Redes neurais artificiais aplicadas em aprendizagem de trajetória em robótica móvel

Abstract

O estudo realizado neste trabalho tem como objetivo implementar te ́cnicas de aprendizagem por demonstrac ̧a ̃o usando redes neurais artificiais aplicadas em controle de trajeto ́ria de um roboˆ com trac ̧a ̃o diferencial. Em particular, deseja-se imitar trajeto ́rias que um usua ́rio ensina ao roboˆ mo ́vel usando exclusivamente um controle reativo de desvio de obsta ́cuos a partir da medic ̧a ̃o de distaˆncia com sensores ultrassônicos (entradas do modelo) e um controle de velocidade a partir das velocidades linear e angular que o usua ́rio imprime ao roboˆ (sa ́ıdas desejadas). Dois me ́todos de validac ̧a ̃o das te ́cnicas de aprendizagem foram usadas neste trabalho, a primeira usando um roboˆ virtual e a segunda um proto ́tipo f ́ısico de baixo custo. Durante a validac ̧a ̃o por simulac ̧a ̃o, várias trajeto ́rias foram realizadas no simulador EyeSim com aux ́ılio da engine Unit3D. O simulador permite construir ambientes estruturados e compor uma base de dados com a informac ̧a ̃o dos sensores de medic ̧a ̃o de distaˆcia e as velocidades linear e angular do roboˆ estimadas a partir do modelo cinema ́tico e dos encoders das rodas. Já o proto ́tipo f ́ısico foi construído com microcontroladores Arduino para um controle de baixo nível, assim como para realizar a comunicac ̧a ̃o via bluetooth para controle via aplicativo. Adicionalmente, foi utilizado para aquisic ̧a ̃o dos dados dos sensores ultrassoˆnicos e dos encoders, assim como para armazenar os dados e enviar para nuvem. O robô físico foi treinado em ambientes estruturados estáticos e dinâmicos com obstáculo móvel. Apo ́s a coleta dos dados, as redes neurais do tipo perceptron multicamadas foram treinadas no software Weka, usando o algoritmo de backpropagatipon. Depois das redes neurais serem treinadas, elas foram inseridas nos roboˆs (simulado e f ́ısico), observando o comportamento da trajeto ́ria realizada no processo de imitação e coleta de novos dados. Utilizando linguagem R foram feitas análises dos dados coletados nos experimentos simulados; foi utilizado também o Matlab, o qual realizou regressões lineares dos dados de treinamento, validação e teste das saídas entregues e esperadas pela rede. Esses resultados das regressões mostram o grau de eficiente na aprendizagem obtendo 99% de eficiência no robô simulado até 85% no robô físico.