Teléfono: (52) Ext. 2432

Transcripción

1 Sstema de Montoreo Autónomo Basado en el Robot Móvl Khepera Jorge S. Benítez Read 1, Erck Rojas Ramírez 2 y Tonatuh Rvero Gutérrez Insttuto Naconal de Investgacones Nucleares Carretera Méxco-Toluca s/n, La Marquesa, Ocoyoacac, Edo. de Méxco, C.P Insttuto Tecnológco de Toluca, Dvsón de Estudos de Posgrado e Investgacón 1 jsbr@nuclear.nn.mx; 2 rojas.erck@gmal.com Teléfono: (52) Ext Resumen Se descrben los resultados del dseño y construccón de un sstema prototpo de navegacón e dentfcacón de puntos de prueba, basado en el robot móvl Khepera, en el cual se mplantaron estructuras de algortmos basados en lógca dfusa en cascada para el control de navegacón medante una percepcón dfusa de su entorno, y el uso de una red neuronal de Kohonen de tpo no supervsada en la dentfcacón de puntos de prueba. El robot debe segur una determnada trayectora, marcada por una línea negra evadendo obstáculos localzados en la msma hasta llegar a un punto determnado e dentfcar las zonas con nterés de medcón de alguna varable (puntos de prueba). Palabras clave: Robótca móvl, navegacón. lógca dfusa, evasón de obstáculos, redes neuronales. I. INTRODUCCIÓN El montoreo de varables potencalmente pelgrosas para el ser humano como la radacón, corrosón, alta humedad o temperaturas superores a los 70 C, proveen la necesdad de contar con sstemas de montoreo de alguna de estas u otras varables, en zonas de dfícl acceso o que mplquen un resgo para el personal encargado de realzar la medcón. Actualmente, mplantar sstemas de montoreo sobre robots móvles ofrece la versatldad de navegar sobre ambentes de nterés con certa autonomía. Debdo a esto, en las últmas dos décadas muchos nvestgadores se han concentrado en la realzacón de estrategas y técncas de control para soluconar el problema de la navegacón en entornos no estructurados o parcalmente estructurados [Floreano et al., 2000], pues es el ambente real al que se enfrentan. Muchas de estas técncas se basan en el control de navegacón utlzando algortmos genétcos [Lee and Cho, 2001], lógca dfusa [Braunstngl and Sans, 1995] o el uso de redes neuronales artfcales [Sughara et al., 2001]. En este artículo se descrben los resultados del dseño y construccón de un sstema prototpo de navegacón e dentfcacón de puntos de prueba, basado en el robot móvl Khepera (ver fgura 1), en el cual se mplantaron estructuras de algortmos basados en lógca dfusa en cascada para el control de navegacón medante una percepcón dfusa de su entorno, y el uso de una red neuronal de Kohonen de tpo no supervsada en la dentfcacón de puntos de prueba. El robot debe segur una determnada trayectora, marcada por una línea negra evadendo obstáculos localzados en la msma hasta llegar a un punto determnado e dentfcar las zonas con nterés de medcón de alguna varable (puntos de prueba). Fgura 1. Robot móvl Khepera. En este trabajo se utlzó un modelo de control dfuso en cascada (ver fgura 2) para la navegacón del robot. La prmer estructura dfusa realza una fusón sensoral de 8 señales de proxmdad del robot y de dos señales provenentes de los sensores que detectan una línea negra, dando como resultado los cuatros grupos de percepcón parcal del entorno, abrevados por PDI, PDD, PDT y PL. Fgura 2. Esquema de control de navegacón utlzando percepcón dfusa del entorno.

