پایان نامه ها

ربات، Q، ناوبری، font=”default”، face=”normal”، محیطهای

تفاوت مهمي كه در دو نگرش فوق در مورد هدايت يك ربات وجود دارد، الگوريتمهايي كه براي اجراي اين دو نگرش پياده سازي ميشوند با دو نام مختلف شناخته شده و در مقالات به آنها اشاره ميشود. در مورد دسته اول اصطلاح مسيريابي و در مورد دسته دوم اصطلاح ناویری استفاده ميشود. در روش ناوبری مبتنی بر رفتار، رفتارهای پیچیده با ترکیب برخی اجزای رفتاری قابل حل و سادهتر مانند رفتارهای جستجوی هدف و دوری از موانع به دست میآید. در الگوریتمهای مبتنی بر رفتار مسیر به صورت محلی و نه سراسری طرح میشود. روش طرح مسیر محلی نیازمند هیچ مرحله پیش محاسبه سنگینی پیش از شروع جستجوی مسیر نیست. روشهای طرح مسیر محلی اطلاعات کنونی حسگر را به صورت بلادرنگ به دست میآورند تا ربات را از موانع محلی دور نگاه دارند. به دلیل آنکه الگوریتمهای محلی هیچگاه قسمتهای مختلف مسیر را از پیش محاسبه نمیکنند.
با این حال الگوریتمهای طرح مسیر محلی یافتن مسیر بهینه را تضمین نمیکند. ممکن است موقعیتهایی پیش بیاید (کمینههای محلی) که الگوریتمهای طرح مسیر محلی در یافتن موقعیت هدف شکست بخورد. اگر تعداد موانع به طور محسوسی کم باشد، ممکن است ثابت شود که این روشها بهترین راه حل را ارایه میدهند. هر دو روش طرح مسیر سراسری و محلی میتوانند برای وظایف متعددی مناسب باشند و مزایا و معایب خاص خود را دارا هستند. اما به منظور تعیین مسیر در محیطهای پویا هیچکدام راه حلی کارآمد ارایه نمیدهند. دسته سوم الگوریتمهای ناوبری ربات، ترکیبی از روشهای طرح مسیر سراسری و مبتنی بر رفتار میباشند. در این روشها از ماژول طرح مسیر سراسری برای رسیدن به هدف و از ماژول مبتنی بر رفتار برای پاسخ به وقایع محیط، مانند دوری از موانع، بهره گرفته میشود.
اهداف و نتایجدر این پژوهش الگوریتمی ساده و کارآمد به منظور ناوبری ربات خودمختار از یک نقطه شروع معلوم به سمت هدفی مشخص در محیطی کاملاً ناشناخته و در حضور موانع ایستا ارایه شده است. الگوریتم پیشنهادی از مزایای ترکیب منطق فازی و یادگیری Q برای تامین نیازهای ناوبری خودمختار بهره میگیرد. دو رفتار سادهتر حرکت به سمت هدف و دوری از موانع در یک مجموعه قانون فازی پیادهسازی شده‌اند. مهمترین ویژگی منطق فازی عملکرد کارآمد آن در مواجه با عدم قطعیتهای محیط است. ربات اطلاعات به دست آمده از جهان پیرامون را به مجموعهای از حالتهای فازی خلاصه میکند. برای هر حالت فازی، تعدادی عمل پیشنهادی وجود دارند. حالتها توسط قوانین اگر-آنگاه فازی، که با منطق انسان طرح شدهاند، به عملهای نظیرشان مربوط میشوند. برای هر حالت، ربات بهترین عمل را با یادگیری Q و از طریق تجربیات برخط انتخاب میکند. یادگیری Q با توجه به حالت فعلی و حافظهای از حالتهای پیشین ربات، خروجی هر قانون فازی را به نحوی انتخاب میکند که حتیالامکان ربات با تضمین دوری از موانع به سمت هدف حرکت نماید. مشخصه قابل توجه یادگیری Q عدم نیاز به مربی و مدل محیط، ساختار پویا و پیاده سازی آسان آن میباشد.
تمرکز اصلی این پایان نامه بر طراحی واحد تصمیمگیری ربات میباشد. ربات ساده و کوچک کپرا برای شبیهسازیها به کار رفته است، که میتوان از مدل نقطهای برای آن بهره گرفت. بدین ترتیب الگوریتم پیشنهادی به راحتی قابل انتقال به محیطهای دیگر و پیادهسازی بر سایر رباتها باشد. حسگرهای ربات کپرا از نوع مادونقرمز میباشند که خروجیهای دیجیتال آنها بدون نیاز به مرحله پیش پردازش به عنوان ورودیهای فازی مورد استفاده قرار میگیرند و بیانگر حالت قرارگیری ربات نسبت به موانع می باشند. خروجیهای قوانین فازی میزان سرعت انتقالی و زاویه چرخش چرخهای ربات میباشند. ربات کپرا به صورت دیفرانسیلی حرکت میکند.
