540 likes | 679 Views
Referencial Teórico. Hugo da Luz Silva. Robótica Móvel. Um dos desafios mais significativos da robótica autônoma está na área de planejamento de movimento autônomo.
E N D
Referencial Teórico Hugo da Luz Silva
Robótica Móvel • Um dos desafios mais significativos da robótica autônoma está na área de planejamento de movimento autônomo. • A caracterização de um planejador de movimento pode ser de acordo com a tarefa do robô, suas propriedades e as propriedades do algoritmo. • Algumas das tarefas mais comuns são: navegação, análise, localização e mapeamento.
Sensores • São dispositivos usados para detectar, medir ou gravar fenômenos físicos e que respondem transmitindo informação, iniciando mudanças ou operando controles. • Ultra-Som • São aplicações de sensores piezoelétricos, pois permitem captar ondas de pressão em meio elástico e gerar sinal de saída correspondente. • Se um sensor é capaz de gerar uma corrente com uma excitação sonora, então com uma excitação elétrica será capaz de vibrar, gerando ondas de pressão.
Infravermelho • São utilizados como sensores de proximidade, basicamente para evitar colisão imediata. • Possui comportamento não-linear e alta dependência da emissividade dos objetos sentidos. • Para medir a energia refletida por um objeto, são tomadas duas leituras: • Emissores desligados – obtendo-se a radiação do ambiente. • Emissores ligados – obtendo-se a energia refletida mais a radiação ambiente. • A energia do objeto é: Eobjeto = Eligado - Edesligado
Filtros de Kalman • Desenvolvido inicialmente como solução recursiva para filtragem linear de dados discretos. • Utiliza equações matemáticas que implementam um estimador preditivo de estados, corrigindo interativamente a resposta de um determinado sistema através de múltiplas variáveis relacionadas a ele. • É amplamente utilizado para fusão sensorial em aplicações de robótica móvel.
Filtros de Kalman • Sob certas condições são capazes de encontrar a melhor estimativa baseada na correção de cada medida individual. • Se um sistema pode ser descrito através de um modelo linear e as incertezas dos sensores e do sistema podem ser modelados como ruídos Gaussianos brancos, então o filtro proverá uma estimativa estatisticamente ótima para os dados fundidos.
Mapeamento • É o problema de exploração e sensoriamento em um ambiente desconhecido para construir uma representação que seja útil para navegação, análise ou localização. • Localização e mapeamento podem ser combinados como em SLAM (Simultaneous Localization and Mapping).
Mapeamento • O posicionamento baseado em mapas é uma técnica na qual o robô usa seus sensores para criar um mapa do ambiente local. • Este mapa local é então comparado com o mapa global armazenado previamente em sua memória. • Se uma correlação é encontrada, então o robô pode calcular sua posição atual e sua orientação no ambiente.
Navegação Autônoma • Abordagem Reativa • Robôs reativos são baseados em comportamento, pois são instruídos a atuar através da ativação de uma coleção de comportamentos primitivos de baixo nível. • Comportamentos físicos complexos surgem através da interação do conjunto comportamental e das complexidades do ambiente. • Essa abordagem fornece respostas mais rápidas e flexíveis.
Navegação Autônoma • Abordagem Deliberativa • Nessa abordagem há o planejamento das ações. Pode ser aplicada nas situações: • Onde o mundo pode ser precisamente modelado. • Onde as incertezas são restritas. • Onde existem garantias de que não haverá mudanças no mundo durante a execução.
Navegação Autônoma • Abordagem Híbrida • O paradigma híbrido é capaz de combinar os paradigmas deliberativo e reativo, reduzindo o tempo decorrido na execução das primitivas. • Realiza planejamentos que possuem alto custo computacional sem tornar os robôs lentos.
Inteligência Artificial • A Inteligência Artificial inclui métodos, ferramentas e sistemas para resolver problemas que normalmente requerem a inteligência de humanos. • Seus objetivos são desenvolver métodos e sistemas para resolver problemas (que são resolvidos pela atividade intelectual humana) e desenvolver modelos que simulam organismos vivos.
Algoritmos Genéticos • São baseados no processo biológico de evolução criado por Darwin, onde os indivíduos mais fortes na população têm mais chance de criar descendentes. • O AG geralmente possui as três operações genéticas fundamentais de seleção, crossover e mutação. • É implementado como um procedimento de busca e otimização computacional.
Redes Neurais Artificiais • São estruturas computacionais inspiradas no estudo do processamento neural biológico. • São técnicas computacionais que adquirem conhecimento através da experiência. • Uma rede pode estar sujeita a aprendizado supervisionado ou não-supervisionado. • O aprendizado é supervisionado se um critério externo é usado e combinado com a saída da rede.
