IA con RARS. Miguel Ángel Herranz Trillo Juan Ramón Martín Blanco. Práctica Final de IRC

Transcripción

1 Práctica Final de IRC

2 Introducción a RARS RARS (Robot Auto Racing Simulator) Simulador de carreras de coches de código abierto. Útil como entorno para experimentación en inteligencia artificial. Física sencilla, comparada con la de otros simuladores, como TORCS.

3 Física de RARS (I) V: vector unitario de apuntamiento del coche

4 Física de RARS (II) V: vector de velocidad del coche

5 Física de RARS (III) P: vector unitario de apuntamiento de la rueda

6 Física de RARS (IV) W: velocidad de la superficie inferior de las ruedas respecto al asfalto (es opuesta a P y proporcional a las RPM de la rueda)

7 Física de RARS (V) L: velocidad relativa entre la rueda y el asfalto

8 Física de RARS (VI) F: fuerza debida al rozamiento de la rueda con el asfalto (por tanto opuesta al sentido de L y en función de su módulo)

9 Física de RARS (VII) F = u( L ) La relación entre F y L viene dada por la función de fricción. En asfalto (azul) la fricción es mayor que en hierba (rojo) La fuerza producida tiene un límite, por encima del cual no aumenta (la rueda derrapa) L

10 Interfaz entre un robot y RARS Durante la ejecución, RARS proporciona al robot la situación del coche en ese instante (posición, velocidad, forma de la pista, etc) y el robot debe suministrar a RARS las salida (velocidad y ángulo deseados)

11 Implementación del robot El robot esta basado en redes neuronales. Se usa la biblioteca FANN, una biblioteca de redes neuronales open-source, sencilla y rápida. Para entrenar a la red, se usa una versión modificada de otro robot, de forma que sirva como modelo a seguir.

12 Implementación Nº 1 Idea: Como entradas de la red se introducen los datos de situación de RARS sin modificar y como maestro al robot K1999 en circuito 'rars.trk'. Resultado: La red no consigue aprender (error cuadratico muy grande). Conclusión: Hay que adecuar la información proporcionada por RARS.

13 Implementación Nº 2 Idea: Transformar la información de situación en valores normalizados y continuos (más adecuados para la red) Resultado: La red sigue sin aprender (error cuadratico todavía elevado). Conclusión: Las entradas proporcionadas por RARS (en concreto el dar la pista por tramos) no son adecuadas.

14 Implementación Nº 3 (I) Idea: Transformar la información de situación de RARS en un mapa y dar a la red la distancia a los bordes en determinados ángulos. 20º 90º 45º +90º +45º +20º +5º 0º 5º Dirección óptima Dirección actual

15 Implementación Nº 3 (II) Resultado: La red sigue sin aprender (error cuadratico todavía elevado). Conclusión: El entrenador K1999 no es el adecuado, ya que su lógica interna es demasiado compleja y no utiliza entradas similares a las de la red.

16 Implementación Nº 4 (I) Idea: Utilizamos... a) un maestro más sencillo que el K1999 b) una versión simplificada del esquema de sensores c) una red distinta para cada salida. ángulo Dirección óptima Desplazamiento respecto al centro

17 Implementación Nº 4 (II) Resultado: Positivo: La red por fin consigue completar un circuito. :) Negativo: Solo lo consigue en el circuito oval, nunca en circuitos más complejos. Conclusión: La forma de entrenamiento no es la adecuada, ya que no generaliza bien.

18 Conclusiones y mejoras Entrenar adecuadamente una red neuronal no es trivial: hay que proporcionar unas entradas y una colección de ejemplos adecuados al problema. Por ejemplo, crear circuitos especificos para entrenar a la red (rectas y curvas estandar ) para que la red generalice correctamente. Otra mejora, podría ser entrenarla con las partidas de un jugador humano.

19 Referencias Robot Auto Racing Simulator (RARS) Fast Artificial Neural Network (FANN) AAAI topics: neural networks