روش پیشنهادی مستقل از مدل محیط و دانش پیشین از محیط میباشد. تنها منبع اطلاعات از محیط توسط حسگرهای مادونقرمز ربات به دست میآید. همچنین فرض میشود ربات مجهز به سامانه موقعیت یاب محلی است و در هر گام از موقعیت خود نسبت به هدف مطلع میباشد. فاصله تا هدف از روش محاسبه فاصله اقلیدسی با معلوم بودن مختصات ربات و هدف در هر گام به دست میآید. برای خروجی زاویه چرخش هر قانون فازی تعدادی گزینه پیشنهادی وجود دارد که به هرکدام یک مقدار q منتسب میشود. ربات در هر گام بهترین خروجی (دارای بیشترین مقدار q) را توسط یادگیری Q و از طریق تعاملات برخط با محیط انتخاب میکند. مقادیر q پس از دریافت سیگنال تشویق یا جریمه به روز میشوند. تنظیم برخط سامانه استنباط فازی، منجر به واحد تصمیمگیری انعطاف پذیری میشود که میتواند خود را با محیطهای مختلف و موانع متنوع تطبیق دهد.
در روش پیشنهادی، یادگیری Q بدون هیچ مرحله یادگیری یا اکتشافی به کار گرفته شده است. بدین معنی که هر بار اجرای الگوریتم با مقادیر q اولیه صفر آغاز میشود. یادگیری Q بدون مرحله اکتشافی (یادگیری قبل از آزمایش) به کار گرفته شدهاست. بدین معنی که مقادیر q در هر آزمایش بدون پیشفرض و از مقدار اولیه صفر شروع میشوند، لذا محیط یادگیری جهت مقداردهی اولیه به مقادیر q وجود ندارد. پارامترهای کلیدی مجموعه فازی و یادگیری Q، شامل پارامترهای توابع عضویت ورودی فازی و همچنین مقدار عامل فراموشی یادگیری Q، توسط بهینهسازی کلونی زنبور مصنوعی به صورت غیربرخط، پیش از قرار گرفتن ربات در محیطهای آزمایش، به دست آمدهاند. محیط بهینهسازی شامل موانعی است که انتظار می‌رود خود یا ترکیبی از آنها در محیطهای آزمایش دیده شوند.
برای آزمایش الگوریتم پیشنهادی 60 محیط شبیهسازی دو بعدی به طور تصادفی ایجاد شدند. شکل، مساحت و مکان موانع، محل اولیه ربات و مختصات هدف در این محیطها به طور تصادفی انتخاب شدند. موانع تولید شده، گستره وسیعی از شکلهای هندسی منظم و نامنظم شامل چند ضلعیها، شکلهای محدب یا مقعر، زاویهدار یا با گوشههای محدب و غیره را در بردارند. این شکلها تقریبا تمامی انواع موانعی، که ربات ممکن است در محیط واقعی با آن مواجه شود، را شامل میشوند. محیطهای شبیهسازی از نظر نوع موانع موجود و مساحت اشغال شده توسط موانع به سه سطح ساده، معمولی و پیچیده تقسیم بندی شدند. عملکرد ربات با توجه به اندازهگیریهای کمی معیارهایی چون درصد موفقیت رسیدن به هدف (طی اجراهای مختلف الگوریتم پیشنهادی)، امنیت مسیر طی شده تا هدف (نسب تعداد برخوردها با موانع به کل گامهای طی شده) و سرعت مسیر طی شده تا هدف (تعداد گامهای طی شده نسبت به زمان سپری شده) سنجیده شد. به منظور معتبر بودن و تکرارپذیری نتایج، هر آزمایش 10 بار تکرار شده است و نتیجه گزارش شده میانگین نتایج حاصل از این 10 بار اجرا بوده است.
نتایج نشان دادند که الگوریتم تصمیمگیری پیشنهادی قادر است با موفقیت ربات را به سمت هدف هدایت کرده و از برخورد آن با موانع جلوگیری نماید. به منظور آشکار کردن نقش موثر یادگیری Q در افزایش کارایی الگوریتم پیشنهادی آزمایشهای مشابهای با مجموعه قوانین فازی مشابه بدون یادگیری Q تکرار شدند. مقایسه نتایج نشان داد تنظیم برخط قوانین فازی توسط یادگیری Q عملکرد آن را از نظر معیارهای عملکردی مطرح شده و انعطافپذیری در مواجه با انواع محیطهای ساده تا پیچیده، بهبود میبخشد.
ساختار پایان نامهفصل های بعدی این پایاننامه شامل مطالب زیر هستند:
فصل دوم به مرور، دستهبندی و مقایسه کیفی برخی روشهای ناوبری ربات میپردازد. فصل سوم مبانی و ابزار لازم برای معرفی الگوریتم پیشنهادی شامل منطق فازی، یادگیری Q و الگوریتم بهینهسازی کلونی زنبور مصنوعی را توصیف میکند. فصل چهارم به توصیف ربات کپرا و توضیح الگوریتم پیشنهادی میپردازد. الگوریتم مطرح شده یک سامانه تصمیمگیری فازی ناوبری ربات است، که بدون دانش پیشین از محیط طراحی میشود و سپس به طور برخط توسط یادگیری Q و در مواجه با محیط تنظیم میشود. پارامترهای کلیدی مجموعه فازی و یادگیری Q، شامل پارامترهای توابع عضویت ورودی فازی و همچنین مقدار عامل فراموشی یادگیری Q، توسط بهینهسازی کلونی زنبور مصنوعی به صورت غیربرخط، پیش از قرار گرفتن ربات در محیطهای آزمایش، به دست آمدهاند. در نهایت فصل پنجم پس از توصیف نرمافزار شبیهسازی KiKS و محیطهای آزمایش، نتایج حاصل از شبیه سازیها را ارایه میدهد. سپس نتایج شبیهسازیها تحلیل میشوند و پیشنهادهایی برای ادامه کار مطرح میگردند.
فصل دوم
بررسی روش های پیشین

