X
تبلیغات
وکیل جرایم سایبری

دانلود پژوهش - نمونه مقاله

جمعه 17 شهریور 1396 ساعت 08:52
جدول(5-3): عملکرد الگوریتم فازی PAGEREF _Toc334886686 \h 55 فهرست علایم و اختصارات FQL………………………………………………………………………………………………….. Fuzzy Q-learning DFQL………………………………………………………………………………….. Dynamic Fuzzy Q-learning ABC………………………………………………………………………… Artificial Bee Colony Optimization KiKS………………………………………………………………………………… KiKS is a Khepera Simulator فصل اول مقدمه مقدمهربات خودمختار به سامانهی فیزیکی‌ای اطلاق میشود که بتواند به طور هدفمند، بدون دانش پیشین از محیط و بدون دخالت انسان در …

  

دانلود فایل - پایان نامه رایگان

متن کامل پایان نامه را در سایت منبع fuka.ir می توانید ببینیدشکل(5-20): عملکرد الگوریتم فازی در محیط پیچیده PAGEREF _Toc334886171 \h 64

فهرست جدول ها
TOC \p ” ” \t “tabel,1″ جدول(‏21): مقایسه خصوصیات معماری های مختلف PAGEREF _Toc334886678 \h 22
جدول(‏22): تعریف معیارهای ارزیابی معماری های مختلف PAGEREF _Toc334886679 \h 22
جدول(41): محدوده صفات زبانی زاویه چرخش PAGEREF _Toc334886680 \h 39
جدول(42): مقادیر سیگنال تشدیدی در حالتهای مختلف PAGEREF _Toc334886681 \h 42
جدول(4-3): پارامترهای الگوریتم بهینه سازی PAGEREF _Toc334886682 \h 44
جدول(4-4): مقادیر پارامترهای بهینه شده و تابع هدف PAGEREF _Toc334886683 \h 45
جدول(51): توصیف کمی درجه پیچیدگی محیط ها PAGEREF _Toc334886684 \h 53
جدول(5-2): عملکرد الگوریتم یادگیری Q فازی پیشنهادی PAGEREF _Toc334886685 \h 54
جدول(5-3): عملکرد الگوریتم فازی PAGEREF _Toc334886686 \h 55

فهرست علایم و اختصارات
FQL………………………………………………………………………………………………….. Fuzzy Q-learning
DFQL………………………………………………………………………………….. Dynamic Fuzzy Q-learning
ABC………………………………………………………………………… Artificial Bee Colony Optimization
KiKS………………………………………………………………………………… KiKS is a Khepera Simulator
فصل اول
مقدمه

