Controle baseado em comportamento aplicado a robótica móvel usando hardware reconfigurável

Abstract

A navegação de robôs moveis é uma área de pesquisa com diferentes desafios tecnológicos, desde desenvolvimento mecânico, sensoriamento, até em termos de processamento computacional. Em particular, o controle de robôs móveis envolve sistemas complexos que para ser modelados é necessário ter conhecimentos em áreas correlatas a sistemas de controle. A metodologia de aprendizagem por demonstração permite projetar controladores mediante a imitação de comportamentos. Esta área é relevante devido a capacidade de solucionar problemas complexos de controle de robôs e às facilidades que a metodologia apresenta. Entretanto, a aplicação desta metodologia requer sistemas embarcados com uma adequada capacidade de processamento e baixo consumo energético. Nesse sentido, poucas pesquisas têm sido desenvolvidas visando explorar soluções em hardware no intuito de acelerar os algoritmos envolvidos no processo de treinamento da metodologia de aprendizagem por demonstração. Esta dissertação descreve o desenvolvimento da metodologia de aprendizagem por demonstração embarcada em hardware reconfigurável baseado num sistema em chip (SoC do inglês Sistem on Chip), aplicado a robótica móvel. Para o processo de aprendizagem foi usada uma rede neural de camada simples com capacidade de adaptação e para o treinamento da mesma foi usado o algoritmo de otimização por enxame de partículas. Para realizar uma validação metodológica foi desenvolvida uma plataforma robótica móvel de tração diferencial de pequeno porte chamada Maria, que esta constituída por um SoC FPGA (Field Programmable Gate Array), quatro sensores de distancia infravermelhos, dois encoders, dois micro-motores, entre outros componentes. Seguidamente, três micro-comportamentos foram ensinados, a saber, avançar para frente, girar no sentido horário e girar no sentido anti-horário. Apos o processo de treinamento, o estágio de imitação foi implementado e dezesseis experimentos foram conduzidos para cada um dos micro-comportamentos, obtendo dados estatísticos de cada comportamento ensinado. Adicionalmente, um protocolo experimental foi proposto para testar o robô em cenários desconhecidos, afim de avaliar as capacidades de abstração da rede neural adaptativa. O erro de trajetória para o micro-comportamento girar no sentido horário foi de 4.830𝑐𝑚2 , com um 100% de sucesso, do micro-comportamento girar no sentido anti-horário foi de 6.872,4𝑐𝑚2 , com um 75% de sucesso e 25% de falhas, e o erro para o micro-comportamento de avançar para frente foi de 202𝑐𝑚, com um 81,25% de sucesso e um 18,75% de falhas. Adicionalmente o consumo total de recursos da implementação da metodologia em hardware foi de 13.662 LookUp Table, 12 processadores digitais de sinais e 8.993 Flip Flops, uma dissipação de potencia de 1,336𝑊 com um tempo de execução para cada micro-comportamento de 9,1344𝑠.