Grupo de Mecatrônica

Universidade de São Paulo
Escola de Engenharia de São Carlos

Laboratório de Robótica Móvel

Sistema...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Introdução (Ficção)

Universidade de São Paulo
Escola de Engenharia de São Carlos

4

Grupo de Mecatrônica
Laboratório de ...
Introdução (Realidade)

Honda (2011)

Sahin e Guvenc (2007)

Sony (2011)

iRobot (2011)

Krebs et al. (2008)

NÃO (2011)

...
Introdução (Robótica Móvel)
• Robótica Móvel

Siegwart et al. (2011)

• Avanços tecnológicos

Vlacic et al. (2001)

– Ex: ...
Introdução (Iniciativas)
• Iniciativas civis e militares
– Campetição (EUA)
• Darpa Grand Challenge
• Urban Challenge

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

• Laboratório de Robó...
Mapa Conceitual (Projeto SENA)
Segurança e
Conforto

Motivação

Carros
inteligentes

Pode ser
descritos como

Veículo capa...
Mapa Conceitual (Veículos semi-autônomos)
Capaz apenas de
informar o usuário,
não há processo de
atuação

Semi- Autônomo
U...
Mapa Conceitual (Veículos autônomos)
Basicamente

Ações são planejadas, passando
ou não por uma representação
interna do m...
Mapa Conceitual (Desafios)
Comunicação entre os módulos
deliberativos e reativos
Armazenamento e reuso
das informações
efi...
Objetivo
• Objetivo Geral:
– Estudo e desenvolvimento de um sistema neural que seja capaz
de fazer com que um veículo, em ...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Estado da Arte
• Três categorias: diagonal, garagem e paralelo

Universidade de São Paulo
Escola de Engenharia de São Carl...
Estado da Arte (indústria)

2009
2006

• Park4U
• Valeo

• Parking Aid
• Bosch

2003
• IPAS
• Toyota

1992
• PAS
• VolksWa...
Estado da Arte (Trabalhos Acadêmicoss)
• Muitos trabalhos investigados de 1994 à 2011
– Técnicas de Inteligência Artificia...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Modelagem e Simulação
• Modelos
– Modelos do Ambiente
– Modelo do Veículo (Cinemático)
– Modelo Sensorial
• Encoders
• Sen...
Modelo do Ambiente
•

Representação do ambiente (Mapas)
1.

2.
3.

Mapa métrico
i.
grades
ii.
geométrico
Mapa topológico
M...
Modelo do Veículo (Cinemática)
• Restrições:
Siegwart et al., 2011

Zhu e Rajamani, 2006

• Modelo cinemático

Kochem et a...
Mini-veículo protótipo
• HELVIS (Hybrid Electric Vehicle in Low Scale)
Symbol

Value

θ

-30º / 30º

W

260 mm

Rmin

580 ...
Sensores
• Estimar a configuração do ambiente
– Planejar e realizar as tarefas

• Existem muitos sensores
Siegwarts e Nour...
Encoders
• Encoders (ou codificadores rotativos)
– Medição da posição angular ou velocidade angular.

• Erros de odometria...
Sensor Laser (Hokuyo URG-04LX)
• Light Detection and Ranging (LIDAR)
– Hokuyo URG-04LX

Lee e Ehsani, 2008

• Método de me...
Sensor Inercial (IMU IG-500N)

Universidade de São Paulo
Escola de Engenharia de São Carlos

26

Grupo de Mecatrônica
Labo...
Simulação
• As pesquisas pode ser iniciadas em ambientes
virtuais.
• Os simuladores são uma ferramenta importante
para os ...
Simuladores de Robôs Móveis
• Simuladores disponíveis:
– Microsoft Robotics Studio (Morgan, 2008);
– Player / Stage / Gaze...
Simulador Desenvolvido
• Implementação do Simulador
–
–
–
–

Orientação à Objetos
Linguagem C#
Visual C# 2008
RNA
• Matlab...
Simulador Desenvolvido
• Interface do Simulador

Universidade de São Paulo
Escola de Engenharia de São Carlos

30

Grupo d...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Aprendizado Supervisionado e
Redes Neurais
• Aprendizado de Máquina (AM)