مقدمهربات خودمختار به سامانهی فیزیکی‌ای اطلاق میشود که بتواند به طور هدفمند، بدون دانش پیشین از محیط و بدون دخالت انسان در دنیای واقعی، که مخصوصا برای ربات مهندسی نشده، حرکت کند و وظایف مشخصی را انجام دهد ADDIN EN.CITE <EndNote><Cite><Author>Saffiotti</Author><Year>1997</Year><RecNum>50</RecNum><DisplayText>[1]</DisplayText><record><rec-number>50</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>50</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author><style face=”bold” font=”default” size=”10″>A. Saffiotti</style></author></authors></contributors><titles><title><style face=”normal” font=”default” size=”18″>The uses of fuzzy logic in autonomous robot navigation</style></title><secondary-title><style face=”normal” font=”default” size=”7″>Soft Computing</style></secondary-title></titles><periodical><full-title>Soft Computing</full-title></periodical><pages><style face=”normal” font=”default” size=”7″>180</style><style face=”italic” font=”default” size=”7″>-</style><style face=”normal” font=”default” size=”7″>197</style></pages><volume>1</volume><dates><year>1997</year></dates><urls></urls></record></Cite></EndNote>[1]. به عنوان مثال، مطلوب مساله ناوبری ربات، که در این پژوهش مطرح است، حرکت ربات به سمت هدفی مشخص بدون برخورد با موانع موجود میباشد. این موانع میتوانند موانع ثابت مثل دیوار، میز، صندلی و یا موانع متحرک مثل انسانها و … باشند. جهت عملکرد بهتر لازم است ربات محیط را حس نماید و قادر به برنامه ریزی عملیات خود باشد. پیچیدگی و تنوع محیطهایی که ربات باید در آنها کار کند، همچنین محدودیتهای زیاد حرکتی (مانند حداکثر سرعت ممکن ربات) و محیطی (مانند وجود موانع) که ربات مجبور به رعایت آنها میباشد، مساله ناوبری ربات را به یک مساله مشکل تبدیل کرده است. رباتهای خودمختار بایستی قادر به سازگاری با عدم قطعیتهای بسیار موجود در محیط باشند، زیرا محیطهای فیزیکی معمولاً پویا و غیر قابل پیشبینی هستند. اغلب موانع ایستا نیستند و داده های حسگرها به علت نویز، غیردقیق و غیر قابل اطمینان هستند. حرکت رباتها، معمولاً براساس معیارهای کارایی عملکرد و محدودیتهای ذاتی آنها بهینه میشود. معیارهای کارایی متداول، غالباً کمینهسازی تعداد برخورد با موانع و زمان رسیدن به هدف میباشند و از آن سو محدودیت، لحاظ نمودن حداکثر سرعت ربات است.
ماشینهای هوشمندی که بتوانند وظایف خسته کننده، تکراری و خطرناک را انجام دهند، جایگزین تواناتر و قدرتمندتر و قابل اطمینان تری نسبت به نیروهای انسانی میباشند. رباتیک امروزی از زمین‌های ساخت یافتهی کارخانهها به محیطهای انسانی غیرقابل پیشبینی حرکت کرده است. رباتهای امروزی میبایست در محیطهای ساختنیافته و پویا فعالیت کنند. رباتها به طور گسترده در منازل، ادارهها، بیمارستانها، امدادرسانی در نواحی خطرناک یا غیرقابل دسترس، یاریرسانی به افراد معلول، تولید و مونتاژ و بستهبندی، حمل و نقل، اکتشافات زمینی و فضایی، جنگ افزارها و تحقیقات آزمایشگاهی به کار میروند.
تعاریف اولیه در رباتیکیک تعریف ساده از ربات میتواند این باشد: مکانیزمی که قادر به حس و درک محیط پیرامون و حرکت و واکنش باشد. در تعریفی دقیقتر و جزییتر میتوان ربات را مجموعهای از زیر سامانههای ادوات حسگری، واحد تصمیمگیری، کنترلکننده، محرکها، بازوهای مکانیکی و منابع تغذیه دانست ADDIN EN.CITE <EndNote><Cite><Author>Velagic</Author><Year>2006</Year><RecNum>65</RecNum><DisplayText>[2]</DisplayText><record><rec-number>65</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>65</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author><style face=”normal” font=”Times New Roman” size=”100%”>Jasmin