Palestra (2010) - Serious games: Um mercado em exploração
Sistema neural para estacionamento paralelo em uma única manobra
1. 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
2. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
2
Grupo de Mecatrônica
Laboratório de Robótica Móvel
3. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
3
Grupo de Mecatrônica
Laboratório de Robótica Móvel
5. Introdução (Realidade)
Honda (2011)
Sahin e Guvenc (2007)
Sony (2011)
iRobot (2011)
Krebs et al. (2008)
NÃO (2011)
Universidade de São Paulo
Escola de Engenharia de São Carlos
5
Grupo de Mecatrônica
Laboratório de Robótica Móvel
6. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
6
Grupo de Mecatrônica
Laboratório de Robótica Móvel
7. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
7
Grupo de Mecatrônica
Laboratório de Robótica Móvel
8. Motivação
• Indústria automobilistica
– Muitas técnologias embarcas sem reduzir os acidentes fatais
• Laboratório de Robótica Móvel (LabRoM)
– Sistema Embarcado de Navegação autônoma (SENA)
Navalha (2005)
Universidade de São Paulo
Escola de Engenharia de São Carlos
Gisa (2009)
8
Grupo de Mecatrônica
Laboratório de Robótica Móvel
9. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
9
Grupo de Mecatrônica
Laboratório de Robótica Móvel
10. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
10
Grupo de Mecatrônica
Laboratório de Robótica Móvel
11. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
11
Grupo de Mecatrônica
Laboratório de Robótica Móvel
12. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
12
Grupo de Mecatrônica
Laboratório de Robótica Móvel
13. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
13
Grupo de Mecatrônica
Laboratório de Robótica Móvel
14. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
14
Grupo de Mecatrônica
Laboratório de Robótica Móvel
15. Estado da Arte
• Três categorias: diagonal, garagem e paralelo
Universidade de São Paulo
Escola de Engenharia de São Carlos
15
Grupo de Mecatrônica
Laboratório de Robótica Móvel
16. Estado da Arte (indústria)
2009
2006
• Park4U
• Valeo
• Parking Aid
• Bosch
2003
• IPAS
• Toyota
1992
• PAS
• VolksWagen
Universidade de São Paulo
Escola de Engenharia de São Carlos
16
Grupo de Mecatrônica
Laboratório de Robótica Móvel
17. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
17
Grupo de Mecatrônica
Laboratório de Robótica Móvel
18. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
18
Grupo de Mecatrônica
Laboratório de Robótica Móvel
19. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
19
Grupo de Mecatrônica
Laboratório de Robótica Móvel
20. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
20
Mapa geométrico
(Chatila e Laumond, 2985)
Grupo de Mecatrônica
Laboratório de Robótica Móvel
21. Modelo do Veículo (Cinemática)
• Restrições:
Siegwart et al., 2011
Zhu e Rajamani, 2006
• Modelo cinemático
Kochem et al. 2003
Universidade de São Paulo
Escola de Engenharia de São Carlos
21
Grupo de Mecatrônica
Laboratório de Robótica Móvel
22. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
22
Grupo de Mecatrônica
Laboratório de Robótica Móvel
23. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
23
Grupo de Mecatrônica
Laboratório de Robótica Móvel
24. Encoders
• Encoders (ou codificadores rotativos)
– Medição da posição angular ou velocidade angular.