2 Así, estos cuatro grupos consttuyen las entradas de la segunda estructura dfusa la cual se encarga de controlar la velocdad de cada motor. Una segunda etapa, denomnada deteccón e dentfcacón de puntos de prueba, es la encargada de la búsqueda de puntos de prueba a lo largo de la trayectora marcada. Dcha búsqueda se basa en la mplementacón de una red neuronal como mecansmo de deteccón de fuentes emsoras de luz nfrarroja. A su vez, un algortmo de procesamento de datos de vsón lneal es el encargado de reconocer el tpo de punto de prueba. En cada punto de prueba se hacen medcones de temperatura para su posteror transferenca a una PC medante una nterfaz gráfca de usuaro que se ejecuta desde MATLAB. II. DESARROLLO Percepcón dfusa del ambente.- El dseño de un controlador dfuso con gran número de entradas mplca un número consderable de reglas. Por ejemplo, s se tenen 8 entradas y cada entrada tene asocados dos conjuntos dfusos, entonces la memora asocatva dfusa tendrá un total de 256 reglas. Esto puede resultar napropado para un sstema que debe procesar esta nformacón en tempo real. Para resolver el problema se propone el dseño de una fusón sensoral de datos compuesta de una estructura de cuatro sstemas dfusos los cuales tenen como objetvo reducr el número de entradas en el sstema de control de velocdad y dreccón. Por lo tanto, se generan cuatro grupos sensorales que procesan la nformacón de 8 sensores nfrarrojos de proxmdad y dos señales provenentes de sensores nfrarrojos que se encargan de sensar una línea negra. Fusón sensoral.- En la prmera estructura dfusa, parte de la nformacón se obtene de la medcón de proxmdad entre el robot y los objetos que se localzan en sus alrededores con la ayuda de 8 sensores nfrarrojos. Con la recoplacón de esta nformacón se lleva a cabo el establecmento de la zona de segurdad alrededor del robot. ndca el camno a segur, para lo cual se mplantó un bloque de sensores nfrarrojos que se encargan de reconocerla. Estas tareas forman la fusón sensoral (ver fgura 3). Descrpcón de la prmera estructura dfusa.- El prmer sstema dfuso se denomna PDI (percepcón dfusa parte zquerda); para este sstema se consderaron las señales de los sensores S0, S1 y S2. El segundo sstema, PDD (percepcón dfusa parte derecha), utlza las señales de S3, S4 y S5. Para el tercer sstema dfuso, PDT (percepcón dfusa parte trasera), las señales utlzadas provenen de S6 y S7. Fnalmente, para los sensores L1 y L2 se establecó el sstema dfuso percepcón dfusa de la línea abrevado por PL. Los tres prmeros grupos de percepcón no representan una descrpcón exacta del ambente que rodea al robot, pero sí representan una descrpcón dfusa de éste. Así, los cuatro sstemas dfusos anterores forman la fusón sensoral compuesta de 10 entradas y 4 saldas. A su vez, las 4 saldas de la fusón sensoral son utlzadas como entradas del sstema dfuso de control de velocdad para cada motor del robot. Control de velocdad y dreccón.- Una segunda estructura dfusa se encarga de controlar la velocdad y dreccón del robot; esta estructura depende de los valores obtendos en la fusón sensoral: PDI, PDD, PDT y PL. Sn embargo, un algortmo resdente permte elegr entre dos posbles accones de control, que son segumento de una línea ó evasón de un obstáculo. S la actvdad en PDD, PDI, PDT genera valores que ndquen que el robot está cerca de un obstáculo, entonces se ejecutará solo la base de reglas correspondente a la evasón de obstáculos. S por el contraro, la actvdad ndca que el obstáculo está lejos y a su vez se puede sensar la línea negra, entonces se evaluará solo la base de reglas correspondente a segumento de línea. Conjuntos dfusos.- En la prmer estructura dfusa, las entradas que provenen de los sensores de proxmdad se dfusfcan en los conjuntos dfusos defndos como Bajo y Alto (la fgura 4 muestra las funcones de membresía asocadas a estos conjuntos dfusos). A su vez, las entradas L1 y L2 tenen dos conjuntos dfusos defndos por Blanco y Negro (la fgura 5 muestra las funcones de membresía correspondentes). Fgura 3. Fusón sensoral. Fgura 4. Funcones de membresía de los conjuntos asocados a la proxmdad en la prmera estructura. Por otro lado, una trayectora defnda por una línea negra

