Sistema neural para estacionamento paralelo em uma única manobra

Grupo de Mecatrônica

Universidade de São Paulo
Escola de Engenharia de São Carlos

Laboratório de Robótica Móvel

Sistema Neural Reativo para o
Estacionamento Paralelo com uma única
Manobra em Veículos de Passeio

Kléber de Oliveira Andrade
Orientador
Marcelo Becker

São Carlos
Agosto/2011

Súmario
 Introdução
 Estado da Arte
 Modelagem e Simulação
 Aprendizado Supervisionado e Redes Neurais
 Abordagem do Estacionamento Paralelo
 Sistema Neural Desenvolvido
 Resultados Simulados
 Conclusões e Perspectivas Futuras

2


Súmario
 Introdução
 Estado da Arte

3


Introdução (Ficção)


4


Introdução (Realidade)

Honda (2011)

Sahin e Guvenc (2007)

Sony (2011)

iRobot (2011)

Krebs et al. (2008)

NÃO (2011)


5


Introdução (Robótica Móvel)
• Robótica Móvel

Siegwart et al. (2011)

• Avanços tecnológicos

Vlacic et al. (2001)

– Ex: Sistemas inteligentes embarcados em veículos
– Duas abordagens:
i. Sistemas assistivos
ii. Veículos autônomos inteligêntes

•

Desafio
–

Medeiros (1998)

Capacidade de aprender e adaptar as novas situações


6


Introdução (Iniciativas)
• Iniciativas civis e militares
– Campetição (EUA)
• Darpa Grand Challenge
• Urban Challenge

Stanley – Stanford (2005)

Thrun et al. (2006)
Backer e Dolan. (2009)

Tartan – Carnegie Mellon (2007)

• Competições (EUROPA) – M-ELROB e C-ELROB

7


Motivação
• Indústria automobilistica
– Muitas técnologias embarcas sem reduzir os acidentes fatais

• Laboratório de Robótica Móvel (LabRoM)
– Sistema Embarcado de Navegação autônoma (SENA)

Navalha (2005)

Gisa (2009)

8


Mapa Conceitual (Projeto SENA)
Segurança e
Conforto

Motivação

Carros
inteligentes

Pode ser
descritos como

Veículo capaz de perceber o
ambiente e transformar as
informações em ações

Abordagens

Tem a modelagem definida pela
Semi- Autônomo

Autônomo
Modelo bicicleta
Modelo triciclo

Cinemática

Modelo completo

Dinâmica

Análise em 2D
Análise em 3D


9


Mapa Conceitual (Veículos semi-autônomos)
Capaz apenas de
informar o usuário,
não há processo de
atuação

Semi- Autônomo
Utiliza as tecnologias
Definida como

Interface Sonora,
visual e/ou háptica

Utiliza

Informativa

Assistiva

Exemplos

Exemplos

Controle ativo de
cruzeiro

GPS
Aviso de
Mudança de faixa

Assistente de
estacionamento
Controle de
estabilidade
Sistemas préColisão
Assistente de
permanência na
faixa

Definida como

Usa da tecnologia informativa para avisar
o motorista, entretanto quando necessário,
é capaz de atuar no veículo


10


Mapa Conceitual (Veículos autônomos)
Basicamente

Ações são planejadas, passando
ou não por uma representação
interna do mundo ao redor

Ponto Forte

Capaz de solucionar
problemas mais
complexos

Deliberativas

Autônomo

Possíveis arquiteturas
de controle

Híbridas

União das duas técnicas

Usa os pontos fortes
das duas técnicas de
controle

Ponto Forte

Reativas
Precisam de
Basicamente
Atuadores

Sensores

Ações baseadas
EXCLUSIVAMENTE nos
dados dos sensores

Ponto Forte

Rapidez

Podem ser

Medem o
estado interno
do veículo

Proprioceptivos
Internos

Externos
Encoders

Via
CAN

Usando
estrutura
fabricada

IMU
GPS

Não invade
o espaço do
motorista

Invade o
espaço do
motorista

Bússola

Percebem o
ambiente no
entorno

Exteroceptivos

LIDAR

Única camada
Multiplas camadas

Camera

Monocular
Estéreo
Cilíndrica
Omnidirecional

Ultrassom


11


Mapa Conceitual (Desafios)
Comunicação entre os módulos
deliberativos e reativos
Armazenamento e reuso
das informações
eficientemente

Controle
Híbrido

Representação do
conhecimento
Controle
deliberativo

DESAFIOS

Percepção

Tomada de Decisão
Algoritmos robustos de
Visão.
Baseado em Regras
Fusão Sensorial
Baseado em
experiências

Modelagem das Regras de
Trânsito

GPS+IMU
Navegação
LIDAR+Camera
Encoders + bússola +
IMU
Deliberativa

Algoritmos de
aprendizado robusto

Reativa

Algoritmos robustos de
SLAM – Simultaneous
Localisation and Mapping

Trajetórias
permitidas livre de
colisão

Manobras
especiais

Gerador de
trajetórias

Curvas em U
Estacionamento

Trajetórias livres de colisões
Paralelo
Garagem
Vagas anguladas


12


Objetivo
• Objetivo Geral:
– Estudo e desenvolvimento de um sistema neural que seja capaz
de fazer com que um veículo, em um ambiente simulado
bidimensional, realize a manobra de estacionamento paralelo de
forma autônoma entrando na vaga com uma única manobra.

• Objetivos Específicos
i.
ii.
iii.
iv.

Estudar o estado da arte do problema de estacionamento
Estudar e analisar a trajetória do veículo durante a manobra
Estudar e aplicar técnicas de Aprendizado de Máquina (AM) Redes Neurais Artificiais (RNA)
Simular o sistema desenvolvido


13


Súmario
 Introdução
 Estado da Arte

14


Estado da Arte
• Três categorias: diagonal, garagem e paralelo


15


Estado da Arte (indústria)

2009
2006

• Park4U
• Valeo

• Parking Aid
• Bosch

2003
• IPAS
• Toyota

1992
• PAS
• VolksWagen


16


Estado da Arte (Trabalhos Acadêmicoss)
• Muitos trabalhos investigados de 1994 à 2011
– Técnicas de Inteligência Artificial
– Calculos númericos
– Trajetórias e controles

Aprox. 38 trabalhos
foram investigados

• Principais trabalhos relacionados
– Heinen et al. 2001 (AF com 6 sonares)
– Heinen et al. 2006a (MLP aprender o AF)
– Cabrere a-Cosetl et al. 2009 (CLMR com ultra-som e
bússola neuro-fuzzy em Matlab/Simulink))
– Dermili e Khoshnejad 2009 (3 sonares neuro-fuzzy em
ambiente simulado com polinômio de quinta ordem)
– Grupta et al. 2010 (AF e 4 sonares)

17


Súmario
 Introdução
 Estado da Arte

18


Modelagem e Simulação
• Modelos
– Modelos do Ambiente
– Modelo do Veículo (Cinemático)
– Modelo Sensorial
• Encoders
• Sensor Laser (Hokuyo URG-04LX)
• Sensor Inercial (IG-500N)

• Simulação
– Simuladores de Robôs Móveis
– Simulador desenvolvido

19


Modelo do Ambiente
•

Representação do ambiente (Mapas)
1.

2.
3.

Mapa métrico
i.
grades
ii.
geométrico
Mapa topológico
Mapa híbridos (Buschka e Saffioti, 2004)

Mapa Métrico (grids)

Thrun (2002)

Mapa topológico (grafos)


20

Mapa geométrico
(Chatila e Laumond, 2985)

Modelo do Veículo (Cinemática)
• Restrições:
Siegwart et al., 2011

Zhu e Rajamani, 2006

• Modelo cinemático

Kochem et al. 2003

21


Mini-veículo protótipo
• HELVIS (Hybrid Electric Vehicle in Low Scale)
Symbol

Value

θ

-30º / 30º

W

260 mm

Rmin

580 mm

l

335 mm

L

480 mm

b

65 mm

Sampaio et al. (2011)

22


Sensores
• Estimar a configuração do ambiente
– Planejar e realizar as tarefas

• Existem muitos sensores
Siegwarts e Nourbakhsh (2004)

• Os sensores são classificados em:
1. Proprioceptivos e exteroceptivos (meio em que
efetua a medição)
2. Passivo ou ativo (capturam os sinais)

23


Encoders
• Encoders (ou codificadores rotativos)
– Medição da posição angular ou velocidade angular.

• Erros de odometria:
– Sistemáticos (imperfeições)
– Não-sistemáticos (interação)


24

Borenstein et al., 1996


Sensor Laser (Hokuyo URG-04LX)
• Light Detection and Ranging (LIDAR)
– Hokuyo URG-04LX

Lee e Ehsani, 2008

• Método de medição: tempo de vôo


25


Sensor Inercial (IMU IG-500N)


26


Simulação
• As pesquisas pode ser iniciadas em ambientes
virtuais.
• Os simuladores são uma ferramenta importante
para os pesquisadores.
Law e Kelton, 2000
Vantagens

Desvantagens

Custo usualmente inferior quando
se trata da implementação de
sistemas complexos que utilizam
alta tecnologia

Custo computacional para
reproduzir fenômenos e
comportamentos reais.

Repetibilidade dos experimentos
facilita a análise e a comparação
de algoritmos

Não consegue modelar
precisamente todos os elementos
do mundo real


27


Simuladores de Robôs Móveis
• Simuladores disponíveis:
– Microsoft Robotics Studio (Morgan, 2008);
– Player / Stage / Gazebo (Player, 2011; Rusu et al., 2007);
– SimRob3D (Heinen 2002).

SEVA 2D (Osório et al. 2002)

SEVA 3D (Heinen et al. 2006b)

28


Simulador Desenvolvido
• Implementação do Simulador
–
–
–
–

Orientação à Objetos
Linguagem C#
Visual C# 2008
RNA
• Matlab (DLL)


29


Simulador Desenvolvido
• Interface do Simulador


30


Súmario
 Introdução
 Estado da Arte

31


Aprendizado Supervisionado e
Redes Neurais
• Aprendizado de Máquina (AM)

Russel e Norvig (2004)

– O Sistema deve ser capaz de tomar decisões, atuar e
aprender com o resultado de suas ações.

• O AM classifica os métodos de aprendizagem
em três tipos:
– Aprendizagem supervisionada
– Aprendizagem não-supervisionada
– Aprendizagem por reforço (punição ou recompensa)


32


Redes Neurais Artificiais
• São modelos matemático-computacional inspirados no sistema
nervoso dos seres vivos e que possuem capacidade de adquirir
conhecimento através de experiências.

 n

y  g   wi  xi  b 
 i 1


33

Haykin (2001)

Arquiteturas de RNAs

Feedfoward de camada simples

Feedfoward de múltiplas simples

Redes recorrentes

Redes reticuladas

34


Aspectos Topológicos da RNA
• Validação cruzada (5-fold cross-validation)


35


Aspectos Topológicos da RNA
• Overfitting e Underfitting
• Parada antecipada (early stopping)


36


Arquitetura de Aprendizado
• Aprendizado supervisionado

• Algoritmos
– Resilient Propagation (RPROP)
– Levenberg-Marquardt (LM)

37

Dan Foresee e Hagan (1997)
Riedmiller e Braun (1993)

Súmario
 Introdução
 Estado da Arte

38


Abordagem do
Estacionamento Paralelo
• Três importântes etapas:

1.Detectar
vaga

Dermili e Khoshnejad (2009)

2.Posicionar
o veículo


39

3.Manobrar
o veículo


1. Detectar a vaga

d  1,57 W


40


2. Posicionar o veículo


41


Trajetória para manobrar o veículo
Hoyle (2003)
Herrmann (2003)
Roth (2009)

p  2RW  ( L  b)^2  b

42


3. Manobrar o veículo


43


Súmario
 Introdução
 Estado da Arte

44


Sistema Neural Desenvolvido
• Controlador Neural


Osório et al. (2002)

45


Geração da base de dados


46


Região estacionável

 y  0,05 W

Pmin  1,67  L

47


Amostra da base de dados
• 55 manobras (em média 320 pontos)
– Total de 17.625 exemplos [17.625 x 12]

• Pré-processamento dos dados [-1 1]

48


Autômato Finito
• Facilita e agiliza a coleta de dados
• Fácil de implementar


49

Heinen et al. (2006a)


Topologias candidatas (Estratégia 1)


50


Topologias candidatas (Estratégia 2)


51


Avaliação de desempenho
• Topologias candidatas da 1ª estratégia (4 casos)
– 20 topologias usando RPROP e 20 usando LM
– Total = 160 topologias

• Topologias candidatas da 2ª estratégia (4 casos)
– 60 topologias usando RPROP e 60 usando LM
– Total = 480 topologias

• Total de topologias treinadas = 640
• Avaliação do desempenho
– MAPE (Mean Absolute Percentage Error)


52


Controlador Neural I
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Sem parede de auxílio


53


Controlador Neural II
– Com parede de auxílio


Caso fácil

54


Controlador Neural III
– Sensores com ruído


Caso difícil

55


Controlador Neural IV


56


Controlador Neural V


57


Controlador Neural VI
Caso fácil



58


Controlador Neural VII
Caso difícil



59


Controlador Neural VIII


60


Súmario
 Introdução
 Estado da Arte

61


Demonstração da manobra (vídeo)

http://youtu.be/5_476rG03CE

62


Medida de Similaridade
• Como avaliar o quão bem um veículo está
estacionado na vaga?
– Não existe nada na literatura.


63


Medida de Similaridade

Controlador III:
1º 53/55 = 96%
2º Pior = 85,4%
2º Melhor = 98,6%
Controlador VII
1º 54/55 = 98%
2º Pior = 97,5%
3º Melhor = 99,0%

64


Súmario
 Introdução
 Estado da Arte

65


Recapitulando e concluíndo
•

Objetivo
– Estudo e desenvolvimento de um sistema neural que seja capaz de fazer com que um
veículo, em um ambiente simulado bidimensional, realize a manobra de
estacionamento paralelo de forma autônoma entrando na vaga com uma única
manobra

•

Estudo do estado da arte
– Indústria e acadêmia

•

Modelagem e simulações
– Modelos (ambiente, sensores, veículo)
– Simulações (simuladores de robôs móveis e desenvolvimento de um novo)

•

Aprendizado de Máquina
– Redes Neurais Artificiais (Perceptron Multi-Camadas)

•

Abordagem e análise da trajetória do estacionamento paralelo
– Três etapas usando trajetória em S


66


Considerações Finais
• Simulações dos controladores neurais
– Resultados satisfatório
– Medida de similaridade (região de contorno)

• Limitações
–
–
–
–

Simulador bidimensional (resultados simulados)
Modelagem cinemática
Estacionamento à direita
Veículos geométricamente quadrados

Contribuições:
1. Estudo detalhado da manobra de estacionamento paralelo;
2. Sistema neural para realizar a manobra (Projeto SENA);
3. Simulador bidimensional para testes dos algoritmos de estacionamento.

67


Perspectivas Futuras
• Simulador tridimensional (C++, Ogre e Bullet)

Em andamento

– Alunos da EEP (TCC) e da EESC (IC)

• Testes no mini-veículo HELVI (Equipar o veículo)
– Aluno da EESC (Estágio)

Em andamento

• Estudo dos outros dois tipos de estacionamento
– Garagem e diagonal

• Estudo de outras técnicas de IA
– Algoritmos genéticos
– Lógica nebulosa (Fuzzy)
– Híbridos

• Localização de vagas (Matlab)
– Aluno da EESC (IC)

Em andamento




68


Sistema neural para estacionamento paralelo em uma única manobra

Recomendados

Recomendados

Más contenido relacionado

Similar a Sistema neural para estacionamento paralelo em uma única manobra

Similar a Sistema neural para estacionamento paralelo em uma única manobra (20)

Más de Kleber de Oliveira Andrade

Más de Kleber de Oliveira Andrade (9)

Sistema neural para estacionamento paralelo em uma única manobra