• Erros de odometria:
– Sistemáticos (imperfeições)
– Não-sistemáticos (interação)
Universidade de São Paulo
Escola de Engenharia de São Carlos
24
Borenstein et al., 1996
Grupo de Mecatrônica
Laboratório de Robótica Móvel
25. Sensor Laser (Hokuyo URG-04LX)
• Light Detection and Ranging (LIDAR)
– Hokuyo URG-04LX
Lee e Ehsani, 2008
• Método de medição: tempo de vôo
Universidade de São Paulo
Escola de Engenharia de São Carlos
25
Grupo de Mecatrônica
Laboratório de Robótica Móvel
26. Sensor Inercial (IMU IG-500N)
Universidade de São Paulo
Escola de Engenharia de São Carlos
26
Grupo de Mecatrônica
Laboratório de Robótica Móvel
27. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
27
Grupo de Mecatrônica
Laboratório de Robótica Móvel
28. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
SEVA 3D (Heinen et al. 2006b)
28
Grupo de Mecatrônica
Laboratório de Robótica Móvel
29. Simulador Desenvolvido
• Implementação do Simulador
–
–
–
–
Orientação à Objetos
Linguagem C#
Visual C# 2008
RNA
• Matlab (DLL)
Universidade de São Paulo
Escola de Engenharia de São Carlos
29
Grupo de Mecatrônica
Laboratório de Robótica Móvel
30. Simulador Desenvolvido
• Interface do Simulador
Universidade de São Paulo
Escola de Engenharia de São Carlos
30
Grupo de Mecatrônica
Laboratório de Robótica Móvel
31. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
31
Grupo de Mecatrônica
Laboratório de Robótica Móvel
32. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
32
Grupo de Mecatrônica
Laboratório de Robótica Móvel
33. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
33
Haykin (2001)
Grupo de Mecatrônica
Laboratório de Robótica Móvel
34. Arquiteturas de RNAs
Feedfoward de camada simples
Feedfoward de múltiplas simples
Redes recorrentes
Universidade de São Paulo
Escola de Engenharia de São Carlos
Redes reticuladas
34
Grupo de Mecatrônica
Laboratório de Robótica Móvel
35. Aspectos Topológicos da RNA
• Validação cruzada (5-fold cross-validation)
Universidade de São Paulo
Escola de Engenharia de São Carlos
35
Grupo de Mecatrônica
Laboratório de Robótica Móvel
36. Aspectos Topológicos da RNA
• Overfitting e Underfitting
• Parada antecipada (early stopping)
Universidade de São Paulo
Escola de Engenharia de São Carlos
36
Grupo de Mecatrônica
Laboratório de Robótica Móvel
37. Arquitetura de Aprendizado
• Aprendizado supervisionado
• Algoritmos
– Resilient Propagation (RPROP)
– Levenberg-Marquardt (LM)
Universidade de São Paulo
Escola de Engenharia de São Carlos
37
Dan Foresee e Hagan (1997)
Riedmiller e Braun (1993)
Grupo de Mecatrônica
Laboratório de Robótica Móvel
38. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
38
Grupo de Mecatrônica
Laboratório de Robótica Móvel
39. Abordagem do
Estacionamento Paralelo
• Três importântes etapas:
1.Detectar
vaga
Dermili e Khoshnejad (2009)
2.Posicionar
o veículo
Universidade de São Paulo
Escola de Engenharia de São Carlos
39
3.Manobrar
o veículo
Grupo de Mecatrônica
Laboratório de Robótica Móvel
40. 1. Detectar a vaga
d 1,57 W
Universidade de São Paulo
Escola de Engenharia de São Carlos
40
Grupo de Mecatrônica
Laboratório de Robótica Móvel
41. 2. Posicionar o veículo
Universidade de São Paulo
Escola de Engenharia de São Carlos
41
Grupo de Mecatrônica
Laboratório de Robótica Móvel
42. Trajetória para manobrar o veículo
Hoyle (2003)
Herrmann (2003)
Roth (2009)
p 2RW ( L b)^2 b
Universidade de São Paulo
Escola de Engenharia de São Carlos
42
Grupo de Mecatrônica
Laboratório de Robótica Móvel
43. 3. Manobrar o veículo
Universidade de São Paulo
Escola de Engenharia de São Carlos
43
Grupo de Mecatrônica
Laboratório de Robótica Móvel
44. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
44
Grupo de Mecatrônica
Laboratório de Robótica Móvel
45. Sistema Neural Desenvolvido
• Controlador Neural
Universidade de São Paulo
Escola de Engenharia de São Carlos
Osório et al. (2002)
45
Grupo de Mecatrônica
Laboratório de Robótica Móvel
46. Geração da base de dados
Universidade de São Paulo
Escola de Engenharia de São Carlos
46
Grupo de Mecatrônica
Laboratório de Robótica Móvel
47. Região estacionável
