Robôs Móveis Autônomos

Transcrição

1 USP - ICMC - SSC Pós-Grad. CCMC SSC 5888 (RMA) - 1o. Semestre 2015 > 1o. Trimestre < 1 Março 2015 Disciplina de Robôs Móveis Autônomos SSC-5888 Prof. Fernando S. Osório - Grupo de Robótica Móvel LRM Laboratório de Robótica Móvel do ICMC-USP INCT-SEC: Instituto Nacional de C&T em Sistemas Embarcados Críticos CROB-SC: Centro de Robótica da USP de São Carlos fosorio [at] { icmc. usp. br, gmail. com } Web: Wiki: Aula 02 Aula 02 RMA: Robôs Móveis Autônomos Agenda: 1. Arquiteturas de Controle 2. Mapas: Construção e Uso (+localização) 3. Planejamento (+localização) 4. Navegação (+localização) 2 Março

2 Introdução RMA Robôs Móveis Autônomos Conceitos Básicos... Introdução aos Sistemas Robóticos SENSORES ATUADORES CONTROLE INTELIGENTE Ciclo: - Percepção [ Planejamento / Decisão ] - Ação Tarefas: 3 Mario Localização (Pose) - Mapas (criar, usar) - Planejar Rotas - Desviar de Obstáculos Percepção Decisão - Ação Laço: Percepção Decisão - Ação Autonomia Percepção: Humana / Robô Decisão: Humana / Robô Ação: Humana / Robô Percepção Decisão Ação Sensores Processamento Motores Autômato - - R Tele-Operado H H R Semi-Autônomo H/R H/R R Autônomo R R R H: Humano R: Robótico 4 Março

3 Arquiteturas de Controle Arquitetura de Controle: Reativo Percebe => Age Deliberativo Planeja/Decide => Age Agentes Autônomos dotados de SENSORES e ATUADORES Reativo: Sensorial Motor Planejamento Deliberativo 5 Abril 2010 Arquiteturas de Controle ARQUITETURAS HÍBRIDAS 6 [J. Okamoto Jr & V. Grassi Jr., 2012] Abril

4 Arquitetura de Controle Reativo Puro Controle Reativo Puro Controle: Percepção [ => Decisão => ] => Ação Reativo: Percepção => Ação - Reage diretamente aos estímulos externos; - Esquema sensorio-motor; 7 Comportamentos e Tarefas típicas: Reactive Behaviour - Vagar pelo ambiente, evitando colisões e obstáculos; - Acompanhar uma parede ou corredor; - Comportamento direcionado pela luz; - Ir em direção a uma determinada orientação Composição de Comportamentos: Direção x Obstáculo Sensores e Atuadores: Simulação Robótica Autônoma Inteligente Simuladores [Clássicos] Simulador do Khepera / SIM 2.0 Unix / Olivier Mitchell / INRIA Sophia Antipolis 8 Março 2011 Sensores: 8 IR / Atuadores: 2 motores com cinemática diferencial F.Osório 1997/98 (Ph.D.) 4

5 Sensores e Atuadores: Simulação Simulador do Khepera Robô Khepera 9 > 2 DC brushed servo motors with incremental encoders Março 2011 > 8 infrared proximity and ambient light sensors (SFH900) Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS Reativo: Integração Sensorial-Motora Controle Reativo S2 S1 S0 M1 S7 S3 S4 S5 M2 S6 IF S1 < Limite and S2 < Limite and S3 < Limite and S4 < Limite THEN Action (Go_Forward) IF S1 < Limite and S2 < Limite and S3 > Limite and S4 > Limite THEN Action(Turn_Left) IF S2 > Limite and S3 > Limite and S2 > S3 and S1 > S4 THEN Action(Turn_Right) 10 Evitar colisões e obstáculos Sensorial-Motor: Sentir => Agir 5