3 PDE2 y PTE2 se dfusfcan usando los conjuntos dfusos Lejos y Cerca, mentras que la entrada PLE2 es dfusfcada usando los conjuntos dfusos Izquerda, Centro y Derecha. Las funcones de membresía de estos conjuntos se muestran en las fguras 8 y 9. Fgura 5. Funcones de membresía de los conjuntos asocados al sensado de línea en la prmera estructura. Para cada una de las señales de salda PDI, PDD y PDT exsten tres conjuntos dfusos asocados para cada varable con tres atrbutos defndos por Lejos, Medo y Cerca (la fgura 6 muestra las funcones de membresía de estos conjuntos). Fgura 8. Funcones de membresía asocadas a las varables de entrada de la 2ª estructura (PIE2, PDE2 y PTE2). Fgura 6. Funcones de membresía asocadas a las varables de salda de la 1ª estructura (PDI, PDD y PDT) Fgura 9. Funcones de membresía asocadas a PLE2. Fnalmente, en el sstema dfuso PL se tenen tres conjuntos dfusos asocados a esta varable, los cuales se defnen por Izquerda, Centro y Derecha como se muestra en la fgura 7. Fgura 10. Funcones de membresía asocadas a V Fgura 7. Funcones de membresía asocadas a la varable PL En la segunda estructura dfusa, correspondente al control de velocdad, se tene un esquema compuesto de dos sstemas dfusos. Cada uno de estos sstemas tene como entradas las saldas de la prmera estructura dfusa. Estas entradas se desdfusfcan nuevamente en la segunda estructura dfusa y se denotan por Percepcón Izquerda, Percepcón Derecha, Percepcón Trasera y Percepcón de Línea de la estructura 2, abrevadas por, PIE2, PDE2, PTE2 y PLE2, respectvamente. Cada una de las entradas PIE2, Fgura 11. Funcones de membresía asocadas a V d

4 Fnalmente, las señales de salda de la segunda estructura corresponden a la velocdad en el motor zquerdo, V, y la velocdad en motor derecho, V d, a las cuales se les asocan los conjuntos dfusos Reversa, Cero y Adelante, cuyas funcones de membresía se muestran en las fguras 10 y 11. Base de reglas.- Con certa frecuenca, la base de reglas dfusas se propone con base a la experenca; es aquí donde se relacona la planeacón de las tareas a realzar, utlzando la nformacón sensoral como antecedente y las accones de control como los consecuentes. Estas tareas tenen que ver con la evasón de obstáculos y con el segumento de línea. Para los sstemas dfusos PDI (Percepcón Dfusa parte Izquerda), PDD (Percepcón Dfusa parte Derecha), y PDT (Percepcón Dfusa parte Trasera), de la prmer estructura dfusa (fusón sensoral), se plantearon las reglas dfusas mostradas en las tablas I, II y III, respectvamente. Tabla I Base de reglas para PDI #Regla Proxmdad Nvel de (lógca AND) Percepcón PS0 PS1 PS2 1 Bajo Bajo Bajo Lejos 2 Alto Alto Bajo Cerca 3 Alto Cerca 4 Alto Bajo Medo 5 Alto Bajo Bajo Lejos Tabla II Base de reglas para PDD #Regla Proxmdad Nvel de (Lógca AND) Percepcón PS3 PS4 PS5 6 Bajo Bajo Bajo Lejos 7 Alto Alto Bajo Cerca 8 Alto Cerca 9 Bajo Alto Medo 10 Bajo Bajo Alto Lejos Tabla III Base de reglas para PDT PDT Proxmdad Nvel de (Lógca AND) Percepcón PS6 PS7 11 Bajo Bajo Lejos 12 Bajo Alto Cerca 13 Alto Bajo Cerca 14 Alto Alto Cerca S algún valor de los sensores L1 y L2 se encuentra dentro del conjunto dfuso Negro, el robot entenderá que se encuentra sobre la línea negra que debe segur y por lo tanto se actvará el sstema dfuso PL (Percepcón de Línea), en el cual se evaluarán las 4 reglas dfusas mostradas en la tabla IV. Tabla IV Base de reglas para PL Sensor L1 PL Negro Blanco Sensor Negro Centro Izquerda L2 Blanco Derecha Como se menconó con anterordad, las saldas de la fusón sensoral srven de entradas para los dos sstemas dfusos que controlan la velocdad en cada motor del robot Khepera. Sn