Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.creator | Triana, Mario Andrés Pastrana | - |
Data de aceite: dc.date.accessioned | 2024-07-22T12:43:11Z | - |
Data de disponibilização: dc.date.available | 2024-07-22T12:43:11Z | - |
Data de envio: dc.date.issued | 2022-12-20 | - |
Data de envio: dc.date.issued | 2022-12-20 | - |
Data de envio: dc.date.issued | 2022-12-20 | - |
Data de envio: dc.date.issued | 2022-09-15 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/45350 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/809859 | - |
Descrição: dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2022. | - |
Descrição: dc.description | A navegação de robôs moveis é uma área de pesquisa com diferentes desafios tecnológicos, desde desenvolvimento mecânico, sensoriamento, até em termos de processamento computacional. Em particular, o controle de robôs móveis envolve sistemas complexos que para ser modelados é necessário ter conhecimentos em áreas correlatas a sistemas de controle. A metodologia de aprendizagem por demonstração permite projetar controladores mediante a imitação de comportamentos. Esta área é relevante devido a capacidade de solucionar problemas complexos de controle de robôs e às facilidades que a metodologia apresenta. Entretanto, a aplicação desta metodologia requer sistemas embarcados com uma adequada capacidade de processamento e baixo consumo energético. Nesse sentido, poucas pesquisas têm sido desenvolvidas visando explorar soluções em hardware no intuito de acelerar os algoritmos envolvidos no processo de treinamento da metodologia de aprendizagem por demonstração. Esta dissertação descreve o desenvolvimento da metodologia de aprendizagem por demonstração embarcada em hardware reconfigurável baseado num sistema em chip (SoC do inglês Sistem on Chip), aplicado a robótica móvel. Para o processo de aprendizagem foi usada uma rede neural de camada simples com capacidade de adaptação e para o treinamento da mesma foi usado o algoritmo de otimização por enxame de partículas. Para realizar uma validação metodológica foi desenvolvida uma plataforma robótica móvel de tração diferencial de pequeno porte chamada Maria, que esta constituída por um SoC FPGA (Field Programmable Gate Array), quatro sensores de distancia infravermelhos, dois encoders, dois micro-motores, entre outros componentes. Seguidamente, três micro-comportamentos foram ensinados, a saber, avançar para frente, girar no sentido horário e girar no sentido anti-horário. Apos o processo de treinamento, o estágio de imitação foi implementado e dezesseis experimentos foram conduzidos para cada um dos micro-comportamentos, obtendo dados estatísticos de cada comportamento ensinado. Adicionalmente, um protocolo experimental foi proposto para testar o robô em cenários desconhecidos, afim de avaliar as capacidades de abstração da rede neural adaptativa. O erro de trajetória para o micro-comportamento girar no sentido horário foi de 4.830𝑐𝑚2 , com um 100% de sucesso, do micro-comportamento girar no sentido anti-horário foi de 6.872,4𝑐𝑚2 , com um 75% de sucesso e 25% de falhas, e o erro para o micro-comportamento de avançar para frente foi de 202𝑐𝑚, com um 81,25% de sucesso e um 18,75% de falhas. Adicionalmente o consumo total de recursos da implementação da metodologia em hardware foi de 13.662 LookUp Table, 12 processadores digitais de sinais e 8.993 Flip Flops, uma dissipação de potencia de 1,336𝑊 com um tempo de execução para cada micro-comportamento de 9,1344𝑠. | - |
Descrição: dc.description | The navigation of mobile robots is a research area with different technological challenges, from mechanical development, sensing, and even in terms of computational processing. In particular, the control of mobile robots involves complex systems that, to be modeled, it is necessary to have experience in control systems. The learning from demonstration methodology allows designing controllers by imitating behaviors. This area is gaining strength because of its ability to solve complex control problems and its easy implementation. However, this methodology requires the development of embedded systems with good computational performance and low energy consumption. In this sense, the community has not conducted research projects to explore reconfigurable hardware to accelerate the algorithms involved in the training process. This work describes the development of the learning from demonstration methodology using embedded hardware applied to mobile robotics. A single-layer neural network with adaptiveness was used along with the particle swarm optimization algorithm were used for the learning process. To carry out a methodological validation, a small mobile robotic platform of differential traction called Maria was developed, which is constituted by a SoC FPGA (Field Programmable Gate Array), four infrared distance sensors, two encoders, two micro-motors, among others. components. Three micro-behaviors were taught move forward, rotate clockwise, and rotate counter-clockwise, After the training process, the imitation stage was implemented and sixteen experiments were conducted for each of the micro-behaviours, obtaining statistical data for each taught behavior.Additionally, an experimental protocol was proposed to test the robot in unknown scenarios, in order to evaluate the abstraction capabilities of the adaptive neural network.The trajectory error for the microbehavior to rotate in the direction clockwise was 4.830𝑐𝑚2 with a 100% success, the micro-behavior turning counterclockwise was 6.872,4𝑐𝑚2 with a 75% success and 25% failure, and the error for the micro-behavior moving forward was 202𝑐𝑚 with an 81,25% success rate and an 18,75% failure rate.Additionally, the total resource consumption of the methodology implementation in hardware was 13.662 LookUp Table, 12 digital signal processors and 8.993 Flip Flops, a power dissipation of 1,336𝑊 with a runtime for each micro-behavior of 9,1344s. | - |
Descrição: dc.description | Faculdade de Tecnologia (FT) | - |
Descrição: dc.description | Departamento de Engenharia Mecânica (FT ENM) | - |
Descrição: dc.description | Programa de Pós-Graduação em Ciências Mecânicas | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Aprendizagem por demonstração | - |
Palavras-chave: dc.subject | Robótica móvel | - |
Palavras-chave: dc.subject | Redes neurais artificiais | - |
Título: dc.title | Controle baseado em comportamento aplicado a robótica móvel usando hardware reconfigurável | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: