Home

Full_Text

1. 1000 1200 1400 Axe Y mm b Fig 9 a Environnement exp rimental 2 b Trajectoire effectu e par le Robuter en utilisant les RN Afin de valider l approche par LF nous avons effectu deux tests Le premier est repr sent par la figure 10 a D s le d part le robot rencontre un obstacle sur son chemin Comme le montre la figure 10 b le robot effectue une d viation sur la droite puis il continue se d placer tout droit sans que le deuxi me obstacle le perturbe puisqu il n entre pas dans la zone de s curit a 1600 m 1400 1200 1000 Axe X mm 600 400 200 De Point de D part LT 0 500 1000 1500 2000 2500 3000 Axe Y mm b Fig 10 a Environnement exp rimental 3 b Trajectoire effectu e par le Robuter en utilisant la LF Pour la deuxi me situation comme montr e dans la figure 11 a et 11 b le robot d marre dans un environnement libre ce qui lui permet d aller tout droit A chaque fois qu il rencontre un obstacle 1l l vite tout en gardant comme dans les pr c dents tests une distance de s curit qui garantit un d placement sans danger au robot a 4th International Conference on Computer Integrated Manufacturing CIP 2007 3000 2500 2000 1500 Axe X mm 1000 500 Point de D 500 500 ee o rin ri 5
2. Cybernetics vol 20 no 2 pp 404 435 1990 4 O Azouaoui and A Chohra Pattern Classifiers Based on Soft Computing and Their Integration for Intelligent Behavior Control of Mobile Robots Proceeding of ICAR 2003 The 11 International Conference on Advanced Robotics Coimbra Portugal June 30 July 3 2003 pp 148 154 5 A Chohra and O Azouaoui Neural Netwoks NN Using Genetic Algorithms GA and Gradient Back Propagation GBP for an Intelligent Obstacle Avoidance Behavior Proceeding of ICAR 2003 The 11 International Conference on Advanced Robotics Coimbra Portugal June 30 July 3 2003 pp 917 922 6 T Fukuda F Arai and K Shimojima Intelligent robotic system Proc Int Multiconf Computational Engineering in Systems Applications France 1996 pp 01 10 7 T Tanaka J Ohwi L V Litvintseva K Yamafuji and S V Ulyanov Soft computing algorithms for intelligent control of a mobile robot for service use Part I and Part II Soft Computing vol 1 no 2 pp 88 106 June 1997 8 Patrick Reignier Pilotage Reactif d un Robot Mobile Etude du Lien entre la Perception et L action Th se de Doctorat Institut National Polytechnique de Grenoble 1994 I 9 H Surmann J Huser and L Peters A Fuzzy System for Indoor Mobile Robot Navigation Proc of the Fourth IEEE Int Conf on Fuzzy Systems pp 83 86 20 24 03 1995 Yokohama Japan 10 x Yang M Moallem and
3. nous avons effectu deux tests pour v rifier l efficacit de l approche Tous les tests ont t ex cut s dans un environnement partiellement structur 4th International Conference on Computer Integrated Manufacturing CIP 2007 d int rieur o nous avons dress des obstacles fixes sur le chemin du robot Le Robuter durant ces tests n a aucune destination atteindre et le seul objectif c est de se mouvoir dans son environnement tout en vitant les obstacles A chaque it ration le Robuter r cup re les mesures recueillies du LMS et apr s traitement 1l d tecte la situation dans laquelle il se trouve Une distance de s curit de 1 m tre a t tablie et c est sur la base de cette distance que le Robuter peut statuer sur l absence ou la pr sence d obstacle En absence d obstacles le Robuter continue son chemin et d s qu un obstacle entre dans la zone de s curit le syst me d vitement d obstacles d tecte la nouvelle situation et envoie une autre consigne pour viter l obstacle Les figures 8 et 9 montrent les r sultats obtenus par RN et les figures 10 et 11 montrent ceux obtenus par LF Le Robuter est confront diverses situations et chacune d elles il d tecte la situation et il effectue les man uvres pour viter les obstacles Dans la situation repr sent e dans la figure 8 a le Robuter rencontre deux obstacles l un devant et l autre droite Le RN identifie qu il s ag