y 0,05 W
Pmin 1,67 L
Universidade de São Paulo
Escola de Engenharia de São Carlos
47
Grupo de Mecatrônica
Laboratório de Robótica Móvel
48. 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]
Universidade de São Paulo
Escola de Engenharia de São Carlos
48
Grupo de Mecatrônica
Laboratório de Robótica Móvel
49. Autômato Finito
• Facilita e agiliza a coleta de dados
• Fácil de implementar
Universidade de São Paulo
Escola de Engenharia de São Carlos
49
Heinen et al. (2006a)
Grupo de Mecatrônica
Laboratório de Robótica Móvel
50. Topologias candidatas (Estratégia 1)
Universidade de São Paulo
Escola de Engenharia de São Carlos
50
Grupo de Mecatrônica
Laboratório de Robótica Móvel
51. Topologias candidatas (Estratégia 2)
Universidade de São Paulo
Escola de Engenharia de São Carlos
51
Grupo de Mecatrônica
Laboratório de Robótica Móvel
52. 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)
Universidade de São Paulo
Escola de Engenharia de São Carlos
52
Grupo de Mecatrônica
Laboratório de Robótica Móvel
53. Controlador Neural I
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Sem parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
53
Grupo de Mecatrônica
Laboratório de Robótica Móvel
54. Controlador Neural II
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Com parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
Caso fácil
54
Grupo de Mecatrônica
Laboratório de Robótica Móvel
55. Controlador Neural III
• Topologia candidata (estratégia 1)
– Sensores com ruído
– Sem parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
Caso difícil
55
Grupo de Mecatrônica
Laboratório de Robótica Móvel
56. Controlador Neural IV
• Topologia candidata (estratégia 1)
– Sensores com ruído
– Com parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
56
Grupo de Mecatrônica
Laboratório de Robótica Móvel
57. Controlador Neural V
• Topologia candidata (estratégia 2)
– Sensores sem ruído
– Sem parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
57
Grupo de Mecatrônica
Laboratório de Robótica Móvel
58. Controlador Neural VI
• Topologia candidata (estratégia 2)
Caso fácil
– Sensores sem ruído
– Com parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
58
Grupo de Mecatrônica
Laboratório de Robótica Móvel
59. Controlador Neural VII
• Topologia candidata (estratégia 2)
Caso difícil
– Sensores com ruído
– Sem parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
59
Grupo de Mecatrônica
Laboratório de Robótica Móvel
60. Controlador Neural VIII
• Topologia candidata (estratégia 2)
– Sensores com ruído
– Com parede de auxílio
Universidade de São Paulo
Escola de Engenharia de São Carlos
60
Grupo de Mecatrônica
Laboratório de Robótica Móvel
61. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
61
Grupo de Mecatrônica
Laboratório de Robótica Móvel
62. Demonstração da manobra (vídeo)
http://youtu.be/5_476rG03CE
Universidade de São Paulo
Escola de Engenharia de São Carlos
62
Grupo de Mecatrônica
Laboratório de Robótica Móvel
63. Medida de Similaridade
• Como avaliar o quão bem um veículo está
estacionado na vaga?
– Não existe nada na literatura.
Universidade de São Paulo
Escola de Engenharia de São Carlos
63
Grupo de Mecatrônica
Laboratório de Robótica Móvel
64. 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%
Universidade de São Paulo
Escola de Engenharia de São Carlos
64
Grupo de Mecatrônica
Laboratório de Robótica Móvel
65. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
65
Grupo de Mecatrônica
Laboratório de Robótica Móvel
66. 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
Universidade de São Paulo
Escola de Engenharia de São Carlos
66
Grupo de Mecatrônica
Laboratório de Robótica Móvel
67. 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.
Universidade de São Paulo
Escola de Engenharia de São Carlos
67
Grupo de Mecatrônica
Laboratório de Robótica Móvel
68. 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
Universidade de São Paulo
Grupo de Mecatrônica
Escola de Engenharia de São Carlos
68
Laboratório de Robótica Móvel
69. 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