Mestrado - Sistema Neural Reativo para o Estacionamento Paralelo com uma Única manobra em Veículos de Passeio

Universidade de São Paulo

Escola de Engenharia de São Carlos

Grupo de Mecatrônica

Laboratório de Robótica Móvel

Sistema Neural Reativo para o

Estacionamento Paralelo com uma única

Manobra em Veículos de Passeio

Kléber de Oliveira Andrade

Orientador

Marcelo Becker

São Carlos

Agosto/2011

http://www.eesc.usp.br/


Universidade de São PauloEscola de Engenharia de São Carlos

Grupo de MecatrônicaLaboratório de Robótica Móvel

Súmario

Introdução

Estado da Arte

Modelagem e Simulação

Aprendizado Supervisionado e Redes Neurais

Abordagem do Estacionamento Paralelo

Sistema Neural Desenvolvido

Resultados Simulados

Conclusões e Perspectivas Futuras

2





Súmario

Introdução

Estado da Arte







3





Introdução (Ficção)

4





Introdução (Realidade)

Honda (2011) Sahin e Guvenc (2007) Sony (2011)

iRobot (2011) Krebs et al. (2008) NÃO (2011)

5





Introdução (Robótica Móvel)

• Robótica Móvel

• Avanços tecnológicos

– Ex: Sistemas inteligentes embarcados em veículos

– Duas abordagens:

i. Sistemas assistivos

ii. Veículos autônomos inteligêntes

• Desafio

– Capacidade de aprender e adaptar as novas situações

Siegwart et al. (2011)

Vlacic et al. (2001)

Medeiros (1998)

6





Introdução (Iniciativas)

• Iniciativas civis e militares– Campetição (EUA)

• Darpa Grand Challenge

• Urban Challenge

• Competições (EUROPA) – M-ELROB e C-ELROB

Thrun et al. (2006)

Backer e Dolan. (2009)

7

Stanley – Stanford (2005) Tartan – Carnegie Mellon (2007)





Motivação

• Indústria automobilistica– Muitas técnologias embarcas sem reduzir os acidentes fatais

• Laboratório de Robótica Móvel (LabRoM)– Sistema Embarcado de Navegação autônoma (SENA)

Navalha (2005) Gisa (2009)

8





Mapa Conceitual (Projeto SENA)

9

Carros

inteligentesMotivação

Segurança e

Conforto

Pode ser

descritos como

Veículo capaz de perceber o

ambiente e transformar as

informações em ações

Abordagens

Semi- Autônomo Autônomo

Cinemática

Dinâmica

Tem a modelagem definida pela

Modelo bicicleta

Modelo triciclo

Modelo completo

Análise em 2D

Análise em 3D





Mapa Conceitual (Veículos semi-autônomos)

10

Semi- Autônomo

Utiliza as tecnologias

Informativa Assistiva

Exemplos

GPS

UtilizaInterface Sonora,

visual e/ou háptica

Aviso de

Mudança de faixa

ExemplosControle ativo de

cruzeiro

Assistente de

estacionamento

Controle de

estabilidade

Sistemas pré-

Colisão

Assistente de

permanência na

faixa

Capaz apenas de

informar o usuário,

não há processo de

atuação

Definida como

Usa da tecnologia informativa para avisar

o motorista, entretanto quando necessário,

é capaz de atuar no veículo

Definida como





Mapa Conceitual (Veículos autônomos)

11

Autônomo

Atuadores

Deliberativas

Híbridas

Reativas

Possíveis arquiteturas

de controle

Sensores

Precisam de

Ações são planejadas, passando

ou não por uma representação

interna do mundo ao redor

Ações baseadas

EXCLUSIVAMENTE nos

dados dos sensores

Basicamente

Basicamente

União das duas técnicas

RapidezPonto Forte

Capaz de solucionar

problemas mais

complexos

Ponto Forte

Usa os pontos fortes

das duas técnicas de

controle

Ponto Forte

Podem ser

Internos Externos

Via

CAN

Usando

estrutura

fabricada

Não invade

o espaço do

motorista

Invade o

espaço do

motorista

Proprioceptivos

Medem o

estado interno

do veículo

Encoders

IMU

Exteroceptivos

Percebem o

ambiente no

entorno

GPS

Bússola

LIDAR Única camada

Multiplas camadas

Camera Monocular

Estéreo

Cilíndrica

Omnidirecional

Ultrassom





Mapa Conceitual (Desafios)

12

DESAFIOS Percepção

Algoritmos robustos de

Visão.

