Referencial Teórico Hugo da Luz Silva. Robótica Móvel Um dos desafios mais significativos da...

Referencial TeóricoHugo 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.

Sistemas Classificadores

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

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).

Arquitetura

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

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 Sr maior 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.

ReferênciasÁLVARES, A. J., FERREIRA, J. C. E., ANDRIOLLI, G. F., SOUSA, M. M.,

DUTRA, P. R. C. 2003. Um Sistema Para Navegação Por Mapeamento Do Robô Móvel Nomad XR4000, in Sociedade Brasileira de Automática (SBAI).

ÁLVARES, A. J., ANDRIOLLI, G. F., DUTRA, R.C., SOUZA, M. M., FERREIRA, J. C. E. 2003. A Navigation and Path Planning System for the NOMAD XR4000 Mobile Robot with Remote Web Monitoring, 17º Congresso Brasileiro de Engenharia Mecânica (COBEM), São Paulo, SP.

ÁLVARES, A. J., TOURINO, S. R. G. 2002. Teleoperation Architecture for the Navigation Throught Web of the Nomad XR4000 Mobilerobot. In: II Congresso Nacional de Engenharia Mecânica, CONEM.

ARKIN, R. C. 1989. Motor Schema-Based Mobile Robot Navigation. The International Journal of Robotics Research, 8: 92 - 112.

ARKIN, R. C. 1998. Reactive robotic systems. In the Handbook of Brain theory and Neural Networks, M. A. Arbib, Ed. MIT Press, Cambridge, MA, 793-796.

ARKIN, R. C., 1998. Behavior-based robotics, MIT Press, Cambridge, MA.

ReferênciasARKIN, R. C., Vachtsevanos, G. 1998. Techniques for Robot Survavility,

relatório técnico GeorgiaTech.AUSTIN, D., KOUZOUBOV, K. 2002. Robust, Long Term Navigation of a

Mobile Robot, Proc. IARP/IEE-RAS Joint Workshop on Technical Challenges for Dependable Robots in Human Environments.

BROOKS, R. A. 1986. A robust layered control system for a mobile robot, IEEE Journal of Robotics and Automation, Vol. RA-2, Num. 1, 14-23.

BURGARD, W., CREMERS, A., FOX, D., HAHNEL, D., LAKEMEYER, G., SCHULZ, D., STEINER, W. and THRUN, S. 1998. Experiences with an Interactive Museum Tour-Guide Robot. Artificial Intelligence, Artificial Intelligence Journal, 1-2.

BURGARD, W., CREMERS, A., FOX, D., HAHNEL, D., LAKEMEYER, G., SCHULZ, D., STEINER, W. and THRUN, S. 1998. The Interactive Museum Tour-Guide Robot. In Proceedings of the Fifteenth National Conference on Artificial Intelligence. Madison, Wisconsin. AAAI Press.

CALVO, R. 2007. Arquitetura Híbrida Inteligente para Navegação Autônoma de Robôs. Dissertação de Mestrado, USP, São Carlos, São Paulo.

ReferênciasCAZANGI, R. R. 2004. Uma Proposta Evolutiva para Controle

Inteligente em Navegação Autônoma de Robôs. Dissertação de Mestrado, UNICAMP, Campinas, São Paulo.

CRESTANI, P. R. 2001. Sistemas inteligentes de navegação autônoma: uma abordagem modular e hierárquica com novos mecanismos de memória e aprendizagem. Dissertação de Mestrado, UNICAMP, Campinas, São Paulo.

ELFES, A. 1987. Sonar-Based Real-World Mapping and Navigation, Robotics and Automation, IEEE Journal of, ISSN: 0882-4967, 249-265.

Nomadic Technologies. 1999. Nomad XR4000 Hardware Manual Release 1.0. Califórnia. USA.

Nomadic Technologies. 1999. Nomad XRDEV Software Manual Release 1.0. Califórnia. USA.