Velagic</style></author><author><style face=”normal” font=”Times New Roman” size=”100%”>Bakir Lacevic</style></author><author><style face=”normal” font=”Times New Roman” size=”100%”>Branislava Perunicic </style></author></authors></contributors><titles><title><style face=”normal” font=”Times New Roman” size=”100%”>A 3-level autonomous mobile robot navigation sys– designed by using reasoning/search approaches</style></title><secondary-title><style face=”normal” font=”Times New Roman” size=”100%”>Robotics and Autonomous Sys–s</style></secondary-title></titles><periodical><full-title>Robotics and Autonomous Sys–s</full-title></periodical><pages><style face=”normal” font=”Times New Roman” size=”100%”>989-1004</style></pages><volume><style face=”normal” font=”Times New Roman” size=”100%”>54</style></volume><dates><year><style face=”normal” font=”Times New Roman” size=”100%”>2006</style></year></dates><urls></urls></record></Cite></EndNote>[2]. برای ناوبری رباتهای متحرک ممکن است از حسگرهای مختلف استفاده شود که لزوماً از یک نوع نیستند. بعضی از حسگرها اطلاعات یکدیگر را تکمیل و برخی دیگر، اطلاعات یکدیگر را تصحیح مینمایند. ربات از حسگرهای با محرک خارجی مانند دوربین، حسگر فراصوت یا مادونقرمز برای مشاهدهی حالت محیط استفاده میکند؛ و از حسگرهایی با محرک داخلی مانند قطبنما یا رمزگذارمحور (بر روی چرخها) برای مشاهدهی موقعیت، سرعت و شتاب پیوندها و مفاصل مختلف خود بهره میگیرد. اطلاعات به دست آمده از حسگرها به منظور ترکیب و تفسیر به واحد تصمیمگیری ارسال میشوند، که مغز ربات تلقی میشود و مهمترین نقش را در برنامهریزیهای ربات ایفا میکند. پس از تحلیل دادههای حسگرها و اخذ تصمیم، فرمان مناسب به کنترلکننده ارسال میشود. وظیفهی کنترلکننده تولید سیگنالهای لازم جهت درایو محرکها میباشد. محرکها، سیگنالهای دریافتی از کنترلکننده را به حرکت تبدیل مینمایند. بازوهای مکانیکی مانند بازوهای رباتیک یا محور چرخها مجموعهای از پیوندها هستند که توسط مفاصل به هم متصل شدهاند و توانایی تاثیرگذاری در محیط را دارند (حرکت دادن یا گرفتن اجسام). منابع تغذیه سامانههای قدرتی میباشند که برای تولید و تنظیم انرژی مورد نیاز محرکها و درایورها به کار میروند.
چالشهای ناوبری خودمختاربه رغم پیشرفتهای قابل توجه در زمینه رباتیک خودمختار در سالهای اخیر هنوز تعدادی مسایل حل نشده باقی مانده است. اکثر مشکلات از طبیعت محیطهای ساختنیافتهی دنیای واقعی و عدم قطعیتهای وسیع ذاتی آنها سرچشمه میگیرند ADDIN EN.CITE <EndNote><Cite><Author>Saffiotti</Author><Year>1997</Year><RecNum>50</RecNum><DisplayText>[1]</DisplayText><record><rec-number>50</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>50</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author><style face=”bold” font=”default” size=”10″>A. Saffiotti</style></author></authors></contributors><titles><title><style face=”normal” font=”default” size=”18″>The uses of fuzzy logic in autonomous robot navigation</style></title><secondary-title><style face=”normal” font=”default” size=”7″>Soft Computing</style></secondary-title></titles><periodical><full-title>Soft Computing</full-title></periodical><pages><style face=”normal” font=”default” size=”7″>180</style><style face=”italic” font=”default” size=”7″>-</style><style face=”normal” font=”default” size=”7″>197</style></pages><volume>1</volume><dates><year>1997</year></dates><urls></urls></record></Cite></EndNote>[1]. اولاً دانش پیشین دربارهی محیط معمولاً ناقص، غیرقطعی و تقریبی است. برای مثال در نقشه‌هایی که ربات از محیطش میسازد معمولاً