ENC´99 “ Aprendizaje de Reglas de control en Robots Móviles ” ITESM Segundo Encuentro Nacional de Computación ENC´99 TALLER DE GRAFICACIÓN, VISIÓN Y ROBÓTICA “ Aprendizaje de Reglas de control en Robots Móviles ” AUTORES: ITESM Rogelio Ferreira Escutia Eduardo Morales Manzanares Campus Morelos Septiembre de 1999

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Antecedentes El avance de la Ciencia y la Tecnología durante los últimos años ha llevado consigo un gran impacto sobre nuestra forma de vida. El tratar de generar herramientas que ayuden al hombre a las diversas tareas que enfrenta diariamente, lleva a la creación de máquinas de suponen de un grado de “Inteligencia” para poder llevar a cabo ciertas tareas. Una de estas máquinas son los robots, los cuales han empezado a salir de los laboratorios de experimentación, para llegar cada día a un mayor número de lugares. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Objetivo El objetivo de esta investigación es desarrollar una herramienta de aprendizaje de reglas de control, la cual permita la navegación robótica en ambientes desconocidos, desde un punto inicial a uno final. El algoritmo propuesto utiliza reglas . La creación de reglas es por demostración, donde primero se entrena al robot en un entorno conocido, donde es posible asignar las acciones que el robot tiene que realizar. Posteriormente se coloca el robot en entornos parecidos, y usando las reglas aprendidas, tratar de llegar a la meta. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Requerimientos El algoritmo esta pensado para implantarse en un robot móvil, que sea capaz de avanzar, girar sobre su propio eje por lo menos 90º, tanto en sentido horario como antihorario. Se requiere utilizar al menos 5 sensores de sonar para detectar los objetos que se encuentran al frente y a los lados del robot. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Implantación Para implantar el algoritmo se utilizó el robot Nomad 200, propiedad del ITESM Campus Morelos, construido por la compañía Nomadic Technologies. Los principales sistemas con que cuenta el robot son los siguientes: Sistema de Comunicación: Para transmitir los datos a una terminal. Sistema de Visión: Cámara de video para navegación por visión computacional. Sistema de Sonar: Detector de Obstáculos. Sensor Táctil: Detector de Choques. Para la presente investigación se utilizaron los sonares para la navegación y no la cámara de video. ENC´99

Alineación y Datos Iniciales MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Alineación y Datos Iniciales Antes de iniciar con el algoritmo, el robot se debe de alinear, tanto sus mecanismos internos, como su alineación con el mundo real. Para alinearlo con el mundo real se utilizó una marca que tiene el robot en uno de sus costados con una marca sobre el piso. Inicialmente se considera que el usuario conoce la posición actual del robot y su ángulo, así como la posición de la meta. ENC´99

Representación del Entorno MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Representación del Entorno Por medio de los sonares se detecta la distancia aproximada de los objetos que se encuentran en el entorno del robot. Posteriormente esta distancia se compara con un valor de umbral (20 pulgadas). Si el valor que entrega el sonar es menor o igual al umbral, se le asigna un valor de 0 (cerca) en caso contrario se le asigna 1(lejos). ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Análisis de Casos ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Posición de la Meta El algoritmo requiere saber en todo momento la dirección de la meta, para ello utiliza una sintaxis para referenciar dicha posición. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Creación de una Regla ENC´99

Algoritmos de Entrenamiento y de Navegación MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Algoritmos de Entrenamiento y de Navegación ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Alcanzar la Meta ENC´99

Algoritmo para Detectar y Salir de Trampas MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Algoritmo para Detectar y Salir de Trampas 1) Asignar punto inicial y punto final 2) Detectar que se cayó en una trampa, comparando la última regla ejecutada con alguna regla utilizada anteriormente y aproximadamente en el mismo lugar. 3) Regresar al punto anterior donde se puede aplicar mas de una regla. ENC´99

Algoritmo para Detectar y Salir de Trampas (Cont.) MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Algoritmo para Detectar y Salir de Trampas (Cont.) 4) Asignar meta Flotante en forma aleatoria, a la izquierda o derecha de la meta original. 5) Si después de ejecutar una cantidad de reglas, llega o no llega a la meta flotante, se vuelve a asignar la meta original. ENC´99

Navegación con el Robot Real MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Navegación con el Robot Real ENC´99

Navegación con el Robot Real (cont.) MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Navegación con el Robot Real (cont.) ENC´99

Alta Velocidad de Desplazamiento MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Valores de Umbral y Velocidad Valor de Umbral Alto (no puede pasar por la puerta) Alta Velocidad de Desplazamiento (colisión) Valor de Umbral Bajo (puede pasar por la puerta) ENC´99

