REDES NEURAIS APLICADAS A CONTROLE DE ROBÔS

Transcrição

1 RESUMO REDES NEURAIS APLICADAS A CONTROLE DE ROBÔS TCC apresentada para obtenção de título de especialista em Controle e Automação Israel Mazaira Fernando Coelho de Faria Corrêa 2 Willian Rebouças Jenei Silva Antônio Rachid Paulo Gomes Instituto Dados da Amazônia - IDAAM Universidade Gama Filho Área de Exatas Manaus AM Diversas são as tarefas desenvolvidas por robôs na indústria nos dias de hoje Os sistemas nos quais os robôs são empregados funcionam dentro de determinadas condições que permitem ao conjunto de mecanismos e controladores decidir as tarefas que devem ser feitas no processo produtivo Dentro das condições de trabalho nas quais os robôs são inseridos, existem problemas que nem sempre são previsíveis e, portanto, não constam nas soluções previamente estabelecidas para controle dos mecanismos Os robôs desenvolvidos atualmente dispõem de sistemas de visão, tato, detecção de obstáculos entre outros Com esses dados disponíveis, torna-se necessário que o robô aprenda e decida o que fazer diante dos mesmos Nessas situações, muitas vezes desconhecidas, podem ser aplicadas técnicas de redes neurais, que permitem ao equipamento avaliar das condições e tomar uma decisão adequada a cada situação Existem diversas técnicas e tipos de aplicações para Redes Neurais em diferentes dispositivos, incluindo a robótica O objetivo deste trabalho é mostrar algumas técnicas básicas de implementação destas redes e as características das mesmas INTRODUÇÃO As Redes Neurais são empregadas em sistemas de modelagem de processos para representação do conhecimento da planta e mapeamento de características Estas redes têm propriedade de obter mapeamentos funcionais não lineares, o que torna o seu uso interessante para aplicação em controle de processos em que são utilizados robôs O controle de robôs através das técnicas clássicas envolve conhecimento das equações que descrevem a dinâmica dos manipuladores Na modelagem dos mecanismos envolvidos num robô, surgem incertezas quanto ao levantamento dos modelos dinâmicos em função das dificuldades de obter modelos detalhados dos parâmetros mecânicos, das perturbações e das variações paramétricas nas diferentes condições de uso As dificuldades de modelagem matemática dos manipuladores trouxeram motivação no desenvolvimento e utilização de Redes Neurais Artificiais no controle dos robôs As redes neurais são mais facilmente aplicáveis em situações onde não é necessário o aprendizado de muitas informações do processo Nas estruturas em que as redes neurais assumem funções de auxílio ao controlador do manipulador (robô) com funções como controle de não linearidades, correção paramétrica, determinação de valores paramétricos, etc, a complexidade do sistema de controle diminui Fazer um levantamento de um conjunto de características de um mecanismo não é uma tarefa fácil, uma vez que as mesmas são descritas por equações não lineares multivariáveis Este artigo aborda características do uso de redes neurais em controle de robôs, visando viabilizar um entendimento das diferenças e vantagens do uso desta técnica nos diferentes tipos de mecanismos disponíveis REDES NEURAIS Uma Rede Neural Artificial (RNA) é constituída por um conjunto de unidades de processamento (chamadas de Neurônios) interligadas através de conexões Cada neurônio tem n terminais de entrada, que representam os dendritos, responsáveis pelo recebimento de sinais provenientes de outros neurônios e um terminal de saída, que representa o axônio, que tem a função de transmitir o sinal de saída para os demais neurônios da rede Cada terminal de entrada (dendrito) tem um peso, ou seja, uma função de transferência aplicada ao sinal transportado A todos os sinais presentes nas entradas do neurônio é aplicada a função de transferência do mesmo e o resultado é transferido para a saída (axônio), para que seja transportado para os neurônios subseqüentes ou para a saída do sistema