Lógica Fuzzy • Foi desenvolvida por Zadeh em 65 para representar o conhecimento incerto e impreciso. • Fornece uma maneira aproximada, mas efetiva de descrever o comportamento de sistemas que são muito complexos, mal-definidos ou de difícil análise matemática. • Permite inferir conclusões e gerar respostas baseadas em informações vagas, ambíguas, incompletas e imprecisas.
Sistemas Classificadores • São métodos e princípios para criação e atualização de regras de inferência (classificadores) que codificam eventuais ações a serem tomadas por um agente sob condições específicas do ambiente. • Um dos componentes fundamentais do sistema são os algoritmos genéticos, responsáveis pela atualização do conteúdo das regras e conseqüente aperfeiçoamento das mesmas.
Hibridismo em IA • As técnicas de IA têm mostrado potencial em diversos problemas, mas ainda não foram capazes de resolver problemas realmente complexos. • A fusão entre as técnicas é útil por compensar os deméritos de uma técnica com os méritos de outra. • Algumas das técnicas são: • Redes Neurais para o design de sistemas Fuzzy. • Sistemas Fuzzy para o design de redes neurais. • Computação evolucionária para o design de sistemas Fuzzy. • Computação evolucionária no treinamento e na geração de arquiteturas de redes neurais.
Nomad XR4000 • É um sistema robótico móvel complexo que oferece subsídios para pesquisas em manipulação móvel, navegação, controle, comunicação, sensoriamento, aprendizado de máquina e outras. • É um sistema de direção holonômico que possui três graus de liberdade (X, Y e θ).
Nomad XR4000 • Possui dois anéis contendo 24 sonares, provendo informações sobre a distância de objetos. • O sonar emite 16 ciclos de onda quadrada através de um transdutor eletrostático, que também funciona como receptor após o disparo do pulso.
Nomad XR4000 • Possui dois anéis com 24 sensores infravermelhos, provendo informações da presença de objetos próximos. • Cada sensor é composto de dois emissores infravermelhos e um receptor. • Quanto maior a distância do objeto, menor será a energia refletida captada pelo receptor.
Sistemas Inteligentes de Navegação Autônoma • Sistemas Inteligentes de Navegação Autônoma: Uma Abordagem Modular e Hierárquica Com Novos Mecanismos de Memória e Aprendizagem. CRESTANI (2001) • Propõe um controlador baseado em algoritmos genéticos e aprendizagem de regras nebulosas. • Possui um conjunto de regras nebulosas que relacionam estímulos sensoriais e sinais de atuação sobre a direção e a velocidade do robô.
Objetivos • Sintetizar comportamentos básicos para a navegação: desvio de obstáculos e busca de alvos. Além de um mecanismo de controle de velocidade. • Punição ou recompensa proporcional à responsabilidade de cada neurônio ao longo do processo de tomada de decisão (usando uma propriedade sináptica, valor acumulado de ativação sináptica).
Arquitetura • A arquitetura consiste de uma representação neural para um conjunto de regras de inferência nebulosa. • Cada regra possui a forma Ai→Ci. Antecedente e Conseqüente codificam medidas angulares em radianos. • Para o antecedente, esta medida pode ser a direção do alvo com relação ao robô (MBA) ou a direção do obstáculo mais próximo do robô (MDO). • O conseqüente é o ajuste na direção atual do robô.
Arquitetura híbrida inteligente para navegação autônoma de robôs • Arquitetura Híbrida Inteligente para Navegação Autônoma de Robôs. CALVO (2007). • Sistema de navegação autônomo baseado em Redes Neurais Nebulosas Modulares. • Os testes para validação da proposta foram feitos em simulador e no robô Pioneer I.
Arquitetura • Arquitetura hierárquica com dois módulos responsáveis pelos comportamentos inatos de desvio de obstáculos e busca de alvo. • Possui um mecanismo de aprendizagem por reforço que pondera os comportamentos conflitantes ajustando os pesos sinápticos das redes neurais nos instantes de captura do alvo e de colisão contra obstáculos.
Arquitetura • Método de localização de alvo: união de método de mapeamento do ambiente e de localização. • Método de Localização utilizado é a Localização de Markov. • O método para o mapeamento do ambiente utilizado foi Grids de Ocupação (integrado ao método de localização Monte Carlo).
Uma Proposta Evolutiva para Controle Inteligente em Navegação Autônoma de Robôs • Proposta de um sistema autônomo evolutivo aplicado ao controle de um robô móvel em tarefas de navegação por ambientes desconhecidos. • Criação de uma versão de sistemas classificadores com aprendizado. Aplicação no robô Khepera II.
Arquitetura • Inicialmente o sistema não possui estratégias de navegação definidas e desconhece o ambiente. • Está dividido em quatro módulos principais: • População de regras • Competição • Avaliação • Reprodução
Arquitetura • A população de regras representa o conhecimento do sistema e evolui durante a navegação. • O Módulo de Competição recebe os estímulos dos sensores, compara com as regras e escolhe a melhor. • A ação da regra é enviada ao atuador que ajusta a velocidade e direção do robô.