4. se retrouver le robot mobile Parmi ces donn es la distance consid r e correspond l obstacle le plus proche au robot dans chacune des trois zones Ce qui permet d obtenir un vecteur d entr e X X X Xl Le vecteur de sortie O O O O O Os O6 repr sente les six situations possibles d viter les obstacles comme le montre la figure 2 b chaque 1it ration les distances robot obstacles Da D et D sont donc recueillies du LMS Ainsi pour chaque vecteur d entr e X le syst me d vitement d obstacles doit fournir au robot la capacit reconna tre la situation dont laquelle il se trouve afin d viter ces obstacles Tourner Gauche O a b a Environnement partiellement structur b Situations d vitement d obstacles Fig 2 Classificateur Neuronal Dans ce paragraphe l approche consid r e est mise en uvre en utilisant un classificateur neuronal Le r seau de neurones choisi comme le montre la figure 3 est un r seau multicouche une seule couche cach e Les distances Da D et D subissent un pr traitement afin de construire le vecteur d entr e X Ce qui permet de normaliser les donn es d entr es pour permettre au classificateur de s parer entre les diff rentes situations X 1 p exp DJ 1 X2 1 p exp DJ a 2 X3 1 p exp D4 a 3 O p norme du vecteur d entr e X et a facteur de pr traitement La couche d en
5. 00 1000 1500 2000 2500 3000 3500 4000 Axe Y mm b Fig 11 a Environnement exp rimental 4 b Trajectoire effectu e par le Robuter en utilisant la LF IV CONCLUSION Dans cet article nous avons pr sent une approche d vitement d obstacles r solue d une part en utilisant les RN et d autre part en utilisant la LF Les deux syst mes impl ment s sur le Robuter ont donn des r sultats satisfaisants qui permettent de doter le robot d un certain degr d intelligence Cependant il reste quelques am liorations apporter pour augmenter les performances des deux syst mes Premi rement la fusion entre les mesures du LMS et celles des capteurs ultrasons pourrait am liorer la perception de l environnement En effet dans certains tests lorsqu un obstacle est assez proche du robot et en dehors de la zone de couverture du LMS le robot peut heurter cet obstacle s 1l op re une man uvre pour viter un autre Deuxi mement ajouter une action de marche arri re afin de sortir des situations o le robot se retrouve bloqu est pr voir 03 04 November 2007 BIBLIOGRAPHIE 1 B Kosko Neural Networks and Fuzzy Systems Prentice Hall 1992 2 P J Werbos Neurocontrol and fuzzy logic Connections and designs Int J of Approxi Reaso vol 6 pp 185 219 1992 3 C C Lee Fuzzy logic in control systems Fuzzy logic controller Part I and Part II IEEE Trans on Systems Man and
6. 4th International Conference on Computer Integrated Manufacturing CIP 2007 03 04 November 2007 Comportement d vitement d obstacles bas sur les r seaux de neurones et la logique floue pour un robot mobile autonome M Kadri O Azouaoui R Kezerli et A H Hariz Division Productique et Robotique Centre de D veloppement des Technologies Avanc es Cit 20 Ao t 1956 Baba Hassen Alger mkadri cdta dz R sum Pour garantir une autonomie et une intelligence pour le comportement d vitement d obstacles l utilisation d outils tels que les R seaux de Neurones RN ou la Logique Floue LF sont n cessaires Dans cet article nous pr sentons une approche d vitement d obstacles utilisant ces deux outils L approche est valid e par une impl mentation exp rimentale sur le robot mobile Robuter I INTRODUCTION De nos jours les chercheurs ont leur disposition les moyens mat riels et logiciels n cessaires pour construire un syst me dynamique intelligent tel qu un robot mobile autonome D un autre c t ils poss dent des outils de calcul qui d rivent des technologies mergentes du soft computing qui sont beaucoup plus efficaces dans le d veloppement des syst mes intelligents que les m thodes classiques Parmi ces outils 1 3 on peut citer les R seaux de Neurones RN qui offrent une capacit d apprentissage permettant une repr sentation de la connaissance et la Logique Floue LF qui p
7. M Vr NM Vg NM Vo PM Vg PM P Vr NM Vr NM Vr NM l Ve NM Vg NM Ve NM M M Vr NM Vr NM Vr NM Vg NM Vg NM Vg NM L Vr NM Vr NM Vr NM Vg NM Vg NM Vg NM P Vr NR Vr NR Vr NR Vg NR Vg NR Vg NR L M Vr NR Vr NR Vg NR Vr NR ec Ve NR Vg NR L Vr NR Vr NR Vr NR Vo NR Ve NR Ve NR 03 04 November 2007 80 60 40 20 0 00 20 40 60 80 Fig 6 Fonction d appartenance des vitesses La d fuzzification est utilis e pour fournir au robot une consigne en vitesse des roues droite et gauche dont la fonction d appartenance est montr e dans la figure 6 en se basant sur la m thode du centre de gravit II MPLEMENTATION ET RESULTATS Pour valider notre approche d vitement d obstacles nous avons effectu sa mise en uvre exp rimentale sur le manipulateur mobile Robuter ULM du CDTA montr dans la figure 7 en consid rant uniquement la plateforme mobile Fig 7 Robuter ULM Le robuter est un robot mobile d int rieur de forme rectangulaire poss dant deux roues motrices ind pendamment commandables et deux roues folles assurant la stabilit de la plateforme 12 Le robot est dot d une ceinture de capteurs ultrasons et d un capteur LMS La base mobile est command e via une carte microcontr leur MPCSSS de Motorola et un PC embarqu MMX 233 sous environnement Linux redhat 6 1 Pour chaque syst me neural et flou
8. R V Patel An Improved Fuzzy Logic Based Navigation System for Mobile Robots Proceedings of the 2003 IEEE RSJ Int Conference on Intelligent Robots and Systems Las Vegas Nevada October 2003 pp 1709 1717 11 LMS User Manual Sick optic electronic 1997 12 Robuter et Bras Ultra L ger Manuel d utilisation et de maintenance Robosoft 2004
9. e travail nous consid rons uniquement des environnements partiellement structur s tels que les sites industriels avec des obstacles statiques En effet l tre humain per oit les situations spatiales dans de tels environnements comme des situations topologiques pi ces couloirs virages droite et gauche etc Pour des raisons de simplicit trois mouvements possibles pour le robot mobile selon trois directions sont consid r s dans cet article chaque direction est associ e une action Par cons quent trois actions sont d finies savoir tourner droite aller tout droit et tourner gauche Ces actions sont repr sent es par le vecteur d action A Ag Aa Ad Pour d tecter d ventuels obstacles un capteur LMS Laser Measurement System 11 est utilis l avant du robuter avec une couverture de 180 De ce fait dans notre approche le champ du capteur LMS est subdivis en trois r gions qui correspondent aux trois mouvements possibles comme indiqu dans la figure 1 120 60 7 Fig 1 Robot et Capteur 4th International Conference on Computer Integrated Manufacturing CIP 2007 Durant la navigation le robot doit construire une carte locale de son environnement zones libres et obstacles partir des mesures fournies par le LMS La figure 2a repr sente un environnement partiellement structur qui fait ressortir les diff rentes situations dont lesquelles peut
10. e valeur qualitative Pr s P Moyen M et Loin L d finis par les fonctions d appartenance de la figure S a Les vitesses des roues droite et gauche V4 et V respectivement sont les sorties du CF dont les variables floues correspondantes sont N gative Rapide NR N gative Moyen NM N gative Lente NL Z ro Z Positive Rapide PR Positive Moyen PM et Positive Lente PL montr es dans la figure 5 b 4th International Conference on Computer Integrated Manufacturing CIP72007 gt Vi y 5 Da D Fig 4 Contr leur Flou La fuzzification est un processus qui permet d associer les l ments du vecteur d entr e aux ensembles flous selon un degr d appartenance comme montr dans la figure 5 g Distance m i 3 5 Fig 5 Fonction d appartenance des distances L inf rence est bas e sur des op rations Som Prod afin d effectuer l valuation des r gles repr sent es dans le Tableau 1 La d tection de la situation et l vitement d obstacle est donc r alis e par un ensemble de r gles floues de la forme Si Diest P et D est L et D est P Alors V NR et V NR c d aller devant avec une vitesse rapide Si D4 est L et D est P et D est P Alors V NR V NR c d aller droite avec une vitesse rapide Tableau l Matrice d inf rence P Vr Z Vr NM Vr NM Vg Z Vg PM Vg PM P M Vr PM_ Vr NM Vr NM Ve NM Vg PM Vg PM E Vr PM Vr N