2 A obtenção da função de transferência de cada neurônio é feita através do treinamento, que consiste de um processo em que determinados valores são aplicados nas entradas e as funções de cada neurônio são alteradas até que os resultados sejam o mais próximo possível do esperado pelo programador As conexões entre os neurônios podem ser dos seguintes tipos: Feedforward: a saída de um neurônio na n-ésima camada da rede não pode ser usada como entrada de neurônios em camadas de índice menor ou igual a n Feedbac: a saída de algum neurônio na n-ésima camada da rede é usada como entrada de neurônios em camadas de índices menor ou igual a n, atuando como uma realimentação do sinal processado Para cada neurônio da rede pode ser feito também o ajuste de Bias Este ajuste consiste em uma adequação dos níveis elétricos a fim obter a aproximação entre os resultados obtidos no treinamento aos resultados esperados, de forma similar aos ajustes de peso feitos nas sinapses Arquiteturas de Redes (exemplos): In In 2 In 3 In 4 In In 2 In 3 In 4 out out 2 out 3 out 4 Fig 02 Feedforward de uma camada out out 2 Fig 03 Feedforward múltiplas camadas (multi-layer) Z - Z - Z - Z - Entrada Entrada 2 Fig 03 Rede com Feedbac Z - :Operador de atraso Nota: Existem redes multi-camadas nas quais há mais de duas camadas As camadas internas (que ficam entre as de entrada e de saída) são chamadas de camadas ocultas As redes com essas características são capazes de obter resultados com aproximações melhores do que as redes com duas camadas ou menos, porém, é difícil realizar a obtenção das características das camadas intermediárias Quando se utiliza um agente externo que fornece à rede o resultado desejado para determinado padrão de entrada, o processo recebe o nome de Aprendizado Supervisionado Quando não há este agente, chama-se Aprendizado Não Supervisionado ou Auto-Organização O algoritmo de aprendizado mais conhecido para treinamento de RNAs é o algoritmo bac-propagation, utilizado na maioria dos métodos de aprendizado O bacpropagation é um algoritmo supervisionado que utiliza pares (entrada e saída desejada) e, através de um mecanismo de correção de erros, ajusta os pesos da rede O treinamento e feito através de duas fases Na fase forward, é definida a saída da rede para um dado padrão de entrada e, na fase bacward, é realizada a comparação entre a saída desejada e a saída fornecida pela rede, para que seja feita a atualização dos pesos das conexões Seguem duas definições de Aprendizado em Redes Neurais: Aprendizagem é um processo no qual os parâmetros livres de uma rede neural são adaptados através de um processo de estimulação do meio-ambiente no qual a rede está inserida O tipo de aprendizagem é determinado pela maneira que ocorrem as mudanças nos parâmetros S Hayin Aprendizagem é vista como processo de otimização Isto é, aprendizagem consiste em um processo de busca de solução em um espaço multidimensional de parâmetros, em geral os pesos das conexões, que otimize uma dada função objetivo M Hassoun out out 2 Os elementos básicos dos neurônios artificiais são os seguintes:

3 Conjunto de Sinapses: Para cada sinapse, é estabelecido um peso w j, onde é o número do neurônio associado à sinapse e j é o número da sinapse Somador (): Realiza a combinação linear das sinapses de entrada Função de Ativação (): Função aplicada ao vetor v para geração da saída y A figura a seguir mostra as características físicas dos elementos descritos: Fig 04 Elementos da rede neural As definições matemáticas dos elementos das redes neurais são mostradas a seguir: u v n j W j In ; () j u b ; (2) y u b (3) Tipos de função de ativação Função Limiar (step):, para v 0 v (4) 0, para v 0 Função Linear por partes: v In In 2 In n v,,2,0 0,8 0,6 0,4 0,2 0, para v para 2 w w 2 w n 0, para v (v) Fig 05 Função Limiar 2 v 2 2 Bias (b ) v y (5),2,0 0,8 0,6 0,4 0,2 0 Fig 06 Função Linear Função Sigmóide (gráfico em forma de S ) Exemplos: Função Logística: v, onde a é o exp( av) parâmetro de inclinação da função Função Tg Hiperbólica: v tanh(v),2,0 0,8 0,6 0,4 0,2 0 Aprendizagem Fig 07 Função Sigmóide O processo de aprendizagem de uma rede neural é baseado na seguinte seqüência: São fornecidos valores às entradas da rede neural 2 Os Pesos Sinápticos e o Bias são ajustados para que as saídas sejam de acordo com os valores esperados (pré-estabelecidos) 3 A rede testa as saídas obtidas e compara com os valores pré-estabelecidos Não havendo coincidência entre os mesmos, são refeitos os ajustes de Pesos Sinápticos e Bias citados anteriormente Diversas são as topologias utilizadas na elaboração de redes neurais Algumas delas são: Correção de Erros: (v) (v) aumentando a Correção de Erros; Baseada em Memória; Hebbiana; Competitiva e, Boltzman O ajuste dos pesos sinápticos é obtido através da avaliação do erro