Fusão Sensorial

GPS+IMU

LIDAR+Camera

Encoders + bússola +

IMU

Navegação

Algoritmos robustos de

SLAM – Simultaneous

Localisation and Mapping

ReativaDeliberativa

Gerador de

trajetórias

Trajetórias livres de colisões

Trajetórias

permitidas livre de

colisão

Controle

deliberativo

Controle

Híbrido

Comunicação entre os módulos

deliberativos e reativos

Manobras

especiais

Curvas em U

Estacionamento

Paralelo

Garagem

Vagas anguladas

Representação do

conhecimento

Armazenamento e reuso

das informações

eficientemente

Tomada de Decisão

Modelagem das Regras de

Trânsito

Baseado em Regras

Baseado em

experiências

Algoritmos de

aprendizado robusto





Objetivo

• Objetivo Geral:– Estudo e desenvolvimento de um sistema neural que seja capaz

de fazer com que um veículo, em um ambiente simuladobidimensional, realize a manobra de estacionamento paralelo deforma autônoma entrando na vaga com uma única manobra.

• Objetivos Específicosi. Estudar o estado da arte do problema de estacionamento

ii. Estudar e analisar a trajetória do veículo durante a manobra

iii. Estudar e aplicar técnicas de Aprendizado de Máquina (AM) -Redes Neurais Artificiais (RNA)

iv. Simular o sistema desenvolvido

13





Súmario

Introdução

Estado da Arte







14





Estado da Arte

• Três categorias: diagonal, garagem e paralelo

15





Estado da Arte (indústria)

16

1992

• PAS

• VolksWagen

2003

• IPAS

• Toyota

2006

• Parking Aid

• Bosch

2009

• Park4U

• Valeo





Estado da Arte (Trabalhos Acadêmicoss)

17

• Muitos trabalhos investigados de 1994 à 2011– Técnicas de Inteligência Artificial

– Calculos númericos

– Trajetórias e controles

• Principais trabalhos relacionados– Heinen et al. 2001 (AF com 6 sonares)

– Heinen et al. 2006a (MLP aprender o AF)

– Cabrere a-Cosetl et al. 2009 (CLMR com ultra-som e bússola neuro-fuzzy em Matlab/Simulink))

– Dermili e Khoshnejad 2009 (3 sonares neuro-fuzzy em ambiente simulado com polinômio de quinta ordem)

– Grupta et al. 2010 (AF e 4 sonares)

Aprox. 38 trabalhos

foram investigados





Súmario

Introdução

Estado da Arte







18






• Modelos

– Modelos do Ambiente

– Modelo do Veículo (Cinemático)

– Modelo Sensorial

• Encoders

• Sensor Laser (Hokuyo URG-04LX)

• Sensor Inercial (IG-500N)

• Simulação

– Simuladores de Robôs Móveis

– Simulador desenvolvido

19





Modelo do Ambiente

• Representação do ambiente (Mapas)1. Mapa métrico

i. grades

ii. geométrico

2. Mapa topológico

3. Mapa híbridos (Buschka e Saffioti, 2004)

20

Mapa Métrico (grids) Mapa topológico (grafos) Mapa geométrico

(Chatila e Laumond, 2985)

Thrun (2002)





Modelo do Veículo (Cinemática)

• Restrições:

• Modelo cinemático

21

Zhu e Rajamani, 2006

Siegwart et al., 2011

Kochem et al. 2003





Mini-veículo protótipo

• HELVIS (Hybrid Electric Vehicle in Low Scale)

22

Symbol Value

θ -30º / 30º

W 260 mm

Rmin 580 mm

l 335 mm

L 480 mm

b 65 mm

Sampaio et al. (2011)





Sensores

• Estimar a configuração do ambiente

– Planejar e realizar as tarefas

• Existem muitos sensores

• Os sensores são classificados em:

1. Proprioceptivos e exteroceptivos (meio em que

efetua a medição)

2. Passivo ou ativo (capturam os sinais)

23

Siegwarts e Nourbakhsh (2004)





Encoders

• Encoders (ou codificadores rotativos)– Medição da posição angular ou velocidade angular.

• Erros de odometria:– Sistemáticos (imperfeições)

– Não-sistemáticos (interação)

24

Borenstein et al., 1996





Sensor Laser (Hokuyo URG-04LX)

• Light Detection and Ranging (LIDAR)

– Hokuyo URG-04LX

• Método de medição: tempo de vôo

25

Lee e Ehsani, 2008





Sensor Inercial (IMU IG-500N)

26





Simulação

• As pesquisas pode ser iniciadas em ambientes virtuais.

• Os simuladores são uma ferramenta importante para os pesquisadores.

27

Vantagens Desvantagens

Custo usualmente inferior quando

se trata da implementação de

sistemas complexos que utilizam

alta tecnologia

Custo computacional para

reproduzir fenômenos e

comportamentos reais.

Repetibilidade dos experimentos

facilita a análise e a comparação

de algoritmos

Não consegue modelar

precisamente todos os elementos

do mundo real

Law e Kelton, 2000





Simuladores de Robôs Móveis

• Simuladores disponíveis:– Microsoft Robotics Studio (Morgan, 2008);

– Player / Stage / Gazebo (Player, 2011; Rusu et al., 2007);

– SimRob3D (Heinen 2002).

28

SEVA 2D (Osório et al. 2002) SEVA 3D (Heinen et al. 2006b)





Simulador Desenvolvido

• Implementação do Simulador– Orientação à Objetos

– Linguagem C#

– Visual C# 2008

– RNA

• Matlab (DLL)

29





Simulador Desenvolvido

• Interface do Simulador

30





Súmario

Introdução

Estado da Arte







31





Aprendizado Supervisionado e

Redes Neurais

• Aprendizado de Máquina (AM)

– O Sistema deve ser capaz de tomar decisões, atuar e

aprender com o resultado de suas ações.

• O AM classifica os métodos de aprendizagem

em três tipos:

– Aprendizagem supervisionada

– Aprendizagem não-supervisionada

– Aprendizagem por reforço (punição ou recompensa)

32

Russel e Norvig (2004)





Redes Neurais Artificiais

• São modelos matemático-computacional inspirados no sistema

nervoso dos seres vivos e que possuem capacidade de adquirir

conhecimento através de experiências.

33

n

i

ii bxwgy1

Haykin (2001)





Arquiteturas de RNAs

34

Feedfoward de camada simples Feedfoward de múltiplas simples

Redes recorrentes Redes reticuladas





Aspectos Topológicos da RNA

• Validação cruzada (5-fold cross-validation)

35





Aspectos Topológicos da RNA

• Overfitting e Underfitting

• Parada antecipada (early stopping)

36





Arquitetura de Aprendizado

• Aprendizado supervisionado

• Algoritmos– Resilient Propagation (RPROP)

– Levenberg-Marquardt (LM)

37

Dan Foresee e Hagan (1997)

Riedmiller e Braun (1993)





Súmario

Introdução

Estado da Arte







38





Abordagem do

Estacionamento Paralelo

• Três importântes etapas:

39

Dermili e Khoshnejad (2009)

1.Detectar vaga

2.Posicionar o veículo

3.Manobrar o veículo





1. Detectar a vaga

40

Wd 57,1





2. Posicionar o veículo

41





Trajetória para manobrar o veículo

42

Hoyle (2003)

Herrmann (2003)

Roth (2009)

bbLRWp 2)^(2





3. Manobrar o veículo

43





Súmario

Introdução

Estado da Arte







44






• Controlador Neural

45

Osório et al. (2002)





Geração da base de dados

46





Região estacionável

47

LP 67,1minWy 05,0





Amostra da base de dados

• 55 manobras (em média 320 pontos)

– Total de 17.625 exemplos [17.625 x 12]

• Pré-processamento dos dados [-1 1]

48





Autômato Finito

• Facilita e agiliza a coleta de dados

• Fácil de implementar

49

Heinen et al. (2006a)