Russel e Norvig (2004)

– O Sistema deve ser cap...
Redes Neurais Artificiais
• São modelos matemático-computacional inspirados no sistema
nervoso dos seres vivos e que possu...
Arquiteturas de RNAs

Feedfoward de camada simples

Feedfoward de múltiplas simples

Redes recorrentes
Universidade de São...
Aspectos Topológicos da RNA
• Validação cruzada (5-fold cross-validation)

Universidade de São Paulo
Escola de Engenharia ...
Aspectos Topológicos da RNA
• Overfitting e Underfitting
• Parada antecipada (early stopping)

Universidade de São Paulo
E...
Arquitetura de Aprendizado
• Aprendizado supervisionado

• Algoritmos
– Resilient Propagation (RPROP)
– Levenberg-Marquard...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Abordagem do
Estacionamento Paralelo
• Três importântes etapas:

1.Detectar
vaga

Dermili e Khoshnejad (2009)

2.Posiciona...
1. Detectar a vaga

d  1,57 W

Universidade de São Paulo
Escola de Engenharia de São Carlos

40

Grupo de Mecatrônica
La...
2. Posicionar o veículo

Universidade de São Paulo
Escola de Engenharia de São Carlos

41

Grupo de Mecatrônica
Laboratóri...
Trajetória para manobrar o veículo
Hoyle (2003)
Herrmann (2003)
Roth (2009)

p  2RW  ( L  b)^2  b
Universidade de São ...
3. Manobrar o veículo

Universidade de São Paulo
Escola de Engenharia de São Carlos

43

Grupo de Mecatrônica
Laboratório ...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Sistema Neural Desenvolvido
• Controlador Neural

Universidade de São Paulo
Escola de Engenharia de São Carlos

Osório et ...
Geração da base de dados

Universidade de São Paulo
Escola de Engenharia de São Carlos

46

Grupo de Mecatrônica
Laboratór...
Região estacionável

 y  0,05 W

Pmin  1,67  L
Universidade de São Paulo
Escola de Engenharia de São Carlos

47

Grup...
Amostra da base de dados
• 55 manobras (em média 320 pontos)
– Total de 17.625 exemplos [17.625 x 12]

• Pré-processamento...
Autômato Finito
• Facilita e agiliza a coleta de dados
• Fácil de implementar

Universidade de São Paulo
Escola de Engenha...
Topologias candidatas (Estratégia 1)

Universidade de São Paulo
Escola de Engenharia de São Carlos

50

Grupo de Mecatrôni...
Topologias candidatas (Estratégia 2)

Universidade de São Paulo
Escola de Engenharia de São Carlos

51

Grupo de Mecatrôni...
Avaliação de desempenho
• Topologias candidatas da 1ª estratégia (4 casos)
– 20 topologias usando RPROP e 20 usando LM
– T...
Controlador Neural I
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Sem parede de auxílio

Universidade de Sã...
Controlador Neural II
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Com parede de auxílio

Universidade de S...
Controlador Neural III
• Topologia candidata (estratégia 1)
– Sensores com ruído
– Sem parede de auxílio

Universidade de ...
Controlador Neural IV
• Topologia candidata (estratégia 1)
– Sensores com ruído
– Com parede de auxílio

Universidade de S...
Controlador Neural V
• Topologia candidata (estratégia 2)
– Sensores sem ruído
– Sem parede de auxílio

Universidade de Sã...
Controlador Neural VI
• Topologia candidata (estratégia 2)
Caso fácil

– Sensores sem ruído
– Com parede de auxílio

Unive...
Controlador Neural VII
• Topologia candidata (estratégia 2)
Caso difícil

– Sensores com ruído
– Sem parede de auxílio

Un...
Controlador Neural VIII
• Topologia candidata (estratégia 2)
– Sensores com ruído
– Com parede de auxílio

Universidade de...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Demonstração da manobra (vídeo)

http://youtu.be/5_476rG03CE
Universidade de São Paulo
Escola de Engenharia de São Carlos
...
Medida de Similaridade
• Como avaliar o quão bem um veículo está
estacionado na vaga?
– Não existe nada na literatura.