4 Uma ou mais Vetor de Entrada x(n) camadas de Neurônio y (n) d (n) nerônios de saída ocultos - + Fig 8: Diagrama de blocos de uma rede neural com um único neurônio na camada de saída x (n) x 2 (n) x n (n) Fig 9: Gráfico do fluxo de sinal do neurônio de saída O erro (diferença entre o valor esperado e o valor obtido) é determinado pela equação abaixo e ( n) d ( n) y ( n) (6) Para minimizar a função de custo (índice de desempenho) é utilizada a equação a seguir: ( n) e 2 ( n) (7) 2 A minimização da função de custo resulta na regra delta (também conhecida como Widrow-Hoff) O ajuste aplicado ao peso da sinapse w j no instante n é dado por: w ( n) e ( n) x ( n), j onde é a taxa de aprendizado Logo, j w w 2 w n j j j (8) w ( n ) w ( n) w (9) Baseada em Memória: v (n) () y (n) Neste processo, a aprendizagem é baseada dos dados de memória, onde estão armazenados os dados referentes às experiências passadas de um número n de exemplos padrão de pares de entrada e saída (x, d ), com variando de a n Baseando-se as características gerais da rede, a saída é considerada uma grandeza escalar Dado um vetor de testes qualquer, a rede responde em função dos dados presentes na rede vizinha a este vetor Existem dois elementos principais nesta estrutura: Critério para definir a vizinhança e; 2 Regra de aprendizado aplicada aos neurônios desta vizinhança - e (n) e (n) d (n) Regra do vizinho mais próximo: A vizinhança é definida como o padrão armazenado mais próximo do vetor de teste, ou seja, o vetor x v pertencente ao conjunto de N vetores [x, x 2,, x N ] armazenados na rede neural, é dito ser o vizinho mais próximo de x teste se: Min( x, xteste) d( xv, xteste), para,, N, onde d é a distância euclidiana Em 967, Cover e Hart usaram essa abordagem para definir padrões, com base em duas hipóteses: Os exemplos classificados (x i, d i ) são estatisticamente independentes e identicamente distribuídos; 2 O tamanho da vizinhança é infinitamente grande A regra de avaliação dos vizinhos mais próximos é baseada nas seguintes características: Identificação dos padrões mais próximos de x teste ; Ligar x teste à classe vizinha com características semelhantes que seja mais utilizada A avaliação e feita com base nas médias dos valores utilizados ou na prevalência das características das mesmas Hebbiana: O processo de aprendizagem Hebbiana é baseado no fato de que se dois neurônios ligados entre si por uma sinapse são ativados de forma simultânea, a força da sinapse é aumentada Por outro lado, se os neurônios são ativados de forma assíncrona, a força da sinapse é diminuída, podendo até ser eliminada Sinapses que atuam simultaneamente são chamadas Sinapses Hebbianas Uma rede neural Hebbiana caracteriza-se por ser dependente do tempo, da posição dos neurônios e também por ser muito interativa Nas redes neurais em geral, os ajustes dos pesos sinápticos em função do tempo (n) são dados pela equação: wj( n) F( y ( n), x j( n)), onde x j é sinal présináptico e x é o sinal pós sináptico Na rede Hebbiana, os ajustes são dados pela fórmula a seguir: w ( n) y ( n) x ( n) (0) j Onde é a taxa de aprendizado Considerando-se a hipótese de ocorrer covariância, é utilizada a fórmula expressa abaixo, a fim de evitar possíveis saturações na relação sináptica: j

5 w ( n) ( y ( n) y) ( x ( n) x) () j Sendo x e y os valores médios no tempo dos sinais pré sinápticos e pós sinápticos respectivamente Nas redes Hebbianas existe a característica de variação sináptica, ou seja, a sinapse torna-se mais ou menos ligadas em função das características dos sinais pré e pós sinápticos Competitiva Nas redes competitivas, cada elemento da rede (neurônio ou grupo de neurônios) compete com os demais para responder a um dado estímulo Nestas redes, cada neurônio ou grupo de neurônios adquire capacidade de responder a um determinado tipo de estímulo Dentre outras aplicações, as redes competitivas destacam-se por apresentar bons resultados na determinação de características estatisticamente semelhantes em padrões aplicados nas entradas Fig 0: Interpretação geométrica de um processo de aprendizagem de redes competitivas: os pontos ( ) representam os vetores de entrada e as cruzes ( ) os vetores dos pesos sinápticos Na figura da esquerda, temos o estado inicial da rede e na direita, o estado