| dc.contributor | Alsina, Pablo Javier | |
| dc.contributor | http://lattes.cnpq.br/3562610725991826 | |
| dc.contributor | Nogueira, Marcelo Borges | |
| dc.contributor | Pedrosa, Diogo Pinheiro Fernandes | |
| dc.creator | Cavalcanti, Samuel | |
| dc.date | 2022-12-22T13:14:41Z | |
| dc.date | 2022-12-22T13:14:41Z | |
| dc.date | 2022-12-16 | |
| dc.date.accessioned | 2023-09-04T12:25:46Z | |
| dc.date.available | 2023-09-04T12:25:46Z | |
| dc.identifier | CAVALCANTI, Samuel. Sistema de controle para um Andador Robótico inteligente. Orientador: Pablo Javier Alsina. 2022. 55 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, Rio Grande do Norte, 2022. | |
| dc.identifier | https://repositorio.ufrn.br/handle/123456789/50464 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8600711 | |
| dc.description | This work is about creating a kinematic control to the smart robotic walker,
the system must be able to stabilize the robot in a desired position
in the environment without obstacles. This work aims to study and evaluate
machine learning algorithms
on creation of the kinematic model. First, a literature review about
machine learning in context of kinematic control was made. Second, the
simulation of the robot and the environment was builded with The robotics
simulator CoppeliaSim. Third, the control system was created.
Two kinematic models were created, both models obtained using supervised learning,
the parameters of the neural networks are the kinematics parameters or
inspired by the kinematic constraints. In order to training these networks
an algorithm to collect data from simulation
and another algorithm to preprocessing this data was made. The controller
is a feedback control with two proportional-integral-derivate (PID) controllers
with the parameters obtained empirically. The models were evaluated using the
analytical model and a test dataset. In order to evaluate the kinematic
control system, was observed the robot in your position stabilization
task where during the task the distance and angle between the robot and
the goal were measured, this task was executed four times with four different
desired positions.
The results of mean square error of the models in the test dataset and
the graphs of distance and angle shows that the models are equivalent.
The parameters of neural network
that have the kinematic equations, show that the wheel radius and the
distance between the wheels are proximately to the analytical solution, but
the machine learning model found another combination of wheel angles.
This work concluded in the literature review that classic approach
with PIDs is better than machine learning models, because of memory
and processing usage. This work concluded that creating a kinematic
control system though the analytical solution is more simpler than
with machine learning, and creating a neural network with the parameters
inspired by the kinematic constraints produces a model equivalent to
the analytical model. | |
| dc.description | O principal objetivo deste trabalho é criar um sistema de
controle para um andador robótico inteligente de acionamento diferencial.
O sistema deverá ser capaz de
mover o robô para uma posição desejada em um ambiente livre de obstáculos.
Este trabalho também visa estudar e avaliar algoritmos de aprendizado
de máquina na elaboração de um sistema de controle cinemático.
Primeiro foi feito um levantamento literário sobre a utilização de
aprendizado de máquina para criação de controladores cinemáticos em robôs moveis de acionamento
diferencial. Segundo foi construído uma versão do robô no simulador Coppeliasim.
Terceiro foi projetado um controlador cinemático, onde dois modelos
cinemáticos foram obtidos através dos treinamentos de duas
redes neurais artificiais. A quantidade de nós e funções de ativação
das redes neurais foram obtidas através das equações que limitam o movimento
cinemático do robô. Um modelo faz uma regressão não linear dos
parâmetros das equações, já outro modelo realiza uma regressão linear.
Os dados utilizados para o treinamento da rede são obtidos
através da criação de algoritmos de coleta de dados e pré-processamento.
Já o controlador utiliza uma abordagem
clássica que possui dois controladores
Proporcionais, integrais, derivativos (P.I.D),
onde ambos os parâmetros dos P.I.Ds foram obtidos empiricamente.
Para avaliar os modelos cinemáticos foi calculado o modelo analítico
e mensurado o erro quadrático
médio de todos os modelos em um conjunto de testes.
Para avaliar todo o sistema foi posicionado um alvo e observado o robô no
seu trabalho em chegar até alvo mensurando a distância do robô até o
alvo e o seu angulo ao longo do tempo. Os resultados do erro quadrático médio e os
gráficos de distância e angulo sobre o tempo
mostraram que os dois modelos cinemáticos são equivalentes ao modelo
analítico. Comparando os parâmetros do modelo que realiza a
regressão não linear com o modelo analítico,
percebe-se os parâmetros como os raios das rodas e a distância entre as rodas
se aproximaram da solução analítica. No entanto os modelos encontraram um
par de ângulos das rodas diferente da solução analítica.
Foi concluído durante o levantamento literário que
utilizar a abordagem clássica para criar um controlador é melhor do que
utilizar aprendizado de máquina no contexto deste trabalho. Aprendizado de máquia usa mais de memória e
processamento e possui resultados equiparáveis a abordagem clássica.
Foi concluído que encontrar o modelo cinemático de forma analítica é mais
simples do que usando algoritmos de aprendizado
de máquina, no entanto aplicar a modelagem de sistemas para encontrar
os números de camadas e funções de ativação de uma rede neural artificial
resultou em um modelo equivalente
a solução analítica. | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Universidade Federal do Rio Grande do Norte | |
| dc.publisher | Brasil | |
| dc.publisher | UFRN | |
| dc.publisher | ENGENHARIA DE COMPUTAÇÃO | |
| dc.publisher | DEPARTAMENTO DE ENGENHARIA DE COMPUTAÇÃO E AUTOMAÇÃO | |
| dc.subject | Aprendizado de máquina | |
| dc.subject | Robô de acionamento diferencial | |
| dc.subject | Controlador cinemático | |
| dc.subject | Machine learning | |
| dc.subject | Differential wheeled robot | |
| dc.subject | Kinematic control | |
| dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA | |
| dc.title | Sistema de controle para um Andador Robótico inteligente | |
| dc.type | bachelorThesis | |
