Download
1 / 68
680 likes | 787 Vues
This paper presents a robust framework for the development and programming of autonomous robots using genetic algorithms (GAs). It outlines techniques for simulating robots in both controlled and uncontrolled environments, embracing advancements in artificial intelligence. Key methodologies include the evolution of control systems through GAs, the integration of neural networks, and the use of fuzzy logic. The paper also details the design of a dynamic 2D simulator, which serves to enhance human knowledge acquisition and evaluation. Validation results highlight the effectiveness of these approaches.
E N D
A Framework for Robot’s Development and ProgrammingBased on Genetic Algorithms Palmeira P.F.M Silvino J.S. de Melo J.C.D • DEE-UFMG • DELT-UFMG • DELT-UFMG
Tópicos • Introdução • Proposta • Implementação • Validação • Conclusões • Modelo de Desenvolvimento • Propostas de Continuação
Objetivo • Aplicação de técnicas Inteligência Artificial no desenvolvimento de Robôs autônomos em ambiente não controlado.
Ambiente Controlado • Posições e deslocamentos conhecidos • Trajetórias predeterminadas. • Cinemática Inversa.
Geração de Trajetória (Ambiente Controlado)
Ambiente não Controlado • Posições e deslocamentos são desconhecidos. • Trajetórias não podem ser predeterminadas. • Dificuldade de se utilizar técnicas convencionais de programação e controle.
Problema do Controle • Técnicas mais sofisticadas de controle. • Tem sido propostas técnicas alternativas ao controle convencional tais como Lógica Nebulosa e Redes Neurais. • O uso destas técnicas requer a aquisição de conhecimento humano.
Propostas Atuais • Uso de lógica fuzzy com A.G.s. • Uso de redes neurais com A.G.s.
Tópicos • Introdução • Proposta • Implementação • Validação • Conclusões • Modelo de Desenvolvimento • Propostas de Continuação
Proposta • Desenvolvimento de um ambiente interativo simulação dinâmica de robôs autônomos. • Uso de A.G para evoluir população de elementos de controle, baseados no conhecimento humano. • Simulador será utilizado para a aquisição do conhecimento humano e avaliação • Rede Neural para armazenamento do conhecimento
Algoritmo Genético I • Algoritmos genéticos são utilizados para evoluir uma população de elementos de controle. • Cada geração e formada pelos elementos selecionados da geração anterior acrescida de novos, criados por operadores genéticos. • Simplicidade Robustez
Algoritmo Genético II • A mutação altera as características do elemento. • O cruzamento age combinado dois elementos para produzir um terceiro. • A evolução se da pela seleção dos melhores indivíduos em cada geração( Função de fitness).
Tópicos • Introdução • Proposta • Implementação • Validação • Conclusões • Modelo de Desenvolvimento • Propostas de Continuação
Metodologias • Aquisição de conhecimento • Simulação • Simulação em tempo Real • Programação • Abstração de dados • Otimização • Algoritmos genéticos
Simulador 2D • Ambiente gráfico interativo 2D. • Hierarquia de classes. • Dinâmica dos objetos. • Programação orientada por objetos.
Robôs Virtuais • Controle • Inteligência • Inércia • Dinâmica • Move • Visualização
Robôs Objetos representados por uma hierarquia de classes.
Dinâmica • Função Inércia() • Integração • Constantes • Momento de inércia. • Constante de atrito. • .....
Modos do Simulador • Modo Autônomo: • Controle: com o Player. • Modo Supervisionado • Interativo: com Trainer • Modo Treino • Algoritmo Genético evolui população de Rede Neurais.
Ponto de Partida • TCad • Ambiente para computação gráfica • Orientado por Objetos • Processador simbólico • Framework sobre Algoritmos Genéticos
Implementação do Controlador • A classe Master herdeira da classe TCadMan. • Uma instância da classe Master é o controlador mestre que controla e coordena as tarefas filhas.
Implementação dos Robôs • Classe abstrata Personagem descendente da classe List.
Framework para GNA Classe GNA Classe abstrata Indivíduo
Implementação do GNA • Evolui uma população de instancias de classes descendente de indivíduo.
Vista do Simulador • A classe TCadMan controla ambiente gráfico.
Tópicos • Introdução • Proposta • Implementação • Validação • Conclusões • Modelo de Desenvolvimento • Propostas de Continuação
Proposta • Rede Neural para armazenamento do conhecimento • Simplicidade • Robustez
Aplicação Rede Neural Aproximador universal de funções 14 Entradas 2 Saídas
Uso de treinamento supervisionado, tendo como referencia uma trajetória gravada, por um treinador Humano. Redes Neural 2 camadas 14x2 14 entradas: x ,y , em t , t-1, t-2 ... 2 saídas: impulso linear IL e impulso angular Ia. A diferença entre as saídas gravadas e as calculadas pela rede é utilizada para se obter o erro das RNAs Redes Neurais
Implementação das RNA • A classe Abstrata Indivíduo descreve o indivíduo da população. • A classe RedeNeural implementa uma RNA.
Tópicos • Introdução • Proposta • Implementação • Validação • Conclusões • Propostas de Continuação
Conclusões e Propostas • Resultados Preliminares. • Comparação das Trajetórias. • Resultados Numéricos. • Influencia dos parâmetros genéticos. • Propostas para trabalhos futuros.
Resultados Numéricos • Influencia de mutação aleatória e cruzamento. • Influencia da taxa de sobrevivência. • Influencia do tamanho da população. • Influencia do uso de backpropagation.