final Processos de Aprendizado aplicados em Redes Neurais Basicamente, os processo de aprendizagem utilizados em Redes Neurais são os chamados aprendizado com professor, aprendizado por reforço e aprendizado sem professor Aprendizado com professor (também chamado de Aprendizado Supervisionado) Este processo é caracterizado existirem valores conhecidos do fenômeno a ser avaliado (pares entradasaída) Os ajustes dos parâmetros da rede são feitos passo a passo, com base no sinal de erro; Existem padrões esperados (desejados) na saída, que são conhecidos como professor da rede neural ; j O treinamento da rede é realizado com o objetivo dos resultados obtidos no processo serem o mais próximo possível dos resultados esperados Uma vez feito o ajuste dos pesos sinápticos de forma a obter tais resultados, a rede atinge o ponto ótimo (ponto desejado) Aprendizado por Reforço O aprendizado por reforço tem as seguintes características: Possuem um índice de desenvolvimento escalar que avalia a saída referente a uma determinada tarefa; Com base neste índice, são ajustados os parâmetros da rede; O sinal de reforço de cada ambiente é estimado com base em várias visitas a cada estado; O ajuste paramétrico é finalizado quando as mudanças na estimativa de reforço se tornarem menores do que um valor pré-estabelecido para o sistema Aprendizado Sem Professor (também chamado de Aprendizagem Não Supervisionada) Robótica São características do Aprendizado sem Professor: Não possuem padrão esperado (professor) nem sinal de reforço do ambiente; Os parâmetros da rede são ajustados com base num sinal de erro não supervisionado ; O ajuste é finalizado quando o erro não supervisionado deixar de ter variação significativa A robótica é uma área de pesquisa na qual são aplicadas diversas tecnologias diferentes Para os diversos tipos de robôs existentes (veículos, braços, sistemas complexos) e diferentes formas de funcionamento, são necessários estudos de sistemas de locomoção, instrumentação, localização e controle e planejamento de ações, de forma a atender os diferentes tipos de aplicações dos diferentes robôs existentes Em diversas aplicações, a lógica computacional é de grande utilidade nos diferentes subsistemas dos robôs Em aplicações que funcionam dentro de padrões prédeterminados, a programação dos mecanismos pode ser feita de forma padronizada, estabelecendo-se previamente as ações a serem tomadas pelo sistema Em mecanismos mais complexos, existem situações em que não é possível estabelecer-se uma prédeterminação exata das ações a serem tomadas pelos robôs, de forma que se torna necessário um determinado grau de liberdade para que o dispositivo de controle tome decisões diferentes durante as atividades desenvolvidas Como exemplo de sistema em que as ações não podem ser precisamente descritas na programação, temos os equipamentos de inserção de componentes em placas, mecanismo de posicionamento de dispositivos móveis que operam em locais diversos, entre outros

6 Autômatos Adaptativos Em casos como os citados acima, são utilizados os Autômatos Adaptativos, que consistem em sistemas capazes de tomar diferentes tipos de decisão (adaptação) em diferentes processos automáticos Os autômatos adaptativos são normalmente baseados nas seguintes técnicas: Sinápticos: mais utilizado em sistemas onde se requer um processo ágil e sem observação detalhada do processo Reconhecimento de Padrões: Neste processo, é considerada uma matriz de pontos binarizados n m, como, por exemplo, a mostrada abaixo Esta matriz representa a forma do objeto a ser manipulado pelo sistema Como se pode observar na figura, a imagem obtida é de um objeto quadrado, que foi identificado em função de uma imagem disponível no sistema A partir dos dados disponibilizados nesta matriz, o robô avalia a forma do objeto a ser manipulado e posiciona-se de maneira adequada Redes Neurais: São aplicadas em sistemas onde as informações disponíveis nas entradas do sistema não têm um perfil que possa ser modelado previamente São aplicadas em situações em que seja necessária a adaptação do mecanismo de acordo com as condições locais e funcionais em que o mesmo se encontra Nas aplicações abordadas neste texto, os autômatos adaptativos consistem de Redes Neurais, treinadas em função das condições em que os sistemas (robôs) são utilizados Reconhecimento de Padrões