برخی جزییات و مشخصههای موقتی حذف میشوند، روابط مکانی میان اشیا ممکن است از زمانیکه نقشه ساخته شده است تغییر کرده باشند و اطلاعات متریک شاید غیر دقیق و ناصحیح باشند. دوماً اطلاعات ادراکی به دست آمده معمولاً غیر قابل اطمینان هستند. گستره محدود، ترکیب شده با اثر مشخصههای مکانی (مانند انسداد) و شرایط نابسامان مشاهدات (مانند روشنایی ضعیف)، منجر به اطلاعات نویزی و غیر دقیق میشوند؛ و خطاهای موجود در فرآیند تفسیر اندازهگیریها ممکن است منجر به باورهای ناصحیح شوند. سوماً محیطهای دنیای واقعی معمولاً دارای دینامیک پیچیده و غیر قابل پیشبینی میباشند: اشیا میتوانند حرکت کنند، سایر عوامل میتوانند محیط را تغییر دهند و مشخصههای نسبتاً پایدار ممکن است با زمان تغییر کنند (مانند تغییرات فصلی). نهایتاً اثر عملهای کنترلی کاملاً قابل اعتماد نیستند: چرخها ممکن است سر بخورند، و یک گیرنده ممکن است شیئ را رها کند.
از لحاظ لغوی عدم قطعیت مشخصهی اطلاعات نیست بلکه مشخصهی عامل است. یک عامل ممکن است در مورد وجود شیئ، مقدار یک مشخصه، صحت یک پیشفرض یا انجام عملی نامطمئن باشد. با این وجود بسیار معمول است که از اطلاعات غیرقطعی صحبت کنیم. رباتی را در نظر بگیرید که قصد دارد جعبه ای را بگیرد؛ این عمل نیازمند اطلاع از موقعیت جعبه با حد زیادی از دقت میباشد- چقدر “زیاد” به مکانیزم گیرنده‌ی ربات بستگی دارد. مثالهایی از حالت‌های ممکن اطلاعات غیر‌قطعی میتوانند به صورت زیر باشند:
“جعبه روی میز است”: برای انجام عمل بسیار ضعیف است چون موقعیت یکتایی به دست نمی‌دهد.
“جعبه حدوداً در وسط میز است”: مبهم است چون موقعیتی واضح به‌دست نمی‌دهد.
“جعبه دیروز در مختصات (1و3) دیده شد”: غیر قابل اطمینان است چون جعبه ممکن است دیگر آنجا نباشد.
همهی این حالات می توانند غیرقطعی در نظر گرفته شوند چون عامل را در حالت عدم اطمینان از موقعیت واقعی جعبه قرار میدهند. توجه شود که غیرقطعی در نظر گرفتن یک اطلاع ممکن است به آن عمل مشخص بستگی داشته باشد مثل حالت (1)، یا به منبع اطلاع مانند حالت (3).
روشهای حل مسالهی ناوبری ربات
سه نگرش کلی برای هدایت ربات وجود دارد: الگوریتمهای سلسله مراتبی یا طرح مسیر سراسری، الگوریتمهای واکنشی یا مبتنی بر رفتار یا طرح مسیر محلی و الگوریتمهای ترکیبی ADDIN EN.CITE <EndNote><Cite><Year>2011</Year><RecNum>67</RecNum><DisplayText>[3]</DisplayText><record><rec-number>67</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>67</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>D. Nakhaeinia</author><author>S. H. Tang</author><author>S. B. Mohd Noor</author><author>O. Motlagh</author></authors></contributors><titles><title>A review of control architectures for autonomous navigation of mobile robots</title><secondary-title>International Journal of the Physical Sciences</secondary-title></titles><periodical><full-title>International Journal of the Physical Sciences</full-title></periodical><pages>169-174</pages><volume>6</volume><number>2</number><dates><year>2011</year></dates><urls></urls></record></Cite></EndNote>[3]. الگوریتمهای اولیهی ناوبری ربات در محیطهایی کاملاً شناختهشده، که ربات اطلاعات کاملی در مورد موانع و شکل هندسی آنها در دست داشت، توسعه یافتند. لذا در این حالت، ربات در زمان غیر حقیقی تصمیمهای لازم را جهت رسیدن به هدف و برخورد نکردن با موانع اتخاذ کرده و سپس به سمت هدف حرکت میکند. در این الگوریتمها مطلوب، یافتن مسیری بهینه بین نقطه شروع اولیه و هدف در مرحله طراحی و سپس هدایت ربات در آن مسیر در مرحله اجرا میباشد. اینگونه روشهای طرح مسیر سراسری تا هدف تنها جهت تعیین مسیر به صورت غیرلحظهای مناسبند و برای پرهیز از مانع به صورت بلادرنگ، که یکی از موضوعات مهم در محیطهای پویا میباشد، کافی به نظر