Upload
kleber-andrade
View
169
Download
2
Embed Size (px)
DESCRIPTION
Citation preview
Universidade de São Paulo
Escola de Engenharia de São Carlos
Grupo de Mecatrônica
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
3
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Introdução (Ficção)
4
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Introdução (Realidade)
Honda (2011) Sahin e Guvenc (2007) Sony (2011)
iRobot (2011) Krebs et al. (2008) NÃO (2011)
5
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Introdução (Robótica Móvel)
• Robótica Móvel
• Avanços tecnológicos
– Ex: Sistemas inteligentes embarcados em veículos
– Duas abordagens:
i. Sistemas assistivos
ii. Veículos autônomos inteligêntes
• Desafio
– Capacidade de aprender e adaptar as novas situações
Siegwart et al. (2011)
Vlacic et al. (2001)
Medeiros (1998)
6
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Introdução (Iniciativas)
• Iniciativas civis e militares– Campetição (EUA)
• Darpa Grand Challenge
• Urban Challenge
• Competições (EUROPA) – M-ELROB e C-ELROB
Thrun et al. (2006)
Backer e Dolan. (2009)
7
Stanley – Stanford (2005) Tartan – Carnegie Mellon (2007)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Mapa Conceitual (Projeto SENA)
9
Carros
inteligentesMotivação
Segurança e
Conforto
Pode ser
descritos como
Veículo capaz de perceber o
ambiente e transformar as
informações em ações
Abordagens
Semi- Autônomo Autônomo
Cinemática
Dinâmica
Tem a modelagem definida pela
Modelo bicicleta
Modelo triciclo
Modelo completo
Análise em 2D
Análise em 3D
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Mapa Conceitual (Veículos semi-autônomos)
10
Semi- Autônomo
Utiliza as tecnologias
Informativa Assistiva
Exemplos
GPS
UtilizaInterface Sonora,
visual e/ou háptica
Aviso de
Mudança de faixa
ExemplosControle ativo de
cruzeiro
Assistente de
estacionamento
Controle de
estabilidade
Sistemas pré-
Colisão
Assistente de
permanência na
faixa
Capaz apenas de
informar o usuário,
não há processo de
atuação
Definida como
Usa da tecnologia informativa para avisar
o motorista, entretanto quando necessário,
é capaz de atuar no veículo
Definida como
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Mapa Conceitual (Veículos autônomos)
11
Autônomo
Atuadores
Deliberativas
Híbridas
Reativas
Possíveis arquiteturas
de controle
Sensores
Precisam de
Ações são planejadas, passando
ou não por uma representação
interna do mundo ao redor
Ações baseadas
EXCLUSIVAMENTE nos
dados dos sensores
Basicamente
Basicamente
União das duas técnicas
RapidezPonto Forte
Capaz de solucionar
problemas mais
complexos
Ponto Forte
Usa os pontos fortes
das duas técnicas de
controle
Ponto Forte
Podem ser
Internos Externos
Via
CAN
Usando
estrutura
fabricada
Não invade
o espaço do
motorista
Invade o
espaço do
motorista
Proprioceptivos
Medem o
estado interno
do veículo
Encoders
IMU
Exteroceptivos
Percebem o
ambiente no
entorno
GPS
Bússola
LIDAR Única camada
Multiplas camadas
Camera Monocular
Estéreo
Cilíndrica
Omnidirecional
Ultrassom
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Mapa Conceitual (Desafios)
12
DESAFIOS Percepção
Algoritmos robustos de
Visão.
Fusão Sensorial
GPS+IMU
LIDAR+Camera
Encoders + bússola +
IMU
Navegação
Algoritmos robustos de
SLAM – Simultaneous
Localisation and Mapping
ReativaDeliberativa
Gerador de
trajetórias
Trajetórias livres de colisões
Trajetórias
permitidas livre de
colisão
Controle
deliberativo
Controle
Híbrido
Comunicação entre os módulos
deliberativos e reativos
Manobras
especiais
Curvas em U
Estacionamento
Paralelo
Garagem
Vagas anguladas
Representação do
conhecimento
Armazenamento e reuso
das informações
eficientemente
Tomada de Decisão
Modelagem das Regras de
Trânsito
Baseado em Regras
Baseado em
experiências
Algoritmos de
aprendizado robusto
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Objetivo
• Objetivo Geral:– Estudo e desenvolvimento de um sistema neural que seja capaz
de fazer com que um veículo, em um ambiente simuladobidimensional, realize a manobra de estacionamento paralelo deforma autônoma entrando na vaga com uma única manobra.
