Computer vision is a rapidly growing branch of artificial intelligence that aims to give robotic systems vision comparable to our own. In tasks of this class, there is a high degree of uncertainty, which is associated with the technical error of the robot’s sensors and the subjectivity of human assessment in choosing criteria. The use of soft computing apparatus allows one to overcome this complexity. To determine fuzzy membership, expert judgments are required directly when designing a robotic system. A mathematical model of fuzzy ownership of objects of interest has been developed. Using a fuzzy clustering algorithm, fuzzy class membership is calculated based on the vector of observed features and the cluster center, and the degree of interest in the corresponding classes is found using fuzzy weighted summation. A numerical method of fuzzy weighted summation has been implemented. A set of programs has been developed in Python. It was shown how varying the importance of one criterion affects the integral ranks of classes and the integral interest in the observed object. This method can be used to improve the quality of object recognition, taking into account its importance. The advantages of this approach include the fact that it is possible to take into account not only inaccuracies in identifying objects, but also take into account the expert’s assessment.