بررسی روشهای پیشینمقدمهاز اوايل سال 1960، تعداد محققين روی مساله ناوبری ربات‌هاي متحرک به تدريج افزايش يافتهاست. كاربردهاي مختلف ربات‌هاي متحرک منجر به ارایه راهحلهای متفاوتي برای حل مساله ناوبری آنها ميشو‌د. براي ربات‌هاي هوشمند متحرک ضروري است كه محيط را حس و درك كنند، مسيري را طراحي كنند، تصميمي اتخاذ كنند و رفتار مناسب را با استفاده از این اطلاعات اجرا كنند ADDIN EN.CITE <EndNote><Cite><Author>N.Vuković</Author><Year>2009</Year><RecNum>26</RecNum><DisplayText>[4]</DisplayText><record><rec-number>26</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>26</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author><style face=”normal” font=”default” charset=”238″ size=”100%”>N</style><style face=”normal” font=”default” size=”100%”>.</style><style face=”normal” font=”default” charset=”238″ size=”100%”>Vuković </style></author><author><style face=”normal” font=”default” charset=”238″ size=”100%”>Z</style><style face=”normal” font=”default” size=”100%”>. </style><style face=”normal” font=”default” charset=”238″ size=”100%”>Miljković </style></author></authors></contributors><titles><title><style face=”normal” font=”default” charset=”238″ size=”100%”>New Hybrid Control Architecture for</style><style face=”normal” font=”default” size=”100%”> </style><style face=”normal” font=”default” charset=”238″ size=”100%”>Intelligent Mobile Robot Navigation in a Manufacturing Environment</style></title><secondary-title>FME Trans.</secondary-title></titles><periodical><full-title>FME Trans.</full-title></periodical><pages><style face=”normal” font=”default” charset=”238″ size=”100%”>9-18</style></pages><volume><style face=”normal” font=”default” charset=”238″ size=”100%”>37</style></volume><dates><year><style face=”normal” font=”default” charset=”238″ size=”100%”>2009</style></year></dates><urls></urls></record></Cite></EndNote>[4]. معماري‌هاي مختلف ناوبری ربات تعريف مي‌كنند كه اين توانايي‌ها چگونه بايستي مجتمع شوند تا نتايج مطلوب به دست آيند. معماري‌هاي مختلفي براي طرح و توسعه‌ي ناوبری مقاوم، انعطاف پذير، قابل اطمينان و با عملكرد عالي ربات‌هاي متحرک پيشنهاد شدهاند. بنابراین دستهبندی روشهای ناوبری ربات جهت مروری منسجمتر بر آنها، مفید به نظر میرسد. سه دستهی کلی این معماریها عبارتند از: سلسله مراتبی یا طرح مسیر سراسری، واکنشی یا مبتنی بر رفتار یا طرح مسیر محلی و ترکیبی.
معماری سلسله مراتبی
معماری سلسله مراتبی قديمي‌ترين طرح ناوبری ربات در هوش مصنوعي است. در این معماری

متن کامل پایان نامه ها در 40y.ir

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *