Βελτιστοποίηση της συνεργατικής συμπεριφοράς ομάδων ρομποτικών οχημάτων με τη βοήθεια εξελικτικών στρατηγικών.

Abstract

Ο σχεδιασμός ελεγκτών ρομποτικών οχημάτων, είναι ένα αντικείμενο εξαιρετικού ενδιαφέροντος καθώς οι αυτόνομες συσκευές παίζουν ολοένα και σημαντικότερο ρόλο στην καθημερινότητα μας. Ήδη μια πληθώρα εταιριών έχει παρουσιάσει αυτόνομα ρομποτικά συστήματα ικανά να κινούνται σε άγνωστο περιβάλλον. Στόχος της παρούσας εργασίας είναι να μελετηθεί η δυνατότητα σχεδίασης, με βέλτιστο τρόπο, ελεγκτών σχεδιασμέμων με την βοήθεια τεχνικών ευφυούς ελέγχου για την πλοήγηση αυτόνομων ρομποτικών συσκευών. Συγκεκριμένα σχεδιάστηκαν ασαφής ελεγκτές για τη πλοήγηση ρομποτικών οχημάτων που κινούνταν σε άγνωστο περιβάλλον. Οι ελεγκτές βελτιστοποιήθηκαν με τη βοήθεια γεννετικών αλγορίθμων, μιας διαδικασίας βελτιστοποίησης εμπνευσμένη από τη διαδικασία της φυσικής επιλογής, που βασίζεται στην αξιολόγηση των αποτελεσμάτων με τη βοήθεια μιας συνάρτησης καταλληλότητας (fitness function). Στόχος ήταν να μελετηθεί η επίδραση διαφορετικών τύπων συναρτήσεων καταλληλότητας στην εξελικτική διαδικασία, καθώς και στη συμπεριφορά των οχημάτων. Προκειμένου να αξιολογηθεί η προτεινόμενη προσέγγιση προσομοιώθηκε η συμπεριφορά μιας ομάδας οχημάτων αποτελούμενη από 3 μέλη που είχαν κοινό στόχο. Μελετήθηκαν 3 διαφορετικοί τύποι συναρτήσεων καταλληλότητας σύμφωνα με τη προσέγγιση που έχει προταθεί στην [8], με κύριο χαρακτηριστικό τη πρότερη γνώση που ενσωματώνεται στην εξελικτική διαδικασία μέσω της συνάρτησης προσαρμογής. Όλα τα πειράματα πραγματοποιήθηκαν σε περιβάλλον προσομοίωσης με χρήση του προσομοιωτή ρομποτικών οχημάτων VREP. Η εξελικτική διαδικασία υλοποιήθηκε με χρήση του λογισμικού Matlab, που διασυνδέθηκε με το περιβάλλον προσομοίωσης VREP με μια προσέγγιση client – server. Τα αποτελέσματα που προέκυψαν αξιολογήθηκαν συγκριτικά και εξάχθησαν χρήσιμα συμπεράσματα.

The core component of autonomous vehicles is the actual controller of the vehicle itself, which is responsible the operation in an unknown environment. Currently there are several approaches on the actual type of the controller used and on the way that it is formulated. The scope of this thesis, was to study how we can derive working, robust controllers using computational intelligence techniques, so that we can autonomously navigate a robotic vehicle in an unknown environment with static and dynamic obstacles. Our approach was based on fuzzy logic, a technique which allows the modelling of human knowledge in a meaningfull way, in order to be used on a mobile robot. The afformentioned fuzzy logic based controllers were optimized using genetic lagorithms, a nature inspired methodology, which is based on fitness function which is metric that evaluates the overall performance of the proposed controller. A key factor to the optimization procedure is the a priori knowledge, that the fitness function provides, to the procedure. Based on the classification proposed in [8] we selected three different type of functions and used as a test case a team of three robots with a common goal. We performed detailed simulations and compared the performance of the different approaches. Based on the results we provide some insight about the influence of the different functions to the overall performance of the team and to the actual behavior of the robots.