Topologias candidatas (Estratégia 1)

50





Topologias candidatas (Estratégia 2)

51





Avaliação de desempenho

• Topologias candidatas da 1ª estratégia (4 casos)– 20 topologias usando RPROP e 20 usando LM

– Total = 160 topologias

• Topologias candidatas da 2ª estratégia (4 casos)– 60 topologias usando RPROP e 60 usando LM

– Total = 480 topologias

• Total de topologias treinadas = 640

• Avaliação do desempenho– MAPE (Mean Absolute Percentage Error)

52





Controlador Neural I

• Topologia candidata (estratégia 1)

– Sensores sem ruído

– Sem parede de auxílio

53





Controlador Neural II


– Sensores sem ruído

– Com parede de auxílio

54

Caso fácil





Controlador Neural III


– Sensores com ruído


55

Caso difícil





Controlador Neural IV


– Sensores com ruído


56





Controlador Neural V

• Topologia candidata (estratégia 2)– Sensores sem ruído


57





Controlador Neural VI

• Topologia candidata (estratégia 2)– Sensores sem ruído


58

Caso fácil





Controlador Neural VII

• Topologia candidata (estratégia 2)– Sensores com ruído


59

Caso difícil





Controlador Neural VIII

• Topologia candidata (estratégia 2)– Sensores com ruído


60





Súmario

Introdução

Estado da Arte







61





Demonstração da manobra (vídeo)

62

http://youtu.be/5_476rG03CE



http://youtu.be/5_476rG03CE



Medida de Similaridade

• Como avaliar o quão bem um veículo está estacionado na vaga?– Não existe nada na literatura.

63





Medida de Similaridade

64

Controlador III:

1º 53/55 = 96%

2º Pior = 85,4%

2º Melhor = 98,6%

Controlador VII

1º 54/55 = 98%

2º Pior = 97,5%

3º Melhor = 99,0%





Súmario

Introdução

Estado da Arte







65





Recapitulando e concluíndo

• Objetivo– Estudo e desenvolvimento de um sistema neural que seja capaz de fazer com que um

veículo, em um ambiente simulado bidimensional, realize a manobra deestacionamento paralelo de forma autônoma entrando na vaga com uma únicamanobra

• Estudo do estado da arte– Indústria e acadêmia

• Modelagem e simulações– Modelos (ambiente, sensores, veículo)

– Simulações (simuladores de robôs móveis e desenvolvimento de um novo)

• Aprendizado de Máquina– Redes Neurais Artificiais (Perceptron Multi-Camadas)

• Abordagem e análise da trajetória do estacionamento paralelo– Três etapas usando trajetória em S

66





Considerações Finais

• Simulações dos controladores neurais – Resultados satisfatório

– Medida de similaridade (região de contorno)

• Limitações – Simulador bidimensional (resultados simulados)

– Modelagem cinemática

– Estacionamento à direita

– Veículos geométricamente quadrados

67

Contribuições:

1. Estudo detalhado da manobra de estacionamento paralelo;

2. Sistema neural para realizar a manobra (Projeto SENA);

3. Simulador bidimensional para testes dos algoritmos de estacionamento.





Perspectivas Futuras

• Simulador tridimensional (C++, Ogre e Bullet)– Alunos da EEP (TCC) e da EESC (IC)

• Testes no mini-veículo HELVI (Equipar o veículo)– Aluno da EESC (Estágio)

• Estudo dos outros dois tipos de estacionamento– Garagem e diagonal

• Estudo de outras técnicas de IA– Algoritmos genéticos

– Lógica nebulosa (Fuzzy)

– Híbridos

• Localização de vagas (Matlab)– Aluno da EESC (IC)

68

Em andamento

Em andamento

Em andamento



Universidade de São Paulo

Escola de Engenharia de São Carlos

Grupo de Mecatrônica

Laboratório de Robótica Móvel

Sistema Neural Reativo para o

Estacionamento Paralelo com uma única

Manobra em Veículos de Passeio

Kléber de Oliveira Andrade

Orientador

Marcelo Becker

São Carlos

Agosto/2011



Technology

Mestrado - Sistema Neural Reativo para o Estacionamento Paralelo com uma Única manobra em Veículos de Passeio