Un...
Medida de Similaridade

Controlador III:
1º 53/55 = 96%
2º Pior = 85,4%
2º Melhor = 98,6%
Controlador VII
1º 54/55 = 98%
2...
Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do ...
Recapitulando e concluíndo
•

Objetivo
– Estudo e desenvolvimento de um sistema neural que seja capaz de fazer com que um
...
Considerações Finais
• Simulações dos controladores neurais
– Resultados satisfatório
– Medida de similaridade (região de ...
Perspectivas Futuras
• Simulador tridimensional (C++, Ogre e Bullet)

Em andamento

– Alunos da EEP (TCC) e da EESC (IC)

...
Grupo de Mecatrônica

Universidade de São Paulo
Escola de Engenharia de São Carlos

Laboratório de Robótica Móvel

Sistema...
Upcoming SlideShare
Loading in …5
×

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

866 views

Published on

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
866
On SlideShare
0
From Embeds
0
Number of Embeds
5
Actions
Shares
0
Downloads
18
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

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

  1. 1. Grupo de Mecatrônica Universidade de São Paulo Escola de Engenharia de São Carlos 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
  2. 2. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 2 Grupo de Mecatrônica Laboratório de Robótica Móvel
  3. 3. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 3 Grupo de Mecatrônica Laboratório de Robótica Móvel
  4. 4. Introdução (Ficção) Universidade de São Paulo Escola de Engenharia de São Carlos 4 Grupo de Mecatrônica Laboratório de Robótica Móvel
  5. 5. Introdução (Realidade) Honda (2011) Sahin e Guvenc (2007) Sony (2011) iRobot (2011) Krebs et al. (2008) NÃO (2011) Universidade de São Paulo Escola de Engenharia de São Carlos 5 Grupo de Mecatrônica Laboratório de Robótica Móvel
  6. 6. Introdução (Robótica Móvel) • Robótica Móvel Siegwart et al. (2011) • Avanços tecnológicos Vlacic et al. (2001) – Ex: Sistemas inteligentes embarcados em veículos – Duas abordagens: i. Sistemas assistivos ii. Veículos autônomos inteligêntes • Desafio – Medeiros (1998) Capacidade de aprender e adaptar as novas situações Universidade de São Paulo Escola de Engenharia de São Carlos 6 Grupo de Mecatrônica Laboratório de Robótica Móvel
  7. 7. Introdução (Iniciativas) • Iniciativas civis e militares – Campetição (EUA) • Darpa Grand Challenge • Urban Challenge Stanley – Stanford (2005) Thrun et al. (2006) Backer e Dolan. (2009) Tartan – Carnegie Mellon (2007) • Competições (EUROPA) – M-ELROB e C-ELROB Universidade de São Paulo Escola de Engenharia de São Carlos 7 Grupo de Mecatrônica Laboratório de Robótica Móvel
  8. 8. Motivação • Indústria automobilistica – Muitas técnologias embarcas sem reduzir os acidentes fatais • Laboratório de Robótica Móvel (LabRoM) – Sistema Embarcado de Navegação autônoma (SENA) Navalha (2005) Universidade de São Paulo Escola de Engenharia de São Carlos Gisa (2009) 8 Grupo de Mecatrônica Laboratório de Robótica Móvel
  9. 9. Mapa Conceitual (Projeto SENA) Segurança e Conforto Motivação Carros inteligentes Pode ser descritos como Veículo capaz de perceber o ambiente e transformar as informações em ações Abordagens Tem a modelagem definida pela Semi- Autônomo Autônomo Modelo bicicleta Modelo triciclo Cinemática Modelo completo Dinâmica Análise em 2D Análise em 3D Universidade de São Paulo Escola de Engenharia de São Carlos 9 Grupo de Mecatrônica Laboratório de Robótica Móvel
  10. 10. Mapa Conceitual (Veículos semi-autônomos) Capaz apenas de informar o usuário, não há processo de atuação Semi- Autônomo Utiliza as tecnologias Definida como Interface Sonora, visual e/ou háptica Utiliza Informativa Assistiva Exemplos Exemplos Controle ativo de cruzeiro GPS Aviso de Mudança de faixa Assistente de estacionamento Controle de estabilidade Sistemas préColisão Assistente de permanência na faixa Definida como Usa da tecnologia informativa para avisar o motorista, entretanto quando necessário, é capaz de atuar no veículo Universidade de São Paulo Escola de Engenharia de São Carlos 10 Grupo de Mecatrônica Laboratório de Robótica Móvel
