Exploração de Ambientes Não- homem consiga penetrar em...
Transcript of Exploração de Ambientes Não- homem consiga penetrar em...
Exploração de Ambientes Não-Estruturados com Terreno Acidentado
por Robôs Móveis
Pedro Eduardo Gonzales Panta
PUC-Rio
Resumo: A exploração de ambientes não
estruturados, como é o caso do ambiente
apresentado pela Amazônia, tem sido
alvo de interesse na área de pesquisa nos
últimos anos. Fazem-se necessários
novos Métodos de Planejamento que
permitam aos robôs moveis explorar
estas áreas com alto nível de autonomia
baseado no modelo físico do robô e o
ambiente. Neste trabalho se apresenta um
algoritmo de planejamento de trajetória
que considera as restrições físicas
(gradiente do terreno, tipo de solo,
incerteza) que ambiente impõe ao robô.
O algoritmo proposto consegue projetar
uma trajetória eficiente até o robô chegar
no objetivo.
Palavras-chave: robôs moveis,
algoritmos genéticos, ambientes não-
estruturados, planejamento de trajetórias.
1. Introdução: A exploração de ambientes não-
estruturados por robôs móveis tem sido
objeto de intenso estudo nos últimos anos
devido à sua crescente aplicação. Em
referencia à exploração de ambientes de
difícil acesso para o ser humano,
encontram casos menos divulgados, como
a exploração de ambientes com
características florestais. Este é o caso da
Amazônia brasileira.
Para este tipo de exploração, o
Laboratório de Robótica do CENPES tem
proposto a criação de sistemas móveis
que possam dar condições para que o
homem consiga penetrar em ambientes
florestais e realizar atividades em locais
inacessíveis e conseqüentemente pouco
conhecidos e estudados. Para conseguir
este objetivo, foram criados dois
protótipos de um robô móvel, um de
pequeno e outro de mediano porte, que
têm como principal característica o acesso
e transporte de equipamento de
monitoramento em ditas regiões. Estes
protótipos são apresentado na Figura 1.
Figura 1. Protótipos do Robô
Ambiental Híbrido.
Pretende-se, com este trabalho,
apresentar um algoritmo que facilite a
condução do robô com alto nível de
autonomia através do planejamento da
trajetória que este deve seguir para chegar
a um ponto determinado. Para explorar
estas áreas precisa-se de métodos de ação
que não sejam simplesmente reativos
senão também que planejem ações no
futuro distante.
Superfície do terreno. O terreno está
definido por um conjunto de pontos que
formam uma superfície no espaço. Cada
ponto está determinado pelas suas
coordenadas no espaço x, y e z em
relação a um sistema referencial como
apresentado na Figura 2. Sua
representação discretizada está dada pelo
conjunto de pontos Pi(xi , yi, zi). As
coordenadas x e y definem a posição do
ponto da superfície em um plano
horizontal, e a coordenada z define a sua
altura. Os intervalos de discretização dos
valores das coordenadas x e y são
constantes e iguais a a e b respectivamente. Assumindo-se que z é
uma função de x e y, i.e., para cada
projeção (x, y) há apenas um valor de z
associado ao terreno, temos o caso
particular de um terreno conhecido como
2,5D, que será usado neste trabalho. O
caso geral 3D só seria necessário, e.g., em
situações de exploração de cavernas, onde
uma mesma projeção (x, y) pode possuir
mais de uma cota z (o fundo e o topo da
caverna, por exemplo).
Figura 2. Representação da superfície do
terreno.
2. A Abordagem do Planejamento da Ação
Para resolver a questão do
planejamento de trajetória do robô móvel,
o método utilizado divide os dados de
localização do robô (Tabela 1) e os dados
referentes às ações que o robô pode fazer,
que em conjunto formam um Inventário
de Módulos de Ação (Tabela 2). No
exemplo específico da Tabela 2,
consideram-se as movimentações do robô
e de seu manipulador (braço) robótico
utilizado para coleta de amostras. Os
módulos de localização servem como
dados essenciais para um novo cálculo da
trajetória a ser seguida pelo robô cada vez
que este avança através do ambiente. O
método consiste, então, em escolher a
seqüência de módulos de ação que
permita ao robô chegar a um ponto
determinado do terreno. A esta seqüência
de módulos chama-se de Plano de Ação.
A avaliação do plano de ação toma em
conta as características relevantes da
topografia do ambiente como o tipo de
terreno, o mapa de gradientes (visando
garantir a estabilidade do robô, evitando
capotagens), e a incerteza da localização
de cada um dos pontos do perfil do
terreno.
Modulo de Localização
Coordenada Xc
Coordenada Yc
Coordenada Zc
Yaw ψ
Roll Ө
Pitch Ф
Tabela 1. Módulos de Localização
N. de
Módulo
Ação
1 Movimento para frente
500mm
2 Movimento para trás 500mm
3 Vira Esquerda 45o
4 Vira Direita 45o
5 Move Braço x +20mm
6 Move Braço x -20mm
7 Move Braço y +20mm
8 Move Braço y -20mm
9 Move Braço z +20mm
10 Move Braço z -20mm
Tabela 2. Modulo de Ação
Um plano de ação bem sucedido é
aquele no qual o robô completa uma
tarefa específica sem violar nenhuma das
restrições da tarefa. Para um plano de
ação bem sucedido, é necessário procurar
uma seqüência certa de módulos de ação.