6 Arquitetura de Controle: Reativo 11 CONTROLE: Arquiteturas REATIVAS Reativo: Integração Sensorial-Motora S0 S1 M1 S7 S2 S3 M2 S6 S4 S5 Sensores: 8 - S0 à S7 Comandos: 3 ações (L=Turn Left, F=Forward, R=Turn Right) S0 S1 S2 S3 S4 S5 S6 S7 L F R Evitar 6 colisões 0 3 e obstáculos Sensorial-Motor: Sentir 1 => 0 Agir 0 1 Controle Reativo IF S1 < Limite and S2 < Limite and S3 < Limite and S4 < Limite THEN Action (Go_Forward) IF S1 < Limite and S2 < Limite and S3 > Limite and S4 > Limite THEN Action(Turn_Left) IF S2 > Limite and S3 > Limite and S2 > S3 and S1 > S4 THEN Action(Turn_Right) Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS Reativo: Integração Sensorial-Motora Controle Reativo IF S1 < Limite and S2 < Limite and S3 < Limite and S4 < Limite THEN Action (Go_Forward) IF S1 < Limite and S2 < Limite and S3 > Limite and S4 > Limite THEN Action(Turn_Left)? IF S2 > Limite and S3 > Limite and S2 > S3 and S1 > S4 THEN Action(Turn_Right) 12 Evitar colisões e obstáculos Sensorial-Motor: Sentir => Agir 6

7 Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS Reativo: Integração Sensorial-Motora Controle Reativo Se Longe_Demais(Dist_Parede) Então Gira_Direção(Lado_da_Parede); Se Próximo_Demais(Dist_Parede) Então Gira_Direção(Lado_Oposto_da_Parede); Se Distância_Adequada(Dist_Parede) Então Move_Para_Frente(); 13 Seguir o contorno de uma parede Sensorial-Motor: Sentir => Agir Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS* Reativo: Integração Sensorial-Motora Técnicas: - Desvio reativo de Obstáculos - Campos Potenciais Problemas... Evitar colisões e obstáculos Seguir em direção a um alvo Sensorial-Motor: Sentir => Agir * Reativo não puro baseado em informações externas LOCAIS Houston, we have a problem! >> Mínimos Locais >> Passado, Memória e Contexto Alternância: Oscilação Esq, Dir, Esq, Dir, Esq, Dir,

8 Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS* Reativo: Integração Sensorial-Motora Problemas... Houston, we have a problem! >> Mínimos Locais >> Passado, Memória e Contexto 15 Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS* Reativo: Integração Sensorial-Motora Técnica: Campos Potenciais Evitar colisões e obstáculos Seguir em direção a um alvo Sensorial-Motor: Sentir => Agir * Reativo não puro baseado em informações externas 16 Força de Atração Força de Repulsão 8

9 Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS* Reativo: Integração Sensorial-Motora Técnica: Campos Potenciais Evitar colisões e obstáculos Seguir em direção a um alvo Sensorial-Motor: Sentir => Agir * Reativo não puro baseado em informações externas 17 Forças Combinadas: Força de Atração + Força de Repulsão Potential Fields Tutorial Michael A. Goodrich Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS* Reativo: Integração Sensorial-Motora Técnica: Campos Potenciais Evitar colisões e obstáculos Seguir em direção a um alvo Sensorial-Motor: Sentir => Agir * Reativo não puro baseado em informações externas PROBLEMA DO MÍNIMO LOCAL 18 Forças Combinadas: Força de Atração + Força de Repulsão 9

10 Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS Reativo: Múltiplos Robôs => Boids / Steering [Craig Reynolds] Boids: Steering Behaviours: 19 Arquitetura de Controle: Reativo CONTROLE: Arquiteturas REATIVAS* Reativo: Em Direção ao Deliberativo... ROBO CODE 20 /** * Fire when we see a robot */ public void onscannedrobot(scannedrobotevent e) { fire(1); } /** * We were hit! Turn perpendicular to the bullet, * so our seesaw might avoid a future shot. */ public void onhitbybullet(hitbybulletevent e) { turnleft(90 - e.getbearing()); } 10

11 Arquitetura de Controle Deliberativo Controle Deliberativo Puro Controle: [Percepção =>] Conhecimento e Decisão => Ação Deliberativo: Planeja, Delibera => Ação - Possui conhecimento sobre a situação do robô e do ambiente; - Usualmente baseado no uso de mapas e planejamento de trajetórias. Tarefas típicas: Behaviour : Task Planning, Action Sequence 21 - Execução de scripts de ações planejadas previamente; - Executar uma seqüência de ações previamente determinada; - Seguir trajetórias especificadas com uso de mapas; - Execução de Tarefas de Alto Nível; Arquitetura de Controle Deliberativo Controle Deliberativo MAPAS DO AMBIENTE: Métrico / Topológico - Mapa Métrico do tipo GRADE (Grid, Mapa de Ocupação) - Mapa Métrico do tipo GEOMÉTRICO (Geometria do Ambiente) 22 Farlei Heinen,

12 Planejamento de Trajetórias Pré-Planejamento: Controle Deliberativo Planejamento na I.A. Clássica: Se for possível identificar um estado inicial e garantir uma seqüência de ações que me levam de um estado a outro até um estado final conhecido... Planejamento Malha Aberta Script de Ações. Exemplo: Frente (100cm), GiraEsq (90º), Frente (500cm), GiraDir(45º) 23 Março 2009 Planejamento de Trajetórias Planejamento: Usando o Mapa Topológico Planejamento em um mapa topológico hierárquico Março 2009 Planos: Ir de 1 até Ir de até 1.3:

13 Planejamento de Trajetórias Planejamento: Usando o Mapa Topológico Planejamento em um mapa topológico do tipo grafo 25 Março 2009 Algoritmo de Dijkstra: Planejamento de Trajetórias Planejamento: Usando o Mapa Topológico Planejamento em um mapa topológico do tipo grafo 26 Março 2009 Algoritmo de Dijkstra: 13

14 Planejamento de Trajetórias Planejamento: Usando o Mapa Topológico Planejamento em um mapa topológico do tipo grafo 27 Março 2009 Algoritmo de Dijkstra: Planejamento de Trajetórias Planejamento: Usando o Mapa Topológico Planejamento em um mapa topológico do tipo grafo 28 Março 2009 Algoritmo de Dijkstra: 14

15 Sensores e Atuadores: Simulação SIMROB2D Referência: Farlei Heinen (Orientador: Fernando Osório ) Robótica Autônoma: A integração entre planificação e comportamento reativo Sensores: 5 IR / Atuadores: 2 motores (diferencial) 29 Março 2011 Fernando Osório, Farlei Heinen (TCC) Arquitetura de Controle: Deliberativo SIMROB2D Espaço de Configuração MAPA DO AMBIENTE - Geometrico Grafo de Visibilidade 30 15

16 Arquitetura de Controle: Deliberativo SIMROB2D Caminho Ótimo no Grafo: Djikstra Grafo de Visibilidade 31 Arquitetura de Controle: Deliberativo PLANEJAMENTO DE TRAJETÓRIAS Baseado em Mapas Múltiplos Algoritmos Navegação baseada em Mapa de Ocupação: Planejamento A* Navegação baseada em Mapa Geométrico: Grafo+Dijkstra 32 Navegação baseada em Mapa Geométrico: Diagramas de Voronoi Farlei Heinen,

17 Controle Robótico Inteligente: Deliberativo A* Search: [Tutorial SBGames07] Busca Heurística de Caminhos 33 [Matthews 2003] Controle Robótico Inteligente: Deliberativo A* Planejamento de Trajetórias [Tutorial SBGames 2007] 34 17

18 Controle Robótico Inteligente: Deliberativo A* Search: [Tutorial SBGames07] Busca Heurística de Caminhos [Lester 2004, 2007] 35 Controle Robótico Inteligente: Deliberativo A* Search: [Tutorial SBGames07] Busca Heurística de Caminhos Custo de um Caminho F(x) = G(x) + H(x).:. G = Percorrido, H = Estimado 36 18

19 Planejamento de Trajetórias Planejamento: Usando o Mapa de Ocupação Planejamento em um Grid: Uso do D* The D* algorithm (Dynamic A*) plans optimal traverses in real-time by incrementally repairing paths to the robot s state as new information is discovered. It is widely used in vehicle navigation applications. In several navigation and exploration applications, the environment is not known prior to pathfinding. A* needs to know the MAP to (pre)plan. D* is an incremental algorithm. 37 Março 2009 Reference: The Focussed D* Algorithm for Real-Time Replanning Anthony Stentz - Robotics Institute - Carnegie Mellon University, 1995 Planejamento de Trajetórias Planejamento: Usando o Mapa de Ocupação Planejamento em um Grid: Uso do D* [Stentz 95] 38 Março

20 Controle Robótico Inteligente: Deliberativo A* Search: [Tutorial SBGames07] Busca Heurística de Caminhos Custo de um Caminho F(x) = G(x) + H(x).:. G = Percorrido, H = Estimado MAPA: Custo do Terreno a ser Atravessado 39 Arquitetura de Controle: Deliberativo CONTROLE: Arquiteturas Deliberativo Deliberativo: Planejamento Técnicas: - Grafo de Visibiliade - Voranoi - A*... Problemas... Seguir em direção a um alvo Planejamento de Trajetória com Mapa * Deliberativo puro baseado em informações externas GLOBAIS Houston, we have a problem! >> Mapas com informações imprecisas >> Obstáculos Dinâmicos (não mapeados) >> Erros de localização do robô 40 Localização => Tem que ser precisa! Mapa do Ambiente => Tem que ser exato! 20