Processos de Reconhecimento O objetivo do reconhecimento de padrões (também chamado de classificação) é distinguir entre os diversos tipos de padrões pré-estabelecidos em um sistema Este processo envolve desde a informação proveniente de um sensor até a classificação deste processo Em geral, a idéia de reconhecimento é associada à visão computacional, porém diversos outros tipos de aquisições de dados são utilizados, como por exemplo, ultra-som, infravermelho, entre outros Aos sinais adquiridos pelos sensores é aplicado o pré-processamento, onde os dados obtidos são codificados e devidamente adaptados às condições necessárias para o processamento Após a realização do pré-processamento, é feita a classificação propriamente dita, baseada em conjuntos de vetores característicos da imagem obtida Aplicações de Redes Neurais em controles de robótica Redes Neurais no controle de trajetória de Robôs A navegação (planejamento de trajetórias) de sistemas robóticos é feita com base em métodos que utilizam de maneira eficiente as informações perceptuais do ambiente externo Estas informações interferem diretamente no grau de autonomia do robô e são utilizadas para que um veículo se mova sem intervenção humana através de um ambiente sobre o qual não há informações disponíveis Basicamente, as etapas envolvidas no planejamento de uma trajetória de um robô móvel são: Planejamento da trajetória; Determinação do modelo cinemático; Execução do plano No planejamento, são determinados os pontos através dos quais o robô deve se locomover para cumprir sua meta O conjunto dos pontos estabelece uma trajetória Na determinação do modelo cinemático, é feito o mapeamento bidimensional (determinação de coordenadas) em ângulos de rotação A Execução do plano é o processo responsável pelo efetivo alcance dos pontos desejados e pela correção de eventuais desvios na trajetória previamente planejada, através de realimentação das informações obtidas pelo processo sensorial Problemas de planejamento Existem basicamente três maneiras de abordar o planejamento da trajetória de um robô: Robótica Clássica, Inteligência Artificial e Redes Neurais Artificiais Na Robótica Clássica, define-se matematicamente o modelo cinemático do robô e do ambiente onde ele será inserido Qualquer alteração do ambiente de trabalho do robô implica em um remodelamento matemático A Inteligência Artificial é baseada em princípios de busca heurística para solução dos problemas Neste processo, o robô determina sua trajetória a partir de dados disponíveis em gráficos ou árvores contendo estados válidos As Redes Neurais Artificiais consistem em um novo paradigma na solução do planejamento de trajetórias e na solução de ambigüidades (situações em que há mais

7 de uma solução possível) resultantes do modelo cinemático inverso Arquitetura para implementação de Redes Neurais Artificiais Para implementação de controle por RNA pode-se utilizar uma técnica baseada em três níveis: Especificação da Tarefa: Nesta etapa, o programador define o ponto de partida e o ponto de chegada do dispositivo É possível também fazer o acompanhamento da evolução do planejamento Sistema: Neste processo, é feito o planejamento inteligente da trajetória, com base em informações previamente armazenadas, regras pré-definidas e informações recebidas dos sensores Robô Móvel: Parte em que o planejamento é aplicado em ações de controle baseadas no modelo cinemático inverso A trajetória é definida à medida que o robô móvel avança Isso permite que o robô tenha comportamento reativo a qualquer mudança no ambiente Existem aplicações de controle de robôs em que mais de uma topologia é utilizada no sistema Por exemplo, pode-se utilizar Redes Neurais associadas à inteligência artificial ou à controle discreto Em um caso citado por [Barreto] e [Borba], o robô foi treinado inicialmente para atuar em um espaço sem obstáculos, fazendo uma pré definição do ponto inicial da trajetória até o ponto final da mesma Neste caso, aplicam-se informações de conhecimento antecipado (prévio) do ambiente no qual o robô se deslocará As características do ambiente são definidas através de uma matriz m n Para realizar o planejamento da trajetória do robô, define-se que o objetivo é sempre avançar para uma intersecção da matriz próxima ao ponto em que o robô se encontra Para esta tomada de decisão é necessário que seja