Creación de Mapas Aproximados MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Creación de Mapas Aproximados Al algoritmo se le agregó un módulo, el cual con la ayuda del simulador, y mientras el robot avanza, se encarga de dibujar puntos sobre la pantalla, los cuales, indican la posición aproximada de los objetos que se encuentran a su alrededor. De ésta forma, se plantea la posibilidad de construcción de mapas. ENC´99

Resultados de la Navegación MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Resultados de la Navegación ENC´99

Resultados de la Navegación (cont.) MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Resultados de la Navegación (cont.) ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Conclusiones * El esquema de Representación resultó ser relativamente simple pero bastante eficiente. * El valor del umbral es un parámetro que puede ajustarse independiente de las reglas aprendidas. * Se implantó un esquema de combinación de información de 3 sonares logrando evitar algunos problemas de detección de esquinas y bordes, sin alterar la representación propuesta. * Se propuso e implantó un algoritmo de detección de trampas, basado en la creación de metas flotantes, dando buenos resultados en las pruebas realizadas. * Se redujeron las reglas originales mediante un proceso de generalización hasta un 40%, sin afectar el desempeño del algoritmo. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Conclusiones (cont.) * Las reglas aprendidas en un ambiente de entrenamiento, sirvieron para navegar en ambientes simulados parecidos, con distintas ubicaciones de metas y "trampas". * El sistema se probó con el robot real, logrando salir y entrar por puertas estrechas y navegar en pasillos. * Se observó que las reglas aprendidas sirven para evitar obstáculos, navegar en ambientes dinámicos no predecibles y metas en movimiento * Se desarrolló un algoritmo para dibujar el entorno del robot, con el fin de detectar lo que el robot real estaba percibiendo y se vió la viabilidad de este algoritmo para la construcción de mapas. ENC´99

Trabajo Futuro Como trabajo Futuro se puede mencionar lo siguiente: MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Trabajo Futuro Como trabajo Futuro se puede mencionar lo siguiente: * Agregar otro tipo de sensores para mejorar la adquisición de información del entorno, por ejemplo, láser, infrarrojo, cámara de video, etc. * Mejorar el algoritmo para lograr una mejor ubicación del robot. * Construcción de mapas. * Mejorar el sistema de Aprendizaje. * Ajuste dinámico de velocidad de desplazamiento. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Acciones de Control La acción que realizará el robot para un cierto estado, la decidirá el usuario que se encarga de entrenar al robot. Se definieron 5 acciones básicas de control, las cuales se identifican con un número, para la creación de las reglas. ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Software ENC´99

MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Creación de Reglas ENC´99

Algoritmo para Detectar y Salir de Trampas MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Algoritmo para Detectar y Salir de Trampas ENC´99

Reducción de Reglas por medio de CN2 MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Reducción de Reglas por medio de CN2 Las reglas generadas se introdujeron a CN2 y arrojó datos que comprobaron que una gran cantidad de reglas pueden ser reducidas, debido a su gran parecido CN2 REDUCCION IF sensor1 = 1 AND meta1 = 0 AND meta2 = 1 1 * * * * 0 1 0 THEN accion = 0 [16 0 0 0 0] Los atributos que no aparecen en la primer columna (sensor2, sensor3, sensor4,sensor5) son irrelevantes, por lo que ésta misma regla, traducida a nuestra sintaxis nos quedaría 1 * * * * 010. En este ejemplo se observa que la acción a ejecutar es 0 (girar 90º), y que 16 reglas ejecutan esta acción cuando se tienen los valores de S1=1, Meta1=0 y Meta2=1. ENC´99

Reducción de Reglas por medio de CN2 (cont.) MCC / ITESM - Campus Morelos Aprendizaje de Reglas de control en Robots Móviles Reducción de Reglas por medio de CN2 (cont.) Algunas reglas que produce CN2 pueden cubrir más de una acción (regla no perfecta), por ejemplo: CN2 REDUCCION IF sensor2 = 0 AND sensor3 = 1 AND meta1 = 1 NO SE APLICO THEN accion = 0 [23 0 1 0 0] En 23 casos se ejecuta la acción 0(girar 90º) y en una ocasión la acción 2 (avanzar), por lo que no se aplicó reducción, ya que bajo estas condiciones se cubrían 2 acciones. Con la reducción de reglas se obtuvieron un total de 160 reglas en vez de 263 que se habían generado originalmente, lo cual nos da una reducción de casi 40%. ENC´99