21 Arquiteturas de Controle Arquitetura de Controle: Reativo Percebe => Age Deliberativo Planeja/Decide => Age Agentes Autônomos dotados de SENSORES e ATUADORES Reativo: Sensorial Motor Planejamento Deliberativo 41 Abril 2010 Arquiteturas de Controle Reativo: Sensorial Motor Planejamento Deliberativo 42 Março

22 Arquitetura de Controle CONTROLE: Arquiteturas Reativas Ambas possuem problemas e limitações! CONTROLE: Arquiteturas Deliberativas Solução? Buscar aproveitar o que de melhor tem cada uma das duas abordagens... SISTEMAS HÍBRIDOS! 43 Arquiteturas de Controle ARQUITETURAS HÍBRIDAS 44 [J. Okamoto Jr & V. Grassi Jr., 2013] Abril

23 Arquiteturas de Controle Controle e Autonomia Arquiteturas de Controle Robótico Arquitetura Reativa Arquitetura Deliberativa Arquitetura Hierárquica Arquitetura Híbrida Controle => Tomada de Decisão para Realizar Ações Arquitetura => Modelo de Tomada de Decisão Autonomia => Independência e Robustez na Tomada de Decisões 45 Abril 2010 Arquiteturas de Controle Híbridas Controle Hierárquico Vertical Hierarquia de Comportamentos: - Evitar/Desviar de obstáculos - Seguir em uma determinada direção - Seguir uma determinada rota 46 Abril

24 Arquiteturas de Controle Híbridas Controle Hierárquico Vertical Brooks - Arquitetura Subsumption 47 Abril 2010 Figures From: Brooks, R. A. MIT A.I. Memo 864 Sept Arquiteturas de Controle Híbridas Controle Hierárquico Arquiteturas Hierárquicas Verticais Brooks-Subsumption Arquitetura Hierárquicas Horizontais SMPA Sense Model - Plan - Act 48 Abril

25 Arquiteturas de Controle Híbridas Controle Hierárquico/Híbrido: SMPA Controle Híbrido Farlei Heinen 49 Abril 2010 PLAN: Dijkstra ACT & ReACT Arquiteturas de Controle Híbridas Arquiteturas Híbridas Controle Híbrido: Arquitetura com Estados Internos (Autômato) 50 Abril

26 Sensores e Atuadores: Simulação SEVA2D Simulador de Estacionamento de Veículos Autônomos 2D 51 Março 2011 Sensores: 6 sensores de proximidade Atuadores: atuador de direção (steering) e de aceleração (gas pedal) + frente/ré Cinemática do tipo Ackerman (veículo) / Sem simulação da dinâmica do veículo Fernando Osório, Farlei Heinen (Seminco, SBRN 2002) Sensores e Atuadores: Simulação SEVA3D Simulador de Estacionamento de Veículos Autônomos 3D Searching Parking Space Positioning Outside Entering Positioning Inside Aligning 52 Março 2011 Sensores: Sonar (configurável pelo usuário) e Odômetro Atuadores: Cinemática Ackerman (velocidade e giro da direção) 26

27 Autômato SEVA: Estacionamento Autônomo SEVA-A: Autômato de Controle Procurando_Vaga Posicionando Entrando_Vaga Posicionando_Vaga Parado Alinhando Otimizando_Vaga 53 Autômato de estados finitos (FSA): Estado E, Sensores S => Estado E, Comando C Autômato SEVA: Estacionamento Autônomo Se Estado_Atual(Procurando_Vaga) e Próximo_ao_Obstáculo(V[4]) e Próximo_ao_Obstáculo(V[5]) Então Speed = Avanço_Rápido e RotVel = Direção_Reta; Se Estado_Atual(Procurando_Vaga) e Longe do_obstáculo(v[2])e Longe do_obstáculo(v[3]) e Longe do_obstáculo(v[4]) e Longe do_obstáculo(v[5]) Então Troca_Estado(Posicionando) e Inicializa(Odômetro); Se Estado_Atual(Posicionando) Então Speed = Avanço_Rápido e Rotvel = Direção_Reta; Se Estado_Atual(Posicionando) e Longe_do_Obstáculo(V[4]) e Deslocamento_Suficiente(Odômetro) Então Estado_atual(Entrando_Vaga) e Inicializa(Odômetro); Se Estado_Atual(Entrando_Vaga) Então Speed = Ré_Rápida e RotVel = Giro_Esquerda_Max; 54 Problemas: Usuário deve explicitar as regras, estas regras são pouco robustas, estão sujeitas a erros, são pouco flexíveis e de difícil adaptação a novas situações; 27