O tamanho do Espaço de Procura fica
determinado por:
m
ND = (1)
onde:
D = número de possíveis planos de
ação;
N = número de possíveis módulos de
ação; e
m = número de módulos de ação
utilizados no plano.
Entre os complicadores está o fato de
o número de possíveis planos de ação
poder ser muito alto. Terrenos
complicados podem aumentar o número
de planos de ação impossíveis. A redução
do número de planos de ação possíveis é
feita através de uma filtragem simples,
e.g., se a tarefa não precisar de
manipulação de objetos, então se tiram do
inventário de módulos de ação todos os
módulos referentes à manipulação.
A busca de um plano de ação
satisfatório será feito neste trabalho
através de algoritmos genéticos. Estes
algoritmos fazem analogia às leis que
regem a evolução genética de sistemas
biológicos. No entanto, ao invés de
indivíduos, serão considerados planos de
ação a serem analisados. Cada plano de
ação possui analogia à seqüência de
cromossomos do DNA de um indivíduo,
onde cada cromossomo estaria associado
a uma ação (e.g., andar 500mm para
frente, girar 45 graus à direita, etc.). Uma
população inicial é criada da montagem
aleatória de módulos do inventário
reduzido. Esta “população” é um
conjunto de planos de ação inicialmente
escolhidos aleatoriamente. Cada plano de
ação é associado a um “indivíduo”.
O algoritmo genético utiliza um
crossover simples como apresentado na
Figura 3. O crossover combina alguns
atributos de dois planos de ação para criar
um terceiro e quarto planos de ação. Dois
módulos (C1 e C2) são escolhidos dentre
dois planos de ação. Então os conjuntos
de ações representados na figura por B e
D em cada lista são trocados.
Figura 3. Crossover dos planos de
ações.
Considera-se também mutações nos
planos de ações, que são mudanças
aleatórias nos planos de ação com o
objetivo de melhorar a sua aptidão à
tarefa. Na mutação utilizada, um módulo
específico de um plano de ação é trocado
com um módulo escolhido aleatoriamente
do inventário reduzido.
Para a avaliação de cada candidato a
plano de ação (indivíduo), cada plano é
simulado considerando o perfil já
mapeado do terreno, vide Figura 4. Será
avaliado principalmente se a tarefa foi
completada sem violar as restrições
condicionadas pelo ambiente, e.g., sem
perda de estabilidade (capotagem) e sem
saturação dos motores, ou até
minimizando o consumo de energia. Os
planos de ação que chegam mais
próximos de completar a tarefa ganham
maior pontuação na avaliação de aptidão.
Figura 4. Dois possíveis planos de
ação, avaliados sobre o perfil do terreno
previamente mapeado.
3. Construção do Mapa de Gradientes do Terreno
Nesta seção se construiu um mapa em
2,5D por meio da localização de pontos z
para cada par (x,y). Tem que ser
lembrado que cada um destes pontos está
associado a uma incerteza probabilística.
Cada cota zi associada à discretização (xi,
yi) é portanto associada a uma
distribuição de probabilidade
(normalmente considerada gaussiana).
Com a localização em z dos
pontos chave para uma determinada
coordenada x-y temos os dados
necessários para achar o gradiente
aproximado para cada ponto da superfície
do terreno, como apresentado na Figura 5.
Utilizando as coordenadas dos vizinhos
de um determinado ponto, pode-se
calcular o seu gradiente de forma
aproximada.
Figura 5. Gradiente em um ponto
determinado do mapa
4. Construção do Algoritmo Genético para o Planejamento de Trajetória e Exploração
Sabe-se que cada ponto chave da
discretização do terreno está associado a
uma incerteza probabilística. Esta
incerteza probabilística vai ser
considerada na avaliação de cada plano
de ação (indivíduo) na procura da
trajetória que o veículo deverá seguir.
Pontos com alta incerteza terão menos
chance que os de menor incerteza.
Também são considerados no
cromossomo os diferentes tipos de
terreno em que está divido o ambiente
como apresentado na Figura 6. Serão
determinados pesos diferentes para cada
tipo de terreno de forma que os planos de
ação que atravessam terrenos que
poderiam apresentar dificuldades no
deslocamento do veículo (terrenos com
solo instável ou com baixo atrito,
“escorregadios”) deverão ter menos
chances de sobrevivência no algoritmo
genético.
Figura 6. Mapa com diferentes tipos de
terreno
Outra consideração dentro da
construção do cromossomo é a magnitude
do gradiente da superfície do terreno. Este
mapa de gradientes foi construído na
seção anteirior. Para gradientes com
valores acima de um patamar
determinado, a probabilidade de o robô
capotar é maior. Os lugares do terreno
com gradientes altos devem ser evitados,
pois estabelece a margem de estabilidade
em níveis críticos.
