A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

A Framework for Robots Development and Programming Based on Genetic Algorithms Palmeira P.F.M Silvino J.S. de Melo J.C.D DEE-UFMG DELT-UFMG.

Apresentações semelhantes


Apresentação em tema: "A Framework for Robots Development and Programming Based on Genetic Algorithms Palmeira P.F.M Silvino J.S. de Melo J.C.D DEE-UFMG DELT-UFMG."— Transcrição da apresentação:

1 A Framework for Robots Development and Programming Based on Genetic Algorithms Palmeira P.F.M Silvino J.S. de Melo J.C.D DEE-UFMG DELT-UFMG

2 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Modelo de Desenvolvimento b Propostas de Continuação

3 Objetivo b Aplicação de técnicas Inteligência Artificial no desenvolvimento de Robôs autônomos em ambiente não controlado.

4 Ambiente Controlado Ambiente Controlado b Posições e deslocamentos conhecidos b Trajetórias predeterminadas. b Cinemática Inversa.

5 Geração de Trajetória (Ambiente Controlado)

6 Ambiente não Controlado b Posições e deslocamentos são desconhecidos. b Trajetórias não podem ser predeterminadas. b Dificuldade de se utilizar técnicas convencionais de programação e controle.

7 Trajetória

8 Problema do Controle Problema do Controle b Técnicas mais sofisticadas de controle. b Tem sido propostas técnicas alternativas ao controle convencional tais como Lógica Nebulosa e Redes Neurais. b O uso destas técnicas requer a aquisição de conhecimento humano.

9 Propostas Atuais b Uso de lógica fuzzy com A.G.s. b Uso de redes neurais com A.G.s.

10 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Modelo de Desenvolvimento b Propostas de Continuação

11 Proposta b Desenvolvimento de um ambiente interativo simulação dinâmica de robôs autônomos. b Uso de A.G para evoluir população de elementos de controle, baseados no conhecimento humano. b Simulador será utilizado para a aquisição do conhecimento humano e avaliação b Rede Neural para armazenamento do conhecimento

12 Algoritmo Genético I b Algoritmos genéticos são utilizados para evoluir uma população de elementos de controle. b Cada geração e formada pelos elementos selecionados da geração anterior acrescida de novos, criados por operadores genéticos. b Simplicidade Robustez

13 Algoritmo Genético II b A mutação altera as características do elemento. b O cruzamento age combinado dois elementos para produzir um terceiro. b A evolução se da pela seleção dos melhores indivíduos em cada geração( Função de fitness).

14 Operações Genéticas

15 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Modelo de Desenvolvimento b Propostas de Continuação

16 Metodologias b Aquisição de conhecimento b Simulação Simulação em tempo RealSimulação em tempo Real b Programação Abstração de dadosAbstração de dados b Otimização Algoritmos genéticosAlgoritmos genéticos

17 Simulador 2D b Ambiente gráfico interativo 2D. b Hierarquia de classes. b Dinâmica dos objetos. b Programação orientada por objetos.

18 Simulador

19 Robôs Virtuais b Controle –Inteligência b Inércia –Dinâmica b Move –Visualização

20 Robôs Objetos representados por uma hierarquia de classes.

21 Dinâmica b Função Inércia() b Integração b Constantes Momento de inércia.Momento de inércia. Constante de atrito.Constante de atrito...........

22 Dinâmica I

23 Modos do Simulador b Modo Autônomo: Controle: com o Player. Controle: com o Player. b Modo Supervisionado Interativo: com Trainer Interativo: com Trainer b Modo Treino Algoritmo Genético evolui população de Rede Neurais.Algoritmo Genético evolui população de Rede Neurais.

24 Ponto de Partida b TCad Ambiente para computação gráficaAmbiente para computação gráfica Orientado por ObjetosOrientado por Objetos Processador simbólicoProcessador simbólico b Framework sobre Algoritmos Genéticos

25 TCad

26 TCadMan

27 Simulador

28 Implementação do Controlador b A classe Master herdeira da classe TCadMan. b Uma instância da classe Master é o controlador mestre que controla e coordena as tarefas filhas.