embargo, un algortmo mplantado entre estas dos estructuras determna qué accones de control se deben realzar, como se muestra en la fgura 2. S algún valor de PDI, PDD o PDT tene un valor de membresía dstnto de cero en el conjunto dfuso Cerca, se deberá ejecutar una evasón de obstáculos ya que exste un objeto dentro de la zona de segurdad que puede dañar al robot. Las reglas dfusas que ntervenen en esta tarea son las que se muestran en la tabla V. Tabla V Base de reglas para evasón de obstáculos Percepcón Dfusa (Lógca AND) PIE2 PDE2 PTE2 Izquerdo (V ) Velocdad Derecho (V d ) Lejos Lejos Lejos Adelante Adelante Lejos Cerca Lejos Reversa Adelante Cerca Lejos Lejos Adelante Reversa Cerca Cerca Cerca Cero Cero Cerca Cerca Lejos Reversa Reversa Mentras los valores de PDI, PDD y PDT se encuentran dentro del conjunto dfuso Lejos, no exsten objetos dentro de la zona de segurdad del robot y por lo tanto el robot se encuentra en una zona despejada. En este caso se analza la nformacón de los sensores L1 y L2, que provenen del bloque de percepcón dfusa de línea, PL, conforme a las reglas de la tabla VI para el segumento de línea. En caso de que no sea posble sensar la línea negra, el robot deberá ejecutar las reglas correspondentes a la evasón de obstáculos. Tabla VI Base de reglas para segumento de línea Percepcón de Línea (PLE2) Izquerdo (V ) Velocdad Derecho (V d ) Izquerda Adelante Reversa Centro Adelante Adelante Derecha Reversa Adelante

5 III. DETECCIÓN DE MARCAS USANDO REDES NEURONALES Usando el arreglo de los 6 sensores de proxmdad que se encuentran en la parte frontal del robot Khepera, fue posble mplantar un algortmo computaconal correspondente a una red neuronal de Kohonen tpo no-supervsada, cuya funcón es detectar la poscón angular de una fuente de luz nfrarroja y el eje relatvo del robot Khepera (fgura 12). El trabajo de Malmostrom and Munday (1994) se tomó como base para el desarrollo de esta etapa. 3. Se propaga el patrón de entrada hasta la capa de competcón. 4. Se seleccona la neurona ganadora utlzando el crtero de el que gana se lleva todo (wnner takes all). 5. Se actualzan las conexones entre la capa de entrada y la neurona ganadora, así como las de su vecndad. 6. S la red tene la convergenca deseada entonces se fnalza la adaptacón; en caso contraro se vuelve al paso 2. Fgura 12. Determnacón de la poscón de la fuente lumnosa respecto al robot. Característcas de la red de Kohonen.- La red neuronal consta de una arqutectura de dos capas (fgura 13). En la prmera capa se tenen las señales de entrada, las cuales se obtenen por medo de 6 foto-transstores localzados en los sensores de proxmdad que se ubcan en la parte frontal del robot Khepera. La segunda capa (capa de competcón) está formada por 90 neuronas, las cuales vrtualmente cubren un campo de vsón frontal de 180, tenéndose una resolucón de segmentos de 2 grados por neurona. Fgura 14. Datos de entrenamento de la red de Kohonen. En la fgura 15 se muestra la respuesta de la red. S0 S1 S2 S3 S4 S Fgura 13. Estructura de la red de Kohonen. Datos de entrenamento.- Un total de 1023 muestras componen los datos de entrenamento de la red neuronal, las cuales se obtuveron colocando una fuente de luz nfrarroja a una dstanca de 20 centímetros del robot y realzando movmentos crculares con el robot respecto a la fuente. Los datos correspondentes se muestran en la fgura 14. Descrpcón del algortmo neuronal y resultados obtendos con la red de Kohonen.- 1. Se ncalzan los pesos con valores pequeños y aleatoros y se propone un ancho de vecndad formado por 2 neuronas vecnas. 2. Se presenta un vector de entrada formado por las 6 señales provenentes de los foto-transstores. Fgura 15. Respuesta de la red de Kohonen. Reconocmento de puntos de prueba.- Medante la utlzacón del módulo de vsón lneal K213 fue posble la mplantacón de un algortmo para el reconocmento de marcas (puntos de prueba) utlzando códgos de barras. El barrdo (escaneo) de un códgo de barras con dcho módulo arroja una matrz de datos de 1x64 pxeles. Posterormente, estos datos son tratados pxel a pxel medante la ecuacón G = p p+1, donde es el -ésmo valor asocado a cada pxel y G es el gradente resultante del -ésmo pxel. Después se someten los datos de gradente a un umbral defndo por G 40 G = 0, con la fnaldad de <