Com esses dados, a função de aptidão,
que define a qualidade de um plano de
ação, fica definida por uma função, e.g.:
1 2 3 4 5 6f D I S T E= α + α + α + α + α + α δ
onde
D = distância percorrida pelo robô em
direção ao objetivo durante todo o trajeto
(a ser minimizada);
I = incerteza probabilística média da
localização dos pontos percorridos;
S = função associada à margem de
estabilidade do veículo na trajetória
considerada (para evitar capotagem) e,
por tanto, associado ao mapa de
gradientes;
T = tempo requerido para completar a
tarefa (a ser minimizado);
E = coeficiente do tipo de terreno
(para evitar deslizamentos);
δ = 1 se o objetivo é alcançado e 0 de
outra forma;
αi = fator de peso, que pode ser
positivo ou negativo.
Uma vez maximizada a função de
aptidão, o plano de ação mais adaptado ao
terreno considerado é escolhido. Este
plano de ação é então utilizado em
conjunto com um controle de estabilidade
e tração (Barral, 2007) para garantir a
travessia do terreno. O plano de ação age
como um planejamento em alto nível
(e.g., movimentos de 500 em 500mm),
enquanto o controle de estabilidade e
tração garantem o cumprimento de cada
módulo do plano (cromossomo) em um
nível mais baixo (e.g., com resolução de
poucos milímetros).
A metodologia proposta de mapeamento,
auto-localização e planejamento de
trajetórias será validada
experimentalmente neste trabalho através
do Robô Ambiental Híbrido.
5. Resultados
Para implementar o algoritmo
proposto utilizou-se o Toolbox de Matlab
de Algoritmos Genéticos. Para a tarefa do
robô ir de um ponto especifico a outro se
descartou os módulos de ação referentes
ao manipulador. Assim o inventario
reduzido considerou só os módulos 1, 2, 3
e 4 que tratam do deslocamento do robô.
Trabalhou-se com uma população de 50
indivíduos. O resultado achou-se na
geração 17. Uma apresentação do trajeto
selecionado no mapa 2,5D é apresentada
na Figura 7.
Figura 7. Representação em 2,5D do
trajeto achado pelo Algoritmo Genético.
6. Conclusões Foi apresentado uma metodologia de
planejamento de trajetória para ser
aplicado em robôs que fazem exploração
em ambientes não estruturados e
irregulares como os apresentados na
Amazônia. Este método considera as
restrições físicas oferecidas pelo ambiente
como são a gradiente, o tipo de solo e a
incerteza da superfície. A metodologia foi
implementada por algoritmo genéticos e
simulada em Matlab.
Este método divide as ações do robô
em ações discretas ou módulos de ação.
Depois procura por uma seqüência de
módulos de ação, ou plano de ação,
utilizando um processo hierárquico de
seleção que inclui um algoritmo genético.
O plano de ação é avaliado usando o
modelo da superfície do terreno. O
método é estruturado para permitir um
processo de procura efetivo.
O resultado pratico deste método será
implementado no Robô Ambiental
Híbrido construído pelo Laboratório de
Robótica do CENPES/Petrobras.
7. Bibliografia
[1] Barral A., Controle de Tração de
Sistemas Robóticos Móveis em Terrenos Acidentados. Dissertação de Mestrado,
Pontifícia Universidade Católica
do Rio de Janeiro, Rio de Janeiro,
Brasil, 2007.,
[2] Farritor, S. and Dubowsky, S. A
Genetic Algorithm Based Navigation and Planning Methodology for Planetary Robotic Exploration. Proceedings of the American
Nuclear Society Sixth Topical
Meeting on Robotics and Remote
Systems, 1997.
[3] Farritor, S. and Dubowsky, S. A
Self-Planning Methodology for Planetary Robotic Explorers. Proceedings of the Eighth
International Conference on
Advanced Robotics, 1997.
[4] Farritor S., Hacot H. e Dubowsky
S., Physics-Based Planning For
Planetary Exploration. Proceedings IEEE International
Conference on Robotics and
Automation, ICRA, pages 278–
283, 1998.
[5] Farritor, S. and Dubowsky, S. A
Genetic Planning Method and its Application to Planetary Exploration. ASME Journal of
Dynamic Systems, Measurement,
and Control, 2002.
[6] Haït A., Siméon T. e Taïx M.,
Algorithms for Rough Terrain Trajectory Planning. Advanced
Robotics, vol. 14, no. 6, 1999.
[7] Iagnemma K., Génot F. e
Dubowsky S., Rapid Physics-
Based Rough-Terrain Rover Planning with Sensor and Control Uncertainty.
Proceedings IEEE International
Conference on Robotics and
Automation, ICRA, volume 3,
pages 2286–2291, 1999.
[8] Iagnemma, K., Dubowsky, S.,
Mobile Robots in Rough Terrain, Springer Berlin
Heidelberg, New York, 2004.
[9] Michalewicz , Z., Genetic
Algorithms + Data Structures = Evolution Programs, Sringer
Berlin Heidelberg, 1996.