29 Objetos gráficos

30 Implementação dos Robôs b Classe abstrata Personagem descendente da classe List.

31 Framework para GNA Classe abstrata Indivíduo Classe GNA

32 Implementação do GNA b Evolui uma população de instancias de classes descendente de indivíduo.

33 Vista do Simulador b A classe TCadMan controla ambiente gráfico.

34 Alteração de um Robô

35 Console do TCad

36 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Modelo de Desenvolvimento b Propostas de Continuação

37 Framework concluído

38 Proposta b Rede Neural para armazenamento do conhecimento b Simplicidade b Robustez

39 Aplicação Rede Neural Aproximador universal de funções 14 Entradas 2 Saídas

40 b Uso de treinamento supervisionado, tendo como referencia uma trajetória gravada, por um treinador Humano. b Redes Neural 2 camadas 14x2 14 entradas:14 entradas: – x,y, em t, t-1, t-2... 2 saídas:2 saídas: – impulso linear I L e impulso angular I a. b A diferença entre as saídas gravadas e as calculadas pela rede é utilizada para se obter o erro das RNAs Redes Neurais

41 Implementação das RNA b A classe Abstrata Indivíduo descreve o indivíduo da população. b A classe RedeNeural implementa uma RNA.

42 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Propostas de Continuação

43 Conclusões e Propostas b Resultados Preliminares. Comparação das Trajetórias.Comparação das Trajetórias. b Resultados Numéricos. Influencia dos parâmetros genéticos.Influencia dos parâmetros genéticos. b Propostas para trabalhos futuros.

44 Trajetória I

45 Trajetória II

46 Trajetória I

47 Trajetória II

48 Resultados Numéricos b Influencia de mutação aleatória e cruzamento. b Influencia da taxa de sobrevivência. b Influencia do tamanho da população. b Influencia do uso de backpropagation.

49 Taxa de Sobrevivência I

50 Taxa de Sobrevivência II

51 Tamanho da população I

52 Tamanho da população II

53 Erro Angular sem backpropagation

54 Influencia de backpropagation

55 Erro linear sem backpropagation

56 Influencia de backpropagation II

57 Conclusões b Objetivo proposto foi alcançado b Simulador se mostrou-se funcional nos seus três modos de funcionamento. b RNAs treinadas com A.G.s foram capazes de fazer o robô seguir as trajetórias idealizadas.

58 Conclusões b Taxa de sobrevivência e tamanho da população influem na velocidade do treinamento. b Backpropagation pode perturbar mecanismo de seleção do algoritmo genético. b Uso de backpropagation aumenta o tempo de execução por geração do algoritmo genético.

59 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Modelo de Desenvolvimento b Propostas de Continuação

60 Modelo de desenvolvimento b Especificação b Implementação b Inserção

61 Especificação b Criação do novo modelo de Robô

62 Implementação b Derivação Redefinição das funçõesRedefinição das funções controlecontrole inérciainércia movemove b novotipo.dll

63 Inserção b Original TCad + robos.dllTCad + robos.dll b Inserção do novo tipo no ambiente TCad + robos.dll+novotipo.dllTCad + robos.dll+novotipo.dll

64 Inserção

65 Tópicos b Introdução b Proposta b Implementação b Validação b Conclusões b Modelo de Desenvolvimento b Propostas de Continuação

66 Propostas para Trabalhos Futuros I b Robôs com comportamento cooperativo. b Outros modelos de dinâmica b Implementação de outros elementos de Inteligência Artificial

67 b Usar funções Lisp como funções, Controle() e Inércia() b Usar funções Lisp como operadores genéticos. b Programação Genética Propostas para Trabalhos Futuros II

68 Programação Genética


Carregar ppt "A Framework for Robots Development and Programming Based on Genetic Algorithms Palmeira P.F.M Silvino J.S. de Melo J.C.D DEE-UFMG DELT-UFMG."

Apresentações semelhantes


Anúncios Google