11. ermet de traduire l exp rience humaine en un ensemble de r gles Par ailleurs un robot mobile pour tre autonome et intelligent doit tre dot d un comportement d vitement d obstacles qui lui permette d acqu rir la capacit de se d placer dans son environnement Pour atteindre cet objectif les approches classiques ont t remplac es par des approches bas es sur le soft computing utilisant en particulier les RN et la LF 4 10 L objectif de cet article est donc d tudier le probl me du comportement d vitement d obstacles dans un environnement statique et partiellement structur qui permettrait au robot d acqu rir ce comportement intelligent en utilisant les deux outils cit s plus haut Cette approche est valid e par une impl mentation exp rimentale sur le robot Robuter du Centre de D veloppement des Technologies Avanc es CDTA Dans le paragraphe II le comportement d vitement d obstacles est pr sent o deux syst mes correspondant aux deux outils consid r s sont introduits Le premier utilise l apprentissage azouaoui hotmail com par la r tro propagation du gradient pour r aliser la t che d vitement et le second se base sur l adaptation en utilisant la LF Ces deux syst mes sont ensuite impl ment s sur la plateforme mobile dans le paragraphe III Les r sultats de cette impl mentation sont pr sent s et discut s II COMPORTEMENT D VITEMENT D OBSTACLES Dans c
12. it d un virage gauche Le Robuter comme le montre la figure 8 b effectue un angle de braquage et d s que l obstacle sort du champ du capteur LMS il se d place en ligne droite Ensuite le Robuter rencontre le deuxi me obstacle qui occupe un espace entre deux zones Ceci se traduit par un virage droite 03 04 November 2007 3000 p p 2500 m A a 2000 A am PS E E pe x 1500 O x lt lt 1000 C 500 NLA de D part 0 400 200 0 200 400 600 800 1000 Axe Y mm b Fig 8 a Environnement exp rimental 1 b Trajectoire effectu e par le Robuter en utilisant les RN Dans la situation de la figure 9 a le robot d marre dans un environnement libre ce qui se traduit par une ligne droite comme le montre la figure 9 b et d s que l obstacle entre dans la zone de s curit le robot entame un virage droite Le robot continue se d placer en ligne droite jusqu ce qu il rencontre sur sa droite un obstacle qu il a pu viter avec un l ger changement de direction Enfin en rencontrant le mur le robot d vie gauche et longe le mur tout en gardant une distance de s curit a 4th International Conference on Computer Integrated Manufacturing CIP72007 03 04 November 2007 6000 5000 4000 i E X 3000 Le O nn a pe 2000 ee Point de D part LT 200 0 200 400 600 800
13. tr e comporte trois 3 neurones recevant les l ments du vecteur d entr e X Les sorties de la couche cach e avec six 6 neurones sont obtenues en utilisant le formalisme suivant net D X W2 4 Y f net 6 03 04 November 2007 O net repr sente la somme pond r e des donn es d entr e par les poids W2 et Y sont les sorties de la couche cach e avec la fonction d activation f donn e comme suit 1 f 6 1 exp x La couche de sortie du r seau constitu e de 6 neurones permet de d terminer la classe correspondant la situation actuelle net gt Y Wl 7 O f net 8 O les O repr sentent les l ments du vecteur de sortie O et WI repr sentent les poids de la couche de sortie Pour acqu rir le comportement d vitement d obstacles le r seau de neurones est entra n en utilisant l algorithme de la r tro propagation du gradient sur la base de 106 exemples un pas d apprentissage de 0 3 et un facteur de pr traitement a 1 1 Couche de sortie Couche cach e Fig 3 Classificateur Neuronal B Contr leur Flou Dans ce paragraphe la m me approche a t d velopp e en utilisant un Contr leur Flou CF qui doit permettre au robot d acqu rir le m me comportement d crit pr c demment Les distances Da D et D constituent le vecteur d entr e du contr leur figure 4 Les l ments de ce vecteur poss dent le m me degr d

Full_Text

Contents

Download Pdf Manuals

Related Search

Related Contents