Arquitetura • O ciclo só é interrompido quando há a necessidade de evolução da população (processo de aprendizagem). • Eventos que disparam a aprendizagem: • Colisão • Captura • Monotonia • Na aprendizagem as regras são avaliadas e alteradas por meio de operadores evolutivos.
Robótica Bioinspirada • Controle Comportamental através de Neurocontroladores Evolucionários para Navegação Autônoma de Robôs Móveis. • Navegação autônoma em ambiente desconhecido e estruturado. • Gerar comportamentos complexos a partir de outros mais simples utilizando uma estrutura com várias camadas. • Aplicação no micro-robô Khepera.
Arquitetura • Cada população representa um tipo específico de neurocontrolador selecionado de acordo com o valor de fitness. • O número de genótipos depende da dimensão de cada caso (tipo de rede neural). • Apenas a mutação genética foi utilizada (pois a diversidade provê a adaptabilidade).
Arquitetura • Nessa implementação os genótipos são premiados de acordo com a performance observada através da medida de fitness, estabelecendo um ranking. • Os genótipos situados na metade inferior da escala são descartados. • Os genótipos da metade superior são copiados para a metade inferior. • Todos os indivíduos exceto os cinco melhores sofrem mutação (5%).
Arquitetura • Rede Neural de tamanho fixo. • Rede de tamanho pequeno para acelerar o treinamento e melhorar a performance em tempo real. • Função de Ativação: • Tangente Hiperbólica.
Arquitetura • Tarefas selecionadas para o trabalho: • Fototaxia: Habilidade de encontrar fonte de luz. • Desvio de obstáculo: Habilidade de desviar de obstáculos quando indo a um determinado ponto. • Seguir Parede: Habilidade para complementar outros comportamentos reativos em espaços estreitos e corredores. Geração de trajetória paralela à parede. • Aprendizado: Está relacionado à aproximação de um ou dois alvos. Maximiza o número de vezes que o robô encontra o alvo certo em um ambiente livre de obstáculos.
Arquitetura • Quando o módulo de desvio de obstáculo envia um sinal de controle Srmaior que o limiar b (b = 0) os atuadores se basearão no sinal Sobst. • De outra forma a saída do módulo de Fototaxia vai controlar o movimento do robô.
Redes Neurais e o NOMAD 200 • Uma Arquitetura de Aprendizado Neural Modular para Navegação de Robô Móvel NOMAD sem Conhecimento do Ambiente. • Problema de navegação em um ambiente desordenado sem conhecimento a priori da localização dos obstáculos. • Utilização de Perceptrons de Multi-Camadas usando organização modular e treinamento com algoritmo Backpropagation.
Arquitetura • Sistema Neural Modular
Arquitetura • A proposta de arquitetura modular sub-dividiu a tarefa de navegação em tarefas menores: • Desvio de Obstáculo. • Direção à Frente.
Arquitetura • Módulo de Detecção e Desvio de Obstáculo • Recebe informação de quatro sub-redes cada uma com três camadas. • O módulo Norte codifica a direção que deve ser adotada. • Os outros três módulos representam a confiança da existência de obstáculos naquele quadrante.
Arquitetura • Módulo de Detecção e Desvio de Obstáculo
Arquitetura • Módulo de Cálculo de Direção à Frente • Recebe a posição e orientação do robô e a posição do alvo. • Determina a direção para que o alvo seja alcançado.
Arquitetura • Módulo de Navegação • Recebe as saídas dos outros módulos e mais três entradas sensoriais. • As três entradas sensoriais correspondem aos valores calculados pelo módulo de Direção à Frente. • A rede desse módulo possui cinco camadas, seis neurônios na primeira camada, quatro na segunda e três na terceira.
Desvio de Obstáculos e Navegação Nebulosa para Robôs Móveis Ominidirecionais • Sistema de Navegação Inteligente para Robôs Móveis Omnidirecionais Baseados em Lógica Fuzzy. • Navegador Fuzzy é apropriado para aplicações on-line, pois é simples e tem um tempo de resposta curto. • Trabalho influenciado pelos campos potenciais artificiais de Khatib e pela arquitetura de classificação de Brooks.
Arquitetura • A base de regras combina: • Repulsa: distância e ângulo entre robô e obstáculos próximos. • Atração: diferença angular entre posição atual e o alvo. • Abordagem baseada nos Campos Potenciais Artificiais.
Arquitetura • Entradas do Controlador Fuzzy: • Distância entre o robô e o obstáculo mais próximo. • Ângulo entre robô e obstáculo. • Ângulo entre a direção do robô e o alvo.