6 suprmr el rudo presente en los datos obtendos. El resultado de este cálculo se muestra en la fgura 16, donde la línea contnua muestra el escaneo del códgo de barras y la línea punteada muestra el gradente resultante de cada pxel. Por cada dato de G dferente de cero se obtene nformacón de los cambos entre blancos y negros (códgos de barras) detectados por la cámara de vsón, con los cuales se procede a reconocer el tpo de marca. Fgura 16. Escaneo de códgo de barras con cálculo de gradente. Interfaz gráfca de usuaro.- La fgura 17 muestra la nterfaz gráfca de usuaro, por medo de la cual se realza la comuncacón entre el robot Khepera y una PC. Fgura 17. Interfaz Gráfca de Usuaro. En la nterfaz se puede confgurar la velocdad de comuncacón con el puerto sere (estándar RS-232), así como tambén realzar un montoreo de los sensores del robot, como son: temperatura, proxmdad, ntensdad de luz ambental, sensado de línea, la velocdad aplcada a cada motor y del escaneo de las mágenes resultantes de las lecturas de códgos de barras. Tambén se puede vsualzar el valor de poscón de las fuentes de luz nfrarroja respecto al robot usando para ello la red neuronal Kohonen; este valor se vsualza medante una brújula (ver fgura 17). IV. RESULTADOS Y CONCLUSIONES El uso de una estructura dfusa para obtener una fusón sensoral de datos del ambente que rodea al robot reduce el número de datos de entrada en un sstema de control dfuso, que a su vez reduce el número de reglas, con lo cual se smplfca su mplementacón y se optmzan las accones de control. Estas accones se deben actualzar con certa rapdez para evtar retardos que puedan dañar el robot. Además, la fusón sensoral reduce las perturbacones ocasonadas por el rudo, prncpalmente de fuentes de lumnacón, logrando con ello una gran robustez en los sstemas dfusos dedcados al control de velocdad ya que el robot se desplaza con suavdad. Por otro lado, la red neuronal tene una respuesta con un comportamento muy aproxmado al lneal, sendo lmtada por la dsposcón no homogénea de los sensores. Sn embargo, ofrece una resolucón de ± dos grados, con un tempo de ejecucón que ocurre en aproxmadamente 10 mlsegundos, lo cual es deal para aplcacones que requeren procesamento en tempo real. V. AGRADECIMIENTOS Este trabajo ha sdo apoyado por el CONACYT a través del programa de becas para estudos de maestría y cuenta con el apoyo del Insttuto Naconal de Investgacones Nucleares para su desarrollo. VI. REFERENCIAS Braunstngl, R. and Sans, P.; Fuzzy Logc Wall Followng of a Moble Robot Based on the Concept of General Percepton; Proceedngs of the 7 th Internatonal Conference on Advanced Robotcs, Vol. 1, pp ; Span Cuesta, Federco and Ollero, Aníbal; Intellgent Moble Robot Navgaton; Sprnger tracks n advanced robotcs; Sprnger-Verlag, Vol 16, pp , Floreano, D.; Godjevac, J.; Martnol, A.; Mondada, F.; Ncoud, D.J.; Desgn, Control, and Applcaton of Autonomous Moble Robots; Swss Federal Insttute of Technology n Lausanne, Lee, Seung-Ik and Cho, Sung-Bae; Emergent Behavors of a Fuzzy Sensory- Controller Evolved by Genetc Algorthm; IEEE Transactons on Systems, Man, and Cybernetcs, Vol. 31, Num. 6, pp , Malmostrom, Kurt and Munday Lance; A Smple Robust Robotc Vson System Usng Kohonen Feature Mappng; Proccedngs of the 2 nd IEEE Australa and New Zealand Conference on Intellgent Informaton System, pp , Sughara, Ke ; Tabuse, Masayosh; Shnch, Tatsuro; Ktazoe, Tetsuro; Control System for the Khepera Robot by a Neural Network wth Competton and Cooperaton; Artfcal Lfe and Robotcs; Sprnger Japan, Vol. 5, Num. 6. pp , 2001.