  11. 11. Mapa Conceitual (Veículos autônomos) Basicamente Ações são planejadas, passando ou não por uma representação interna do mundo ao redor Ponto Forte Capaz de solucionar problemas mais complexos Deliberativas Autônomo Possíveis arquiteturas de controle Híbridas União das duas técnicas Usa os pontos fortes das duas técnicas de controle Ponto Forte Reativas Precisam de Basicamente Atuadores Sensores Ações baseadas EXCLUSIVAMENTE nos dados dos sensores Ponto Forte Rapidez Podem ser Medem o estado interno do veículo Proprioceptivos Internos Externos Encoders Via CAN Usando estrutura fabricada IMU GPS Não invade o espaço do motorista Invade o espaço do motorista Bússola Percebem o ambiente no entorno Exteroceptivos LIDAR Única camada Multiplas camadas Camera Monocular Estéreo Cilíndrica Omnidirecional Ultrassom Universidade de São Paulo Escola de Engenharia de São Carlos 11 Grupo de Mecatrônica Laboratório de Robótica Móvel
  12. 12. Mapa Conceitual (Desafios) Comunicação entre os módulos deliberativos e reativos Armazenamento e reuso das informações eficientemente Controle Híbrido Representação do conhecimento Controle deliberativo DESAFIOS Percepção Tomada de Decisão Algoritmos robustos de Visão. Baseado em Regras Fusão Sensorial Baseado em experiências Modelagem das Regras de Trânsito GPS+IMU Navegação LIDAR+Camera Encoders + bússola + IMU Deliberativa Algoritmos de aprendizado robusto Reativa Algoritmos robustos de SLAM – Simultaneous Localisation and Mapping Trajetórias permitidas livre de colisão Manobras especiais Gerador de trajetórias Curvas em U Estacionamento Trajetórias livres de colisões Paralelo Garagem Vagas anguladas Universidade de São Paulo Escola de Engenharia de São Carlos 12 Grupo de Mecatrônica Laboratório de Robótica Móvel
  13. 13. Objetivo • Objetivo Geral: – Estudo e desenvolvimento de um sistema neural que seja capaz de fazer com que um veículo, em um ambiente simulado bidimensional, realize a manobra de estacionamento paralelo de forma autônoma entrando na vaga com uma única manobra. • Objetivos Específicos i. ii. iii. iv. Estudar o estado da arte do problema de estacionamento Estudar e analisar a trajetória do veículo durante a manobra Estudar e aplicar técnicas de Aprendizado de Máquina (AM) Redes Neurais Artificiais (RNA) Simular o sistema desenvolvido Universidade de São Paulo Escola de Engenharia de São Carlos 13 Grupo de Mecatrônica Laboratório de Robótica Móvel
  14. 14. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 14 Grupo de Mecatrônica Laboratório de Robótica Móvel
  15. 15. Estado da Arte • Três categorias: diagonal, garagem e paralelo Universidade de São Paulo Escola de Engenharia de São Carlos 15 Grupo de Mecatrônica Laboratório de Robótica Móvel
  16. 16. Estado da Arte (indústria) 2009 2006 • Park4U • Valeo • Parking Aid • Bosch 2003 • IPAS • Toyota 1992 • PAS • VolksWagen Universidade de São Paulo Escola de Engenharia de São Carlos 16 Grupo de Mecatrônica Laboratório de Robótica Móvel
  17. 17. Estado da Arte (Trabalhos Acadêmicoss) • Muitos trabalhos investigados de 1994 à 2011 – Técnicas de Inteligência Artificial – Calculos númericos – Trajetórias e controles Aprox. 38 trabalhos foram investigados • 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) Universidade de São Paulo Escola de Engenharia de São Carlos 17 Grupo de Mecatrônica Laboratório de Robótica Móvel
  18. 18. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 18 Grupo de Mecatrônica Laboratório de Robótica Móvel