feita uma análise das condições mecânicas (tamanho físico do robô, espaço disponível e condições mecânicas do robô para as decisões a serem tomadas) Chegada (3,5) Partida (,2) Obstáculo (3,3) Figura : Mapa da trajetória a ser realizada pelo robô Define-se, então, um conjunto de regras para coordenar os movimentos do robô Base de Regras (exemplo): Regra : SE (sensor detecta obstáculo) E (robô movimenta-se para frente) ENTÃO (movimentar robô para trás n passos) E (faça próxima_posiçãox não permitida) Regra 2: SE (próxima_posiçãox > posição_atualx+) OU (próxima_posiçãox < posição_atualx - ) ENTÃO retorne(insucesso) E (faça próxima_posiçãox não permitida) SENÃO (movimentar robô para frente) Regra 3: SE (próxima_posiçãox é não permitida) ENTÃO (número de barreiras = número de barreiras + ) Regra 4: SE (número de barreiras = m) ENTÃO retorne(insucesso) Regra 5: SE (trajetória pertence a base de trajetoria) ENTÃO (ler trajetória de menor custo da base de trajetoria) SENÃO (planejar nova trajetória) A partir da base de regras, define-se uma função de avaliação heurística f ( n) g( n) h( n), onde g(n) é a distância entre o ponto em que o robô se encontra e um dos pontos da próxima linha e h (n) é a distância entre o ponto pretendido (na próxima linha) e o ponto de chegada Uma vez definidos os pontos disponíveis para a trajetória, a rede neural entra com a função de um algoritmo de busca, a fim de determinar qual a melhor trajetória a ser feita Chegada (3,5) Partida (,2) Figura 2: Possibilidades de trajetória Encontrando algum obstáculo no caminho, o robô retorna à posição anterior e recalcula a trajetória a partir deste ponto O ponto visitado pelo robô passa a ser entendido como um ponto que não pode mais ser visitado No modelo adotado por [Barreto] e [Borba], foi utilizada uma rede não supervisionada, para obter algoritmos de rápida convergência Utilizou-se redes Maxnet e Selectron, baseadas no comportamento Limiar, de uma camada No sistema implementado, foi utilizado um computador Macintosh Performa 6200 A seqüencia de implementação é listada abaixo:

8 Passo : Discretização do espaço de trabalho e sua representação por espaço de estados Passo 2: Geração dos nós filhos para o próximo nível a partir do nó vencedor Passo 3: Cálculo do valor função de avaliação heurística f(n)= g(n) + h(n) para cada nó filho Passo 4: Definição da entrada da rede neural Ti = {f(), f(2), f(3),, f(n)}, onde n é o número de colunas e i =,, m Para o nosso problema específico: n=4 e m=5 Passo 5: Escolha do menor valor em Ti pela rede neural Passo 6: Efetua o movimento para o ponto escolhido Passo 7: Caso haja um obstáculo no ponto para onde o robô se dirige, o sensor de infravermelho o detectará o robô será forçado a retroceder para ponto anterior e uma nova trajetória será calculada Passo 8: Retorna ao passo 2 caso ainda não esteja sobre o ponto de chegada Um exemplo de resultados obtidos com o treinamento da rede sem obstáculos é mostrado na figura 3a Após o treinamento feito sem obstáculos, foi inserido na planta um obstáculo no ponto (2,3) Vale observar que as decisões são tomadas na medida em que o robô avança, de modo que ele não sabe, a princípio, onde os obstáculos se encontram (figura 3b) Redes Neurais em um robô Scara Em sistemas onde o mecanismo controlado é conhecido e pode ser modelado matematicamente para realização do controle, é possível determinar a modelagem de cada uma das partes para que o controle seja realizado de forma segura e eficiente através da programação das ações desejadas, baseando-se basicamente em modelagem de controle PI e PID Porém, nas aplicações práticas, existem sempre perturbações que não são conhecidas previamente e, logo, não entram no processo de modelagem das condições de trabalho do mecanismo Para tais perturbações, pode-se utilizar sistema de redes neurais que, de acordo com as características destas perturbações, tomam decisões de modo a compensar os efeitos causados Em uma aplicação realizada em um robô scara [Battistela e Pieri], foi utilizada uma rede neural que atua sem treinamento prévio, de modo que o treinamento é executado de forma on-line, de acordo com as características apresentadas no processo No caso citado, o controle aplicado ao mecanismo é baseado em um PI, e as decisões necessárias, decorrentes das variações e parâmetros não modelados, são tomadas pela