• Objetivos Específicosi. Estudar o estado da arte do problema de estacionamento
ii. Estudar e analisar a trajetória do veículo durante a manobra
iii. Estudar e aplicar técnicas de Aprendizado de Máquina (AM) -Redes Neurais Artificiais (RNA)
iv. Simular o sistema desenvolvido
13
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
14
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Estado da Arte
• Três categorias: diagonal, garagem e paralelo
15
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Estado da Arte (indústria)
16
1992
• PAS
• VolksWagen
2003
• IPAS
• Toyota
2006
• Parking Aid
• Bosch
2009
• Park4U
• Valeo
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Estado da Arte (Trabalhos Acadêmicoss)
17
• Muitos trabalhos investigados de 1994 à 2011– Técnicas de Inteligência Artificial
– Calculos númericos
– Trajetórias e controles
• 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)
Aprox. 38 trabalhos
foram investigados
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
18
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Modelo do Ambiente
• Representação do ambiente (Mapas)1. Mapa métrico
i. grades
ii. geométrico
2. Mapa topológico
3. Mapa híbridos (Buschka e Saffioti, 2004)
20
Mapa Métrico (grids) Mapa topológico (grafos) Mapa geométrico
(Chatila e Laumond, 2985)
Thrun (2002)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Modelo do Veículo (Cinemática)
• Restrições:
• Modelo cinemático
21
Zhu e Rajamani, 2006
Siegwart et al., 2011
Kochem et al. 2003
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Mini-veículo protótipo
• HELVIS (Hybrid Electric Vehicle in Low Scale)
22
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 PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Sensores
• Estimar a configuração do ambiente
– Planejar e realizar as tarefas
• Existem muitos sensores
• Os sensores são classificados em:
1. Proprioceptivos e exteroceptivos (meio em que
efetua a medição)
2. Passivo ou ativo (capturam os sinais)
23
Siegwarts e Nourbakhsh (2004)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Sensor Laser (Hokuyo URG-04LX)
• Light Detection and Ranging (LIDAR)
– Hokuyo URG-04LX
• Método de medição: tempo de vôo
25
Lee e Ehsani, 2008
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Sensor Inercial (IMU IG-500N)
26
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Simulação
• As pesquisas pode ser iniciadas em ambientes virtuais.
• Os simuladores são uma ferramenta importante para os pesquisadores.
27
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
Law e Kelton, 2000
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Simuladores de Robôs Móveis
• Simuladores disponíveis:– Microsoft Robotics Studio (Morgan, 2008);
– Player / Stage / Gazebo (Player, 2011; Rusu et al., 2007);
– SimRob3D (Heinen 2002).
28
SEVA 2D (Osório et al. 2002) SEVA 3D (Heinen et al. 2006b)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Simulador Desenvolvido
• Implementação do Simulador– Orientação à Objetos
– Linguagem C#
– Visual C# 2008
– RNA
• Matlab (DLL)
29
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Simulador Desenvolvido
• Interface do Simulador
30
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
31
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Aprendizado Supervisionado e
Redes Neurais
• Aprendizado de Máquina (AM)
– 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
Russel e Norvig (2004)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Redes Neurais Artificiais
• São modelos matemático-computacional inspirados no sistema
nervoso dos seres vivos e que possuem capacidade de adquirir
conhecimento através de experiências.
33
n
i
ii bxwgy1
Haykin (2001)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Arquiteturas de RNAs
34
Feedfoward de camada simples Feedfoward de múltiplas simples
Redes recorrentes Redes reticuladas
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Aspectos Topológicos da RNA
• Validação cruzada (5-fold cross-validation)
35
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Aspectos Topológicos da RNA
• Overfitting e Underfitting
• Parada antecipada (early stopping)
36
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Arquitetura de Aprendizado
• Aprendizado supervisionado
• Algoritmos– Resilient Propagation (RPROP)
– Levenberg-Marquardt (LM)
37
Dan Foresee e Hagan (1997)
Riedmiller e Braun (1993)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
38
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Abordagem do
Estacionamento Paralelo
• Três importântes etapas:
39
Dermili e Khoshnejad (2009)
1.Detectar vaga
2.Posicionar o veículo
3.Manobrar o veículo
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
1. Detectar a vaga
40
Wd 57,1
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
2. Posicionar o veículo
41
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Trajetória para manobrar o veículo
42
Hoyle (2003)
Herrmann (2003)
Roth (2009)
bbLRWp 2)^(2
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
3. Manobrar o veículo
43
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
44
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Sistema Neural Desenvolvido
• Controlador Neural
45
Osório et al. (2002)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Geração da base de dados
46
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Região estacionável
47
LP 67,1minWy 05,0
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Autômato Finito
• Facilita e agiliza a coleta de dados
• Fácil de implementar
49
Heinen et al. (2006a)
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Topologias candidatas (Estratégia 1)
50
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Topologias candidatas (Estratégia 2)
51
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural I
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Sem parede de auxílio
53
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural II
• Topologia candidata (estratégia 1)
– Sensores sem ruído
– Com parede de auxílio
54
Caso fácil
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural III
• Topologia candidata (estratégia 1)
– Sensores com ruído
– Sem parede de auxílio
55
Caso difícil
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural IV
• Topologia candidata (estratégia 1)
– Sensores com ruído
– Com parede de auxílio
56
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural V
• Topologia candidata (estratégia 2)– Sensores sem ruído
– Sem parede de auxílio
57
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural VI
• Topologia candidata (estratégia 2)– Sensores sem ruído
– Com parede de auxílio
58
Caso fácil
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural VII
• Topologia candidata (estratégia 2)– Sensores com ruído
– Sem parede de auxílio
59
Caso difícil
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Controlador Neural VIII
• Topologia candidata (estratégia 2)– Sensores com ruído
– Com parede de auxílio
60
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
61
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Demonstração da manobra (vídeo)
62
http://youtu.be/5_476rG03CE
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Medida de Similaridade
• Como avaliar o quão bem um veículo está estacionado na vaga?– Não existe nada na literatura.
63
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Medida de Similaridade
64
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 PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
65
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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 deestacionamento paralelo de forma autônoma entrando na vaga com uma únicamanobra
• 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
Universidade de São PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
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
67
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 PauloEscola de Engenharia de São Carlos
Grupo de MecatrônicaLaboratório de Robótica Móvel
Perspectivas Futuras
• Simulador tridimensional (C++, Ogre e Bullet)– Alunos da EEP (TCC) e da EESC (IC)
• Testes no mini-veículo HELVI (Equipar o veículo)– Aluno da EESC (Estágio)
• 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)
68
Em andamento
Em andamento
Em andamento
Universidade de São Paulo
Escola de Engenharia de São Carlos
Grupo de Mecatrônica
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