طراحي رهگيري مسير ربات متحرك با راهبرد دوگان كنترل پيشخور با شبكه‌ي عصبي كانولوشن و كنترل غيرخطي پسخور گسسته

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

امروزه با پيشرفت هوش مصنوعي و رو شهاي مبتني بر داده، علاو هبر رو شهاي مرسوم برنام هريزي مسير حركت ربات، كه بر پايه‌ي روشهاي محاسباتي هستند، روشهاي برنامه‌ريزي حركت مبتني بر داده و يادگيري ماشين نيز به‌كار گرفته ميشوند. در صنايع مختلف حل چالش مسيريابي و برنامه‌ريزي حركت رباتهاي سيار دو چرخ، براي حركت بر روي يك مسير ايمن بدون برخورد با موانع محيط، به‌طور يكه ربات با پيمايش مسير انتخاب شده در نهايت به نقطه‌ي هدف برسد، از اهميت ويژ هاي برخوردار است. در اين پايان نامه، مد ل آموزش ديده‌اي به‌كار گرفته ميشود كه از مجموعه‌ي داده‌هاي جمع‌آوري شده براي پيش‌بيني مسير مطلوب استفاده ميكند. براي مدل ياد شده، يك مدل شبكه‌ي عصبي كانولوشن پيشنهاد ميشود كه توانايي يادگيري نگاشت پيچيده‌ي داده‌هاي حسگر و بردار اطلاعات نقطه‌ي هدف (نقطه‌ي پايان مسير)، به كميتهاي سينماتيكي مطلوب را دارد. شبكه‌ي كانولوشن در يك الگوريتم كنترلي تركيبي به‌كارگرفته ميشود، كه شامل روشهاي كنترل كلاسيك و كنترل هوشمند است. پس از توليد كميتهاي سينماتيكي مطلوب به كمك بخش پيشخور هوشمند(شبكه‌ي عصبي كانولوشن)، از يك كنتر ل‌كننده‌ي پسخور زمان-گسسته‌ي كلاسيك براي همگرايي گامهاي محاسباتي به كميتهاي مطلوب (مرجع) استفاده ميشود. روش حل مساله با روش پيشنهادي در اين پژوهش داراي هفت گام اصلي ميباشد. در گام يكم از مجموعه‌اي از الگوريتم‌ها، براي جمع‌آوري داده به‌منظور آموزش مدل شبكه‌ي كانولوشن بر پايه‌ي يادگيري نظارت شده استفاده ميشود. ابتدا با توليد نقشه‌ي محيط و الگوريتم طراحي مسير پي.آر.ام، مسير حركت خواسته شده بدون در نظر گرفتن عامل زمان طراحي ميشود. سپس به‌وسيله‌ي معادله‌ هاي سينماتيكي ربات و كنترل‌كننده‌ي پيگرد محض كه يك كنترل‌كننده‌ي رديابي مسير هندسي ميباشد، حركت يك ربات دو چرخ براي پيمايش مسير طراحي شده شبيه‌سازي ميشود. در طول رهگيري مسير توسط ربات، داده‌هاي حسگر فاصله‌سنج و بردار اطلاعات هدف(نقطه‌ي پايان مسير)، به عنوان ورودي (ويژگي)هاي داده‌هاي آموزشي، و بردا ر سرعت‌خطي مركز جرم و سرعت چرخشي به عنوان خروجي (برچسب) داده‌هاي آموزشي شبكه ذخيره ميشوند. در گام دوم، با انتخاب تجربي ساختار شبكه‌ي عصبي كانولوشن، مدل طراحي شده به‌ كمك مجموعه‌ي داده‌هاي جمع‌آوري شده در گام يكم، آموزش داده ميشود. در گام سوم، پس از آموزش مدل شبكه و يافتن وزنها و پارامترهاي بهينه، عملكرد مدل با استفاده از مجموعه‌ي داده‌هاي آزمون، ارزيابي ميشود. در گامهاي چهارم و پنجم، فرآيند پس پردازش بر روي پيش‌بيني شبكه انجام ميشود كه دربرگيرنده‌ي تبديل كميتهاي سينماتيكي سرعت به كميتهاي سينماتيكي موقعيت و درو نيابي آنها، براي محاسبه‌ي مجموعه‌ي كميتهاي سينماتيكي مطلوب براي ورودي گام ششم است. در گام ششم، بخش پيشخور هوشمند انجام ميشود، كه با استفاده از خروجي گام قبل و ديناميك وارون، نيروهاي لازم براي رسيدن به كميتهاي سينماتيكي مطلوب را توليد ميكند. در گام پاياني اين الگوريتم، نخست به كمك روش خطي‌سازي پسخور، توصيف فضاي حالت سيستم خط يسازي ميشود و سپس به كمك كنترل پسخور حالت، خطاي موقعيت ربات كاهش مييابد. پس از همگرايي در حلقه‌ي دروني پسخور، به كمك يك حلقه‌ي بيروني، براي گام زماني بعدي به نقطه‌ي آغاز تكرار الگوريتم باز ميگردد، به‌طور يكه در نهايت، مسير پيش‌بيني شده توسط شبكه به‌وسيله‌ي ربات دنبال شود. نتايج حاصل از اين پايان‌نامه نشان ميدهد كه الگوريتم كنترلي تركيبي شامل مدل شبكه‌ي آموزش ديده، ديناميك وارون، و كنترل پسخور، ميتواند ربات را براي رسيدن به نقطه‌ي پايان از ميان موانع، هم در محيط آموزشي و هم در محيط‌هاي تغيير يافته هدايت كند. به‌طوركلي در پايان نامه‌ي حاضر، مجموعه‌ي داده‌ها به‌كمك شبيه‌سازي براي آموزش مدل شبكه‌ي كانولوشن جمع‌آوري ميشود و پس از آموزش مدل شبكه، الگوريتم تركيبي از شبكه‌ي كانولوشن، ديناميك وارون، و كنترل پسخور با هدف مسيريابي و دستيابي ربات به نقطه‌ي پايان در محيط با حضور موانع، به‌كار گرفته خواهد شد .

229619

طراحي كاربردي

مهندسي مكانيك

دانشگاه صنعتي اصفهان