rede neural Os sinais procedentes do PI e da rede são então combinados e aplicados ao controle do sistema, conforme mostrado na figura 4 Fig 3 a: Trajetória do robô sem obstáculos b: Trajetória do robô no meio com obstáculos Características como rapidez no treinamento online e capacidade de adaptação a mudanças no meio ambiente permitiram ao robô descobrir e aprender por si próprio o melhor caminho a ser percorrido entre os pontos de partida de chegada A rede Selectron mostrou-se mais adequado em todas as situações encontradas pelo robô Figura 4: Sistema de controle através de PD e Redes Neurais para um robô Scara O sinal de controle é resultado da operação uc n, sendo u c o sinal de controle procedente do PD e n o sinal procedente da rede neural n é obtido através do processamento do sinal u c associado à realimentação da saída do controlador O desempenho dos controladores PD e RNA são analisados em três condições distintas: condições nominais de operação; variações paramétricas e perturbações; e movimentação de uma carga de características desconhecidas pelo robô Neste processo, foi utilizada uma rede neural multi-layer de 4 camadas Na primeira camada, empregou-se 2 neurônios, sendo quatro dedicados aos valores de posição q, quatro à velocidade de rotação das juntas q e quatro ao valor de aceleração desejado q d Nas camadas intermediárias, foram empregados respectivamente 8 e 5 neurônios e na camada de saída, 4 neurônios, aplicados respectivamente à cada junta do manipulador

9 Figura 5: posição onde os neurônios da camada de saída atuam no Scara descrito A função de ativação utilizada nos neurônios foi tangente hiperbólica (obtida através da função sigmóide com ganhos elevados), em uma arquitetura bacpropagation Os valores iniciais de bias nas sinapses foram obtidos através de valores aleatórios entre 0, 05 e a taxa de aprendizagem empregada foi na ordem de 000 Nas figura abaixo, temos as características da posição de referência (6a) e das posições obtidas nas diversas situações analisadas de emprego de controle PI, RNA e conjunto PI e RNA (6b a 6g) a Referência de Posição b Controle PD nominal c Controle RNA nominal modelagem, representando, portanto, o dispositivo nas condições ideais As figuras b e c representam as performances dos controladores de juntas aplicados em PD e RNA Observou-se um erro na junta 3 em função de não considerar a ação da gravidade no movimento vertical do eixo Por sua vez, o controle neural apresentou um erro desprezível nesta situação, oferecendo uma compensação satisfatória no movimento do mecanismo Para levantamento das características dos movimentos e da atuação dos controladores PI e RNA, foram aplicadas perturbações de 20% do valor máximo permitido em momentos distintos, simulando possíveis situações de operação Nas figuras d e e, observa-se a atuação dos controladores diante das variações de parâmetros É visível que o controlador RNA não sofre influência significativa decorrente destas variações Em situações de variação de carga, obteve-se as respostas ilustradas nas figuras f e g O valor da carga não encontra-se no modelo descrito para o controlador A carga aplicada ao mecanismo manifesta-se como uma variação de massa no eixo vertical A RNA atua, neste caso, atuando compensação na variação de gravidade (braço+carga) No caso estudado, o controlador PD não apresenta condições de compensar o comportamento do mecanismo em função da gravidade Nas figuras 7 a e b, observ-se as ações dos controladores PD e RNA para variações paramétricas e perturbações sobre o mecanismo atuador Observa-se que o controlador neural apresenta característica mais oscilatória Esta característica é decorrente do fato de que as sinapses são ajustadas de acordo com as características das variações paramétricas e perturbações Além disso, o treinamento da rede neural é realizado através da observação do erro de posicionamento, e não leva em consideração variações de carga no dispositivo d Controle PD com perturbação e Controle RNA com perturbação f controle PD com variação carga g Controle RNA com variação carga Figura 6: Características de resposta das redes PI e RNA nas situações analisadas A figura 6a ilustra as características do dispositivo desprezando-se perturbações e imprecisões na Fig 7: Curvas de Resposta dos controladores PI (esquerda) e RNA (direita) Observa-se que o uso de RNAs no controle de robôs apresenta a vantagem de não ser necessário o controle da planta onde o mecanismo irá atuar, uma vez que os controles são auto-ajustados em função da resposta esperada e das características desconhecidas do meio em que o sistema é aplicado Para que exista uma atuação mais rápida em sistemas que empregam RNAs, é interessante que haja um treinamento prévio (em off-line), com emprego de simulações de condições de trabalho diversas Com isso, evita-se problemas de aplicar uma rede neural em um meio que apresente características que