  19. 19. Modelagem e Simulação • 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 Universidade de São Paulo Escola de Engenharia de São Carlos 19 Grupo de Mecatrônica Laboratório de Robótica Móvel
  20. 20. Modelo do Ambiente • Representação do ambiente (Mapas) 1. 2. 3. Mapa métrico i. grades ii. geométrico Mapa topológico Mapa híbridos (Buschka e Saffioti, 2004) Mapa Métrico (grids) Thrun (2002) Mapa topológico (grafos) Universidade de São Paulo Escola de Engenharia de São Carlos 20 Mapa geométrico (Chatila e Laumond, 2985) Grupo de Mecatrônica Laboratório de Robótica Móvel
  21. 21. Modelo do Veículo (Cinemática) • Restrições: Siegwart et al., 2011 Zhu e Rajamani, 2006 • Modelo cinemático Kochem et al. 2003 Universidade de São Paulo Escola de Engenharia de São Carlos 21 Grupo de Mecatrônica Laboratório de Robótica Móvel
  22. 22. Mini-veículo protótipo • HELVIS (Hybrid Electric Vehicle in Low Scale) Symbol Value θ -30º / 30º W 260 mm Rmin 580 mm l 335 mm L 480 mm b 65 mm Sampaio et al. (2011) Universidade de São Paulo Escola de Engenharia de São Carlos 22 Grupo de Mecatrônica Laboratório de Robótica Móvel
  23. 23. Sensores • Estimar a configuração do ambiente – Planejar e realizar as tarefas • Existem muitos sensores Siegwarts e Nourbakhsh (2004) • Os sensores são classificados em: 1. Proprioceptivos e exteroceptivos (meio em que efetua a medição) 2. Passivo ou ativo (capturam os sinais) Universidade de São Paulo Escola de Engenharia de São Carlos 23 Grupo de Mecatrônica Laboratório de Robótica Móvel
  24. 24. Encoders • Encoders (ou codificadores rotativos) – Medição da posição angular ou velocidade angular. • Erros de odometria: – Sistemáticos (imperfeições) – Não-sistemáticos (interação) Universidade de São Paulo Escola de Engenharia de São Carlos 24 Borenstein et al., 1996 Grupo de Mecatrônica Laboratório de Robótica Móvel
  25. 25. Sensor Laser (Hokuyo URG-04LX) • Light Detection and Ranging (LIDAR) – Hokuyo URG-04LX Lee e Ehsani, 2008 • Método de medição: tempo de vôo Universidade de São Paulo Escola de Engenharia de São Carlos 25 Grupo de Mecatrônica Laboratório de Robótica Móvel
  26. 26. Sensor Inercial (IMU IG-500N) Universidade de São Paulo Escola de Engenharia de São Carlos 26 Grupo de Mecatrônica Laboratório de Robótica Móvel
  27. 27. Simulação • As pesquisas pode ser iniciadas em ambientes virtuais. • Os simuladores são uma ferramenta importante para os pesquisadores. Law e Kelton, 2000 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 Universidade de São Paulo Escola de Engenharia de São Carlos 27 Grupo de Mecatrônica Laboratório de Robótica Móvel
  28. 28. Simuladores de Robôs Móveis • Simuladores disponíveis: – Microsoft Robotics Studio (Morgan, 2008); – Player / Stage / Gazebo (Player, 2011; Rusu et al., 2007); – SimRob3D (Heinen 2002). SEVA 2D (Osório et al. 2002) Universidade de São Paulo Escola de Engenharia de São Carlos SEVA 3D (Heinen et al. 2006b) 28 Grupo de Mecatrônica Laboratório de Robótica Móvel
  29. 29. Simulador Desenvolvido • Implementação do Simulador – – – – Orientação à Objetos Linguagem C# Visual C# 2008 RNA • Matlab (DLL) Universidade de São Paulo Escola de Engenharia de São Carlos 29 Grupo de Mecatrônica Laboratório de Robótica Móvel
  30. 30. Simulador Desenvolvido • Interface do Simulador Universidade de São Paulo Escola de Engenharia de São Carlos 30 Grupo de Mecatrônica Laboratório de Robótica Móvel
  31. 31. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 31 Grupo de Mecatrônica Laboratório de Robótica Móvel
  32. 32. Aprendizado Supervisionado e Redes Neurais • Aprendizado de Máquina (AM) Russel e Norvig (2004) – 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) Universidade de São Paulo Escola de Engenharia de São Carlos 32 Grupo de Mecatrônica Laboratório de Robótica Móvel