28 Sensores e Atuadores: Simulação SEVA3D Simulador de Estacionamento de Veículos Autônomos 3D Searching Parking Space Positioning Outside Entering Positioning Inside Aligning 55 Março 2011 Sensores: Sonar (configurável pelo usuário) e Odômetro Atuadores: Cinemática Ackerman (velocidade e giro da direção) Sensores e Atuadores: Simulação SEVA3D Simulador de Estacionamento de Veículos Autônomos 3D Fernando Osório Farlei Heinen Milton Heinen (IJCNN 2006) 56 Março 2011 Sensores: Sonar (configurável pelo usuário) e Odômetro Atuadores: Cinemática Ackerman Usual: 6 sonares com posições específicas, odômetro, controle de velocidade e de giro da direção 28

29 Arquiteturas de Controle Híbridas Arquiteturas Híbridas Controle Híbrido: Arquitetura com Estados Internos (Autômato + Rede Neural) DECISÃO 57 Abril 2010 Sensores e Atuadores: Simulação SIMROB3D Simulador de Robôs 3D / Controle Híbrido COHBRA 58 Março 2011 Sensores: Bumper, IR ou Sonar (configurável pelo usuário) Atuadores: Cinemática diferencial ou Ackerman (configurável pelo usuário) Fernando Osório, Farlei Heinen (M.Sc.) 29

30 Sensores e Atuadores: Simulação SIMROB3D Simulador de Robôs 3D / Controle Híbrido COHBRA 59 Sensores: Bumper, IR ou Sonar (configurável pelo usuário) Atuadores: Cinemática diferencial ou Ackerman (configurável pelo usuário) Março 2011 Sensores e Atuadores: Simulação SIMROB3D Simulador de Robôs 3D / Controle Híbrido COHBRA 60 Março 2011 Sensores: Bumper, IR ou Sonar (configurável pelo usuário) Atuadores: Cinemática Diferencial ou Ackerman (configurável pelo usuário) Fernando Osório, Farlei Heinen (M.Sc.) 30

31 Arquiteturas de Controle Híbridas Controle Híbrido Robusto COHBRA / SimRob3D 61 Abril 2010 Arquiteturas de Controle Híbridas Controle Híbrido Robusto COHBRA / SimRob3D Mapa: Geométrico, Grade, Topológico Auto-Localização Planejamento de Trajetória Desvio de Obstáculos 62 Abril 2010 Controle Híbrido Reativo / Deliberativo 31

32 Arquiteturas de Controle Híbridas Arquiteturas para Robôs Móveis Autônomos Referências do Material Apresentado: HEINEN, Farlei ; OSÓRIO, Fernando S.. HyCAR - A Robust Hybrid Control Architecture for Autonomous Robots. In: HIS Hybrid Intelligent Systems, 2002, Santiago do Chile. Soft Computing Systems - Design, Management and Applications. Frontiers in Artificial Intelligence and Applications Series: IOS Press, v. 87. p ( usp / guest ) [Arquitetura COHBRA] Farlei Heinen. Sistema de Controle Híbrido para Robôs Móveis Autônomos [SimRob3D / COHBRA] Dissertação (Mestrado em Computação Aplicada) - Universidade do Vale do Rio dos Sinos Orientador: Fernando Santos Osório. HEINEN, Milton Roberto ; OSÓRIO, Fernando S. ; HEINEN, Farlei ; KELBER, Christian. SEVA3D: Autonomous Vehicles Parking Simulator in a three-dimensional environment. INFOCOMP (UFLA), v. 6, p , HEINEN, Milton Roberto ; OSÓRIO, Fernando S. ; HEINEN, Farlei ; KELBER, Christian. SEVA3D: Using Artificial Neural Networks to Autonomous Vehicle Parking Control.. In: IJCNN IEEE International Joint Conference on Neural Networks, 2006, Vancouver. Proceeding of the WCCI (World Congress on Computational Intelligence) - IJCNN. Vancouver, Canadá : IEEE Press, v. 1. p Farlei Heinen. Robótica Autônoma: Integração entre Planificação e Comportamento Reativo [SimRob2d] Trabalho de Conclusão de Curso. (Graduação em Informática) Univ. do Vale do Rio dos Sinos. Orientador: F. Osório Abril 2010 Luciane Fortes. Aplicação de Técnicas de Aprendizado para o Controle Inteligente de Veículos Autônomos Trabalho de Conclusão de Curso. (Graduação em Informática) Univ. do Vale do Rio dos Sinos. Orientador: F. Osório. Arquiteturas de Controle Híbridas Arquiteturas para Robôs Móveis Autônomos Demos do Material Apresentado: (software) Java Demo Dijkstra Java Demo Dijkstra Expanded A Star (A*) A* Demo1: A* Demo2: A* Demo3: A* Demo4: A* Descrição: Tutorial SBGames 2007 Campos Potenciais Demo Java: Intro: Intro: 64 Abril 2010 Comportamentos: Boids: Steering Behaviours: (Crayg Reynolds) Complementos: Wikipedia, A*_search_algorithm, D*_search_algorithm, Dijkstra's_algorith 32

