A Framework for Robot’s Development and Programming Based on Genetic Algorithms

1. 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

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

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

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

5. Geração de Trajetória (Ambiente Controlado)

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

7. Trajetória

8. 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.

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

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

11. 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

12. 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

13. 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).

14. Operações Genéticas

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

16. Metodologias • Aquisição de conhecimento • Simulação • Simulação em tempo Real • Programação • Abstração de dados • Otimização • Algoritmos genéticos

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

18. Simulador

19. Robôs Virtuais • Controle • Inteligência • Inércia • Dinâmica • Move • Visualização

20. Robôs Objetos representados por uma hierarquia de classes.

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

22. Dinâmica I

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

24. Ponto de Partida • TCad • Ambiente para computação gráfica • Orientado por Objetos • Processador simbólico • Framework sobre Algoritmos Genéticos

25. TCad

26. TCadMan

27. Simulador

28. 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.

29. Objetos gráficos

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

31. Framework para GNA Classe GNA Classe abstrata Indivíduo

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

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

34. Alteração de um Robô

35. Console do TCad

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

37. Framework concluído

38. Proposta • Rede Neural para armazenamento do conhecimento • Simplicidade • Robustez

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

40. 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

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

42. Tópicos • Introdução • Proposta • Implementação • Validação • Conclusões • Propostas de Continuação

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

44. Trajetória I

45. Trajetória II

46. Trajetória I

47. Trajetória II

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

49. Taxa de Sobrevivência I

50. Taxa de Sobrevivência II