  33. 33. Redes Neurais Artificiais • São modelos matemático-computacional inspirados no sistema nervoso dos seres vivos e que possuem capacidade de adquirir conhecimento através de experiências.  n  y  g   wi  xi  b   i 1  Universidade de São Paulo Escola de Engenharia de São Carlos 33 Haykin (2001) Grupo de Mecatrônica Laboratório de Robótica Móvel
  34. 34. Arquiteturas de RNAs Feedfoward de camada simples Feedfoward de múltiplas simples Redes recorrentes Universidade de São Paulo Escola de Engenharia de São Carlos Redes reticuladas 34 Grupo de Mecatrônica Laboratório de Robótica Móvel
  35. 35. Aspectos Topológicos da RNA • Validação cruzada (5-fold cross-validation) Universidade de São Paulo Escola de Engenharia de São Carlos 35 Grupo de Mecatrônica Laboratório de Robótica Móvel
  36. 36. Aspectos Topológicos da RNA • Overfitting e Underfitting • Parada antecipada (early stopping) Universidade de São Paulo Escola de Engenharia de São Carlos 36 Grupo de Mecatrônica Laboratório de Robótica Móvel
  37. 37. Arquitetura de Aprendizado • Aprendizado supervisionado • Algoritmos – Resilient Propagation (RPROP) – Levenberg-Marquardt (LM) Universidade de São Paulo Escola de Engenharia de São Carlos 37 Dan Foresee e Hagan (1997) Riedmiller e Braun (1993) Grupo de Mecatrônica Laboratório de Robótica Móvel
  38. 38. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 38 Grupo de Mecatrônica Laboratório de Robótica Móvel
  39. 39. Abordagem do Estacionamento Paralelo • Três importântes etapas: 1.Detectar vaga Dermili e Khoshnejad (2009) 2.Posicionar o veículo Universidade de São Paulo Escola de Engenharia de São Carlos 39 3.Manobrar o veículo Grupo de Mecatrônica Laboratório de Robótica Móvel
  40. 40. 1. Detectar a vaga d  1,57 W Universidade de São Paulo Escola de Engenharia de São Carlos 40 Grupo de Mecatrônica Laboratório de Robótica Móvel
  41. 41. 2. Posicionar o veículo Universidade de São Paulo Escola de Engenharia de São Carlos 41 Grupo de Mecatrônica Laboratório de Robótica Móvel
  42. 42. Trajetória para manobrar o veículo Hoyle (2003) Herrmann (2003) Roth (2009) p  2RW  ( L  b)^2  b Universidade de São Paulo Escola de Engenharia de São Carlos 42 Grupo de Mecatrônica Laboratório de Robótica Móvel
  43. 43. 3. Manobrar o veículo Universidade de São Paulo Escola de Engenharia de São Carlos 43 Grupo de Mecatrônica Laboratório de Robótica Móvel
  44. 44. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 44 Grupo de Mecatrônica Laboratório de Robótica Móvel
  45. 45. Sistema Neural Desenvolvido • Controlador Neural Universidade de São Paulo Escola de Engenharia de São Carlos Osório et al. (2002) 45 Grupo de Mecatrônica Laboratório de Robótica Móvel
  46. 46. Geração da base de dados Universidade de São Paulo Escola de Engenharia de São Carlos 46 Grupo de Mecatrônica Laboratório de Robótica Móvel
  47. 47. Região estacionável  y  0,05 W Pmin  1,67  L Universidade de São Paulo Escola de Engenharia de São Carlos 47 Grupo de Mecatrônica Laboratório de Robótica Móvel
  48. 48. 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] Universidade de São Paulo Escola de Engenharia de São Carlos 48 Grupo de Mecatrônica Laboratório de Robótica Móvel
  49. 49. Autômato Finito • Facilita e agiliza a coleta de dados • Fácil de implementar Universidade de São Paulo Escola de Engenharia de São Carlos 49 Heinen et al. (2006a) Grupo de Mecatrônica Laboratório de Robótica Móvel
  50. 50. Topologias candidatas (Estratégia 1) Universidade de São Paulo Escola de Engenharia de São Carlos 50 Grupo de Mecatrônica Laboratório de Robótica Móvel
  51. 51. Topologias candidatas (Estratégia 2) Universidade de São Paulo Escola de Engenharia de São Carlos 51 Grupo de Mecatrônica Laboratório de Robótica Móvel
  52. 52. 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) Universidade de São Paulo Escola de Engenharia de São Carlos 52 Grupo de Mecatrônica Laboratório de Robótica Móvel