33 Mapas Construção e Uso * Tipos de Mapas Mapas Sensorial, Mapa Métrico (Geométrico, Grade de Ocupação), Mapa Topológico, Informações Semânticas * Mapeamento Geração de Mapas de Ocupação Geração de Mapas Geométricos Geração de Mapas Topológicos * Navegação baseada em Mapas Planejamento de Trajetórias Desafios e Problemas de Navegação 65 Mapas Construção e Uso Controle de Robôs Móveis Autônomos Localization "Position" Global Map Cognition Environment Model Local Map Perception Real World Environment Path Motion Control? 66 33

34 Mapas Construção e Uso Controle de Robôs Móveis Autônomos Perception? position Position Update (Estimation?) Encoder Prediction of Position (e.g. odometry) YES matched observations Map data base predicted position Matching 67 Odometry, Dead Reckoning Localization base on external sensors, beacons or landmarks Probabilistic Map Based Localization Perception Observation raw sensor data or extracted features Mapa Sensorial -Armazena os dados brutos obtidos a partir dos sensores: Nuvem de pontos (Sonar, IR, Laser) ou mesmo Imagens - São mapas baseados em leituras diretas dos sensores, permitindo conectar de modo mais direto possível a representação do ambiente com as leituras sensoriais -A idéia básica é fazer medidas sensoriais conectadas com a informação de odometria, e então usar uma técnica como servo-controle: Sensor-Based Servoing E.g. Image-Based Servoing ou Visual Servoing [Dudek/Jenkin 2000 Seções 7.3 e 8.1] 68 34

35 Mapa Sensorial -Armazena os dados brutos obtidos a partir dos sensores: Nuvem de pontos (Sonar, IR, Laser) ou mesmo Imagens 69 Wikipedia: LIDAR Mapa Sensorial -Armazena os dados brutos obtidos a partir dos sensores: Nuvem de pontos (Sonar, IR, Laser) ou mesmo Imagens 70 Sensor-Based Servoing 35

36 Mapa Sensorial -Armazena os dados brutos obtidos a partir dos sensores: Nuvem de pontos (Sonar, IR, Laser) ou mesmo Imagens 71 Sensor-Based Servoing [Matsumoto, Inaba, Inoue 1996] Mapa Métrico - Armazena uma descrição métrica do ambiente. - Tipos de Mapas Métricos: Mapa de Ocupação (e.g. grid 2D) Mapa Geométrico 2D (e.g. planta baixa 2D) Mapa Geométrico 3D (e.g. representação em VRML do ambiente) - Os mapas métricos podem ser definidos a priori e fornecidos ao robô, mas também podem ser obtidos (construídos) pelo próprio robô a partir de suas leituras sensoriais do ambiente. - Mapas métricos devem respeitar as dimensões e relações de tamanho e distância entre objetos e elementos presentes no ambiente

37 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa de Ocupação Grade 2D 73 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa de Ocupação Grade 2D 74 Definições: - Resolução/Amostragem (Lin x Col) - Dimensão/Proporção (cada elemento da grade corresponde a X cm 2 ) - Informação da célula da grade (valores, quantização) 37

38 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa de Ocupação Grade 2D 75 Definições: - Resolução/Amostragem (Lin x Col) - Dimensão/Proporção (cada elemento da grade corresponde a X cm 2 ) - Informação da célula da grade (valores, quantização) Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa de Ocupação Grade 2D Mapas Probabilísticos (Grau de Certeza) 76 38

39 Mapa Métrico Mapeamento usando Mapas de Ocupação: usando um Sonar para mapear o ambiente Algoritmo HIMM [Borenstein 91] Histogramic In-Motion Mapping 77 [Edson Prestes e Silva Jr 2003] Mapa Métrico Mapeamento usando Mapas de Ocupação Certainty Occupancy Grids, HIMM [Elfes 87, 98] [Borenstein 91] [Prestes 2003] 78 [Edson Prestes e Silva Jr 2003] 39

40 Mapa Métrico Mapeamento usando Mapas de Ocupação 79 [Borenstein 91] Mapa Métrico Mapeamento usando Mapas de Ocupação 80 [Thrun 2002] 40

41 Mapa Métrico Mapeamento usando Mapas de Ocupação: usando o Laser para mapear o ambiente 81 Mapa Métrico Mapeamento usando Mapas de Ocupação: usando o Laser para mapear o ambiente S. Thrun 82 41

42 Mapa Métrico Mapeamento usando Mapas de Ocupação: usando o Laser para mapear o ambiente - Sensor Laser - Localização! - Mapeamento com certainty grids 83 Mapa Métrico Mapeamento usando Mapas de Ocupação: usando o Laser para mapear o ambiente - Sensor Laser - Localização! - Mapeamento com certainty grids ERRO DE LOCALIZAÇÃO! 84 42

43 Mapa Métrico Mapeamento usando Mapas de Ocupação: usando o Laser para mapear o ambiente Environment Map: Occupancy Grid 85 Sebastian Thrun / CMU Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa de Ocupação Grade 2D com diferentes representações 86 Adaptive Cell Decomposition 43

44 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa de Ocupação Grade 2D com diferentes representações Potential Fields 87 Mapa Métrico Armazenando uma descrição métrica do ambiente: Exact Cell Decomposition Mapa de Ocupação Grade 2D com diferentes representações 88 44

45 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Planta baixa de um prédio Navegar do Ponto A até o Ponto B 89 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Planta baixa de um prédio Navegar do Ponto A até o Ponto B 90 45

46 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Do Mapa Sensorial ao Mapa Geométrico 91 Points corresponding to a single laser reading Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Do Mapa Sensorial ao Mapa Geométrico Mapeamento: -Nuvem de pontos - Extração de contorno 92 46

47 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Do Mapa Sensorial ao Mapa Geométrico Laser Reading Laser Reading with Detected Lines Porta 93 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Do Mapa Sensorial ao Mapa Geométrico >> Problema das múltiplas leituras

48 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Representações para Navegação Mapa Geométrico com grafo de visibilidade 95 Mapa Métrico Armazenando uma descrição métrica do ambiente: Mapa Geométrico 2D Representações para Navegação Mapa Geométrico com Diagrama de Voronoi 96 48

49 Mapa Topológico Armazenando uma descrição de conectividade do ambiente: Mapa Topológico Não é necessária uma representação métrica das distâncias e do tamanho dos elementos do mapa Decomposição Topológica 97 Mapa Topológico Armazenando uma descrição de conectividade do ambiente: Mapa Topológico Não é necessária uma representação métrica das distâncias e do tamanho dos elementos do mapa 98 49

50 Mapa Topológico Armazenando uma descrição de conectividade do ambiente: Mapa Topológico Não é necessária uma representação métrica das distâncias e do tamanho dos elementos do mapa MAPAS 99 Mapa Topológico: Identifica as regiões do mapa e sua conectividade Pode ser associado a informações de odometria Mapa Topológico Armazenando uma descrição de conectividade do ambiente: Mapa Topológico Não é necessária uma representação métrica das distâncias e do tamanho dos elementos do mapa MAPAS 100 Mapa Topológico: Identifica as regiões do mapa e sua conectividade Pode ser associado a informações de odometria 50

51 Mapa Semântico Associando um sentido e função aos elementos do ambiente: Mapa Semântico Exemplos de Informações Semânticas: - Porta (estado da porta: aberta/fechada); - Elevador - Escada - Cadeira (elemento móvel) - Armário (elemento estático) - Locais no Mapa: Almoxarifado, Secretaria, Biblioteca, etc. 101 RMA: Navegação com Mapas Navegação Baseada em Mapas O tipo do mapa irá definir o algoritmo de navegação empregado. Por exemplo: Mapa de Ocupação: A*, campos potenciais Mapa Geométrico 2D: Grafo de Visibilidade, A* Mapa Topológico: Navegação por pontos de referência 102 Grafo de Visibilidade + Djikstra A Star (A*) 51

52 Navegação com desvio de obstáculos Navegação: Campos Potenciais Campos Potenciais permitem o desvio de obstáculos (repulsão) ao mesmo tempo que se direciona para o alvo (atração) Destino Obstáculos Origem 103 Março 2009 Inimigo: Time Azul (repulsão = Obstáculo) Amigo: Time Vermelho (atração = destino) Potential Fields in Games: (Obstáculos e Inimigos) Navegação com desvio de obstáculos Navegação: Campos Potenciais Março 2009 Potential Fields: 1) Origem/Destino; 2) Atração: Destino; 3) Propagação da Atração 4) Repulsão: Obstáculo; 5) Adição repulsão; 6) Trajetória Potential Fields in Games: (Obstáculos e Inimigos) 52

53 Navegação com desvio de obstáculos Navegação: Campos Potenciais [Demos] Sysquake LE 105 Março Navegação com desvio de obstáculos Navegação: Campos Potenciais [Demos] NAVEGAÇÃO GLOBAL x LOCAL A* + Campos Potenciais DESVIO: Repulsão aos obstáculos 106 Março 2009 Farlei Heinen

54 Navegação com desvio de obstáculos Navegação: Campos Potenciais [Demos] NAVEGAÇÃO GLOBAL x LOCAL A* + Campos Potenciais DESVIO: Repulsão aos obstáculos A* Planejamento Global Geração de WayPoints Alvo ALVO INTERMEDIÁRIO 107 Março 2009 Farlei Heinen - Navegação com desvio de obstáculos Navegação: Campos Potenciais Algoritmos: VFF Vector Force Fields VFH Vector Force Histogram Implementado no Player/Stage IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION, VOL. 7, NO. 3, JUNE 1991 The Vector Field Histogram-Fast Obstacle Avoidance for Mobile Robots Johann Borenstein, Yoram Koren. WEB: Março 2009 Virtual Force Field (VFF) concept: Occupied cells exert repulsive forces onto the robot; magnitude is proportional to the certainty value c(i,j) of the cell and inversely proportional to r^2 54

55 Navegação com desvio de obstáculos Algoritmos: VFH Vector Force Histogram 109 Março 2009 Virtual Force Histogram (VFH): The above figure is the heart of the VFH method Mapping active cells onto the polar histogram: Safe and Unsafe cells. Navegação com desvio de obstáculos Navegação baseada em Referências * REFERÊNCIA baseada na DIREÇÃO: Orientação do Destino * REFERÊNCIA baseada em PONTOS: WayPoints * REFERÊNCIA baseada em MARCOS: LandMarks GPS Março

56 Navegação com desvio de obstáculos Navegação: Sistemas Híbridos Navegação: A* + Campos Potenciais Navegação: WayPoints + LandMarks Navegação: Coordenada/Direção + RNA SISTEMAS HÍBRIDOS - Necessidade de um árbitro para selecionar o comportamento adequado e a ação a ser realizada. - Múltiplos comportamentos com seleção: Behavior Selection / Coordination 111 Março 2009 Path Planning Overview Mapas Construção e Uso 1. Road Map, Graph construction Identify a set of routes within the free space 2. Cell decomposition Discriminate between free and occupied cells Where to put the nodes? Topology-based: 112 at distinctive locations Metric-based: where features disappear or get visible Where to put the cell boundaries? Topology- and metric-based: where features disappear or get visible 3. Potential Field Imposing a mathematical function over the space 56

57 Referências Bibliográficas: Mapas Livros/Slides: * Probabilistic Robotics - The MIT Press (2005) Sebastian Thrun, Wolfram Burgard, Dieter Fox * Introduction to Autonomous Mobile Robots (2004) Roland Siegwart and Illah Nourbakhsh * Computational Principles of Mobile Robotics (2000) Gregory Dudek, Michael Jenkin 113 Material Complementar: Farlei Heinen Dissertação de Mestrado ou Edson Prestes e Silva Jr. Tese de Doutorado INFORMAÇÕES SOBRE A DISCIPLINA USP - Universidade de São Paulo - São Carlos, SP ICMC - Instituto de Ciências Matemáticas e de Computação SSC Depto. de Sistemas de Computação GRM - Grupo de Pesquisa em Robóticá Móvel LRM Lab. de Robótica Móvel: Prof. Fernando Santos OSÓRIO Web institucional: Página pessoal: fosorio [at] icmc. usp. br ou fosorio [at] gmail. com 114 Março 2015 Disciplina de Robôs Móveis Autônomos (PG-CCMC) Web Disciplinas: Programa, Material de Aulas, Critérios de Avaliação, Material de Apoio, Trabalhos Práticos Wiki: 57