راه رفتن مستقیم روبات انسان نما با استفاده از الگوریتم بهبود یافته ی ازدحام ذرات

1. راه رفتن مستقیم روبات انسان نما با استفاده از الگوریتم بهبود یافته ی ازدحام ذرات معین اوحدی کارشک - احسان مودی خرداد 1391

2. مختصری درباره ی این ارائه این ارائه حاصل کار پژوهشی نویسندگان دو مقاله ی ذیل می باشد و ارائه کنندگان تنها حاصل این دو کار پژوهشی را با یکدیگر ادغام نموده اند. ایده ی استفاده از هوش جمعی در مقاله ی: • NimaShafii, Mohammad H. SeyedJavadi, BahramKimiaghalam, A Truncated Fourier Series with Particle Swarm Optimization for the control Of Biped Locomotion, IEEE/ASME International Conference on Advanced Intelligent Mechatronics Suntec Convention and Exhibition Center Singapore, July 14-17, 2009 بهبود الگوریتم بهینه سازی بر اساس مقاله ی زیر: • HaoGao and WenboXu, A New Particle Swarm Algorithm and Its Globally Convergent Modifications, IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART B: CYBERNETICS, VOL. 41, NO. 5, October 2011

3. فهرست • روبات های انسان نما • نائو, روبات دوست داشتنی • راه رفتن • راه رفتن به عنوان مساله ی بهینه سازی • بهینه سازی با الگوریتم ازدحام ذرات

4. روبات های انسان تعریف روبات انسان نما به دسته ای از روبات ها گفته می شود که ظاهری شبیه انسان ها دارند. از مهمترین ویژگی های یک روبات انسان نما جا به جایی شبیه انسان ها است, یعنی راه رفتن. امروزه بسیاری از روبات های انسان نما حتی به لحاظ قرار گیری محل سنسور ها نیز مانند انسان ها هستند. دو دوربین (برای دید سه بعدی) در جلوی سر و دو میکروفون در دو طرف آن.

5. روبات های انسان اهمیت روبات های انسان نما روبات های انسان نما از بسیاری جهات مورد توجه هستند. از جمله: • این روبات ها قادر هستند تا کارهایی که تنها انسان قادر به انجام آن هستند را انجام دهد. مانند: بالا رفتن از پله ها, کوهنوردی, روی دو پا راه رفتن و ... . • انسان ها محیط زندگی خود را با توجه به پیکربندی بدنشان ساخته اند. چینش وسائل آشپزخانه, معماری یک شرکت و خیابان ها, همه و همه مناسب موجودی مانند انسان هستند. اگر بنا است تا روباتی با انسان زندگی کرده و او را همراهی نماید به ناچار باید به لحاظ شکل ظاهری و پیکر بندی مشابه او باشد. • روبات های انسان نما در نگاه اول بسیار مهربان, دوست داشتنی و امن به نظر می آیند. این ویژگی باعث می شود تا این دسته روبات ها بتوانند بسیار بهتر از سایر روبات ها با کودکان و سالمندان تعامل داشته باشند.

6. روبات های انسان چند نمونه روبات انسان نما

7. نائو, روبات دوست داشتنی • در این کار پژوهشی از روبات نائو به عنوان مدلی برای شبیه سازی استفاده شده است. • نائو یک روبات دو پای 58 سانتی متری می باشد. • این روبات توسط شرکت ALDEBARAN ROBOTICS ایجاد شده است. • نائو 22 درجه آزادی دارد. • بسیاری از محیط های شبیه سازی روباتیک از این روبات به عنوان مدل پشتیبانی می کنند.

8. نائو, روبات دوست داشتنی آناتومی نائو

9. نائو, روبات دوست داشتنی نائو از تمام جهات

10. راه رفتن • راه رفتن روی دوپا از ویژگی های منحصر به فرد روبات های انسان نما است. • راه رفتن حرکتی تناوبی است به این معنا که عمل راه رفتن مجموعه ای از اعمال قدم برداشتن می باشد. • برای مدل کردن راه رفتن به یک تابع تناوبی برای هر مفصل نیاز است که در این جا از سری فوریه استفاده شده است. • که در این جا ضرائبو و سرعت زاویه ای پارامتر های مجهول هستند. • ورودی تابع زمان و خروجی آن موقعیتی است که مفصل باید در آن قرار گیرد.

11. راه رفتن • به صورت تجربی می توان نتیجه گرفت که تنها پنج جمله ی اول سری فوریه برای مدل کردن قدم ها کافی است. • برای راه رفتن مستقیم سه مفصل لگن, زانو و مچ پا در گیر است. پس به طور کلی شش مفصل در گیر هستند. اما از آن جایی که هر دو پا حرکتی کاملا مشابه دارند, مدل کردن یکی از پاها کافی است و مفاصل پای دیگر مقداری برابر پای اصلی اما با تاخیری معادل نصف دوره ی تناوب حرکت دارند. • پس مجهولات عبارت هستند از: • سه عبارت سری فوریه با پنج جمله و هر جمله نه متغیر. در مجموع 27 پارامتر. • سرعت زاویه ای حرکت. • مساله در مجموع 28پارامتر دارد.

12. راه رفتن به عنوان مساله ی بهینه سازی • می توان به راه رفتن به دید یک مساله ی بهینه سازی نگریست. • برای این منظور راه رفتن به عنوان تابعی با 28پارامتر ورودی و یک عدد خروجی به عنوان میزان تناسب ورودی ها در نظر گرفته می شود. • برای محاسبه ی میزان تناسب ورودی ها, ابتدا روبات انسان نما در محیط شبیه ساز با ورودی های داده شده شروع به راه رفتن می نماید. این راه رفتن با یکی از سه شرط زیر خاتمه می یابد: • تعادل روبات به هم خورده و به زمین بیفتد. • مدت راه رفتن از یک زمان مشخص بیشتر شود. • سرعت روبات بسیار کم باشد. پس از وقوع یکی از شروط بالا میزان تناسب با استفاده از فرمول زیر محاسبه می شود: که در این جا X میزان حرکت مستقیم روبات و Y میزان انحراف وی از مسیر حرکت می باشد.

13. بهینه سازی با الگوریتم ازدحام ذرات الگوریتم بهینه سازی ذرات چیست؟ الگوریتم بهینه سازی ذرات (PSO) یک الگوریتم بهینه سازی فرا اکتشافی است که از حرکت گروهی پرندگان (و دیگر حیواناتی که به شکل گروهی زندگی می کنند) الگو گرفته است. در این الگوریتم هر پاسخ مساله به صورت یک ذره که دارای یک مقدار و همچنین میزان تناسب است مدل می شود.

14. بهینه سازی با الگوریتم ازدحام ذرات ابداع یک ایده الگوریتم بهینه سازی ذرات اولین بار توسط Russell EberhartوJames Kennedy در سال 1995 در این مقاله ارائه شد: Kennedy, J. and Eberhart, R., Particle Swarm Optimization, Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia 1995, pp. 1942-1945.

15. بهینه سازی با الگوریتم ازدحام ذرات مفاهیم اولیه • هر ذره در حال جستجو براي نقطة بهينه است. • هر ذره در حال جابجايي است (در غير اينصورت نمي‌تواند جستجو كند!) • به دليل اين جابجايي، داراي سرعت است. • PSO بر مبنای حرکت و هوش ذرات کار می کند. • PSO مفهوم تعامل اجتماعی را برای حل مسائل بهینه سازی به کار می گیرد. • ذرات (پاسخ های مساله) در فضای جستجو حرکت می کنند.

16. بهینه سازی با الگوریتم ازدحام ذرات مفاهیم اولیه • هر ذره در هر مرحله، موقعيتي را كه بهترين نتيجه را در آن داشته به خاطر مي‌سپارد. (بهترين موقعيت فردي هر ذره) • ذرات در گروه ذرات با هم همياري مي‌كنند. ذرات اطلاعاتي كه دربارة موقعيتي كه در آن هستند را با هم تبادل مي‌كنند. • حرکت هر ذره به سه عامل بستگی دارد: 1- موقعیت فعلی ذره. 2- بهترین موقعیتی که تا کنون ذره داشته است. (Pbest) 3- بهترین موقعیتی که کل مجموعه ی ذرات تا کنون داشته اند. (Gbest)

17. بهینه سازی با الگوریتم ازدحام ذرات الگوریتم کلی محاسبه ی تابع تناسب جهش ذرات بروز رسانی Pbest تولید ذرات اولیه بروز رسانی مقدار ذره پاسخ: Gbest بروز رسانی Gbest بروز رسانی سرعت

18. بهینه سازی با الگوریتم ازدحام ذرات نحوی بروز رسانی مقادیر موقیت جدید هر ذره از رابطه ی زیر بدست می آید: present[] = present[] + v[] در این جا آخرین جمله سرعت (میزان تغییر مکان ذره) را مشخص می کند. این عبارت این گونه محاسبه می شود: v[] = c0 *v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) • تابع rand()مولد عدد تصادفی در بازه ی [0,1]و c1 و c2 ”ثوابت اثر“ نامیده می شوند. • C0 ضریب حافظه ی سرعت است. جابجايي فعلي اثر حافظة ذره اثر گروه ذرات

19. بهینه سازی با الگوریتم ازدحام ذرات پارامتر های کنترلی در اجرای الگوریتم PSO پارامتر های زیادی دخیل هستند که تنظیم مناسب آن ها عملکرد الگوریتم را شدیدا تحت تاثیر قرار می دهد. این پارامتر ها به این شرح هستند: تعداد ذرات: نشان داده شده است كه 10-50 معمولاً كافي مي‌باشد. C1: اهميت مربوط به بهترين وضعیت هر ذره. C2: اهميت مربوط به بهترين وضعیت همسايگي ها. معمولاً C1+C2 = 4. فقط بدلايل تجربي انتخاب شده است. حد اکثر مقدار سرعت: خيلي كم- سرعت پايين خيلي زياد- ناپايدار

20. بهینه سازی با الگوریتم ازدحام ذرات مزایا PSO مزایای بسیاری نسبت به دیگر روش های بهینه سازی دارد. از جمله: • يك روش مرتبة صفر است و نيازي به عمليات سنگين رياضي مثل گراديان‌گيري احتياج ندارد. • يك روش مبتني بر جمعيت است. (استفاده از محاسبات توزیع شده) • بار محاسباتی قابل قبولی دارد. • همگرایی نسبتا سریعی دارد.

21. بهینه سازی با الگوریتم ازدحام ذرات ارزیابی الگوریتم • با استفاده از روش مونت کارلو می توان کارایی یک الگوریتم متا هیوریستیک را برآورد کرد. • این روش بر مبنای استفاده از تجربه است. • روش مونت کارلو، روشی شبه اثبات گونه است. • با استفاده از این روش مشخص می شود که سرعت همگرایی الگوریتم بهینه سازی ازدحام ذرات برای بهینه کردن کنترل مفاصل یک روبات با درجه ی آزادی بالا, بسیار زیاد است.

22. بهینه سازی با الگوریتم ازدحام ذرات چرا نسخه ی بهبود یافته؟ • به دلیل تعداد بالای پارامتر ها نیاز به بهبود الگوریتم ازدحام ذرات احساس می شود. • نسخه ی معمول الگوریتم ازدحام ذرات در جستجوی کامل محیط ضعف دارد. با استفاده از روش مونت کارلو می توان مشاهده کرد که در قدم های پایانی, ذرات عملا حرکت محسوس و تاثیر گذاری ندارند.

23. بهینه سازی با الگوریتم ازدحام ذرات بهبود الگوریتم ازدحام ذرات اضافه کردن عملگر جهش در یکی از شرایط زیر می توان موقعیت یک ذره را به صورت تصادفی تغییر داد: • وقتی سرعت آن بسیار کم شده باشد. • در ماکسیمم یا میمنیمم محلی به دام افتاده باشد. • ذرات بسیار زیادی در نزدیکی آن ذره باشند. (تراکم بالا در یک نقطه) دو نوع جهش وجود دارد: • سراسری: برای جستجوی کامل محیط. • محلی: برای کاوش دقیق تر همسایه ی موقعیت های بهتر.

24. بهینه سازی با الگوریتم ازدحام ذرات بهبود الگوریتم ازدحام ذرات عدم استفاده از سرعت می توان اثبات کرد که بدون در نظر گرفتن متغیری به نام سرعت می توان موقعیت جدید هر ذره را این گونه محاسبه نمود: که در این جا: • متغیر جذب کننده: • میانگین بهترین:

25. بهینه سازی با الگوریتم ازدحام ذرات نتیجه گیری ایده های نو در این ارائه فکر های نو در مقاله ی اول: • ارائه ی یک ساختار قدرتمند برای مدل کردن راه رفتن روبات دو پا. • بهبود فرآیند یافتن پاسخ های بهینه از طریق حذف پارامتر های وابسته. • کاربرد هوش جمعی در بهینه سازی کنترل روبات دوپا. فکر های نو در مقاله ی دوم: • استفاده از روش مونت کارلو برای ارزیابی الگوریتم بهینه سازی ازدحام ذرات. • به کار بردن دو نوع جهش. سراسری و محلی. • استفاده از مفهوم جذب کننده به جای سرعت. کارهای آینده: • اضافه کردن عملگر برش. • کنترل میزان همگرایی الگوریتم با استفاده از مفهوم دما در الگوریتم تبرید شبیه سازی شده. • گروه بندی ذرات برای کاوش دقیق تر جواب ها در موقعیت های خاص و به دست آوردن مجموع الگو های راه رفتن به جای یافتن تنها یک الگوی خاص.

26. با تشکر از توجه شما