  53. 53. Controlador Neural I • Topologia candidata (estratégia 1) – Sensores sem ruído – Sem parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos 53 Grupo de Mecatrônica Laboratório de Robótica Móvel
  54. 54. Controlador Neural II • Topologia candidata (estratégia 1) – Sensores sem ruído – Com parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos Caso fácil 54 Grupo de Mecatrônica Laboratório de Robótica Móvel
  55. 55. Controlador Neural III • Topologia candidata (estratégia 1) – Sensores com ruído – Sem parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos Caso difícil 55 Grupo de Mecatrônica Laboratório de Robótica Móvel
  56. 56. Controlador Neural IV • Topologia candidata (estratégia 1) – Sensores com ruído – Com parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos 56 Grupo de Mecatrônica Laboratório de Robótica Móvel
  57. 57. Controlador Neural V • Topologia candidata (estratégia 2) – Sensores sem ruído – Sem parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos 57 Grupo de Mecatrônica Laboratório de Robótica Móvel
  58. 58. Controlador Neural VI • Topologia candidata (estratégia 2) Caso fácil – Sensores sem ruído – Com parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos 58 Grupo de Mecatrônica Laboratório de Robótica Móvel
  59. 59. Controlador Neural VII • Topologia candidata (estratégia 2) Caso difícil – Sensores com ruído – Sem parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos 59 Grupo de Mecatrônica Laboratório de Robótica Móvel
  60. 60. Controlador Neural VIII • Topologia candidata (estratégia 2) – Sensores com ruído – Com parede de auxílio Universidade de São Paulo Escola de Engenharia de São Carlos 60 Grupo de Mecatrônica Laboratório de Robótica Móvel
  61. 61. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 61 Grupo de Mecatrônica Laboratório de Robótica Móvel
  62. 62. Demonstração da manobra (vídeo) http://youtu.be/5_476rG03CE Universidade de São Paulo Escola de Engenharia de São Carlos 62 Grupo de Mecatrônica Laboratório de Robótica Móvel
  63. 63. Medida de Similaridade • Como avaliar o quão bem um veículo está estacionado na vaga? – Não existe nada na literatura. Universidade de São Paulo Escola de Engenharia de São Carlos 63 Grupo de Mecatrônica Laboratório de Robótica Móvel
  64. 64. Medida de Similaridade 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% Universidade de São Paulo Escola de Engenharia de São Carlos 64 Grupo de Mecatrônica Laboratório de Robótica Móvel
  65. 65. 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 Universidade de São Paulo Escola de Engenharia de São Carlos 65 Grupo de Mecatrônica Laboratório de Robótica Móvel
  66. 66. 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 de estacionamento paralelo de forma autônoma entrando na vaga com uma única manobra • 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 Universidade de São Paulo Escola de Engenharia de São Carlos 66 Grupo de Mecatrônica Laboratório de Robótica Móvel
  67. 67. 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 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. Universidade de São Paulo Escola de Engenharia de São Carlos 67 Grupo de Mecatrônica Laboratório de Robótica Móvel
  68. 68. Perspectivas Futuras • Simulador tridimensional (C++, Ogre e Bullet) Em andamento – Alunos da EEP (TCC) e da EESC (IC) • Testes no mini-veículo HELVI (Equipar o veículo) – Aluno da EESC (Estágio) Em andamento • 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) Em andamento Universidade de São Paulo Grupo de Mecatrônica Escola de Engenharia de São Carlos 68 Laboratório de Robótica Móvel
  69. 69. Grupo de Mecatrônica Universidade de São Paulo Escola de Engenharia de São Carlos 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

×