10 não podem ser compensados com o treinamento disponível Além disso, evita-se problemas de respostas lentas em função do treinamento on-line CONCLUSÃO Atualmente observa-se emprego de robôs em atividades diversas, tanto na indústria como em processos de automação, construção e até mesmo na área médica, entre outras Diferentes condições de trabalho requerem diferentes tomadas de decisão e formas de compensação É normal observarmos que em situações extremas são aplicados dispositivos robóticos, como por exemplo, resgates, operações que oferecem alto risco ou que necessitam de velocidades altas para execução de tarefas Em todos os casos citados, têm-se condições locais que inviabilizam a modelagem matemática das situações O emprego de RNAs em controle de robôs viabiliza a aplicação destes em condições desconhecidas Os dispositivos desenvolvidos são designados para diferentes tarefas e diferentes condições de trabalho, em diversos tipos de aplicação Em função da dificuldade de avaliar os parâmetros externos e perturbações às quais os dispositivos são aplicados, torna necessária uma capacidade de adaptação que não pode ser pré determinada na confecção dos robôs Em função disso, os robôs que utilizam Redes Neurais apresentam vantagens sobre os que utilizam controle clássico ou Autômatos Adaptativos, uma vez que, nos casos citados, é necessário o conhecimento prévio das causas de perturbação dos sistemas A tendência observada nos sistemas produzidos é de que as redes neurais cada vez mais serão aplicadas em controles de dispositivos mecânicos de robótica, a fim de tornar os mesmos mais flexíveis para adaptação nas diferentes condições de trabalho requeridas BIBLIOGRAFIA ARAÚJO, ALUÍSIO F R Aprendizagem em Redes Neurais Biblioteca Digital Brasileira de computação - wwwlbddccufmgbr/bdbcomp/servlet/autor?id=7236-6, 2008 BATTISTELA, SANDRO; DE PIERI, EDSON R; STEMMER, MARCELO R IV Congresso Brasileiro de Redes Neurais Controle de Posição de um Robô Manipulador Utilizando Redes Neurais, pp , Julho 999; Instituto Tecnológico da Aeronáutica, São José dos Campos - SP - Brasil DYMINSKI, ANDREA S Redes Neurais e Aplicações em Engenharia, Universidade Federal do Paraná, 2007 HIRAKAWA, AR; SARAIVA, AM; CUGNASCA, CE IEEE Latin America Transactions, Vol 5, n o 7 Autômatos Adaptativos Aplicados em Automação e Robótica, Novembro 2007 HOFFMANN, LEANDRO T; CASTRO, ANA PAULA A; DEMÍSIO, JOSÉ S DA S Controle inteligente de um robô móvel utilizando imagens Instituto Nacional de Pesquisas Espaciais INPE LORENA, A C; APARECIDA, R; ROMERO, F Utilização de Modelos de Redes Neurais Associados a Imagens para Navegação de Robôs Móveis wwwsbcorgbr, 2002 PESSIN, GUSTAVO; OSÓRIO, FERNANDO; MUSSE, Soraia Utilizando Redes Neurais Artificiais no Controle de Robôs Móveis Aplicados ao Combate de Incêndios Florestais SABBATINI, RME Imitação da Vida: Inteligência e Robôs, wwwcerebromenteorgbr/n09/historia/robotshtm SILVA, LUCIANA L; VIAN, HENRIQUE A; TRONCO, MÁRIO L Navegação de Robôs Móveis Através de Modelagem de Ambientes Utilizando Rede Neural Hierárquica - wwwemc2006iprjuerjbr, 2006 TINOS, R Detecção e Diagnóstico de Falhas em Robôs Manipuladores Via Redes Neurais Artificiais Dissertação apresentada à Escola de Engenharia de São Carlos, Universidade de São Paulo, 999 BARRETO, GUILHERME DE A; ARAÚJO, F R; ROSA, MARCELO O Algoritmo de Busca Heurística Usando Redes Neurais Artificiais Para Planejamento Ótimo de Trajetória de um Robô Móvel Paper do Departamento de Engenharia e Teleinformática da Universidade Federal do Ceará, 2006 BARRETO, GUILHERME DE A; ARAÚJO; ARAÚJO, F R; ROSA; DÜCKER, C; RITTER, H Implementação de um Sistema de Controle para o Robô Puma 560 Utilizando uma Rede Neural Auto Organizável Revista Controle & Automação/Vol3 no2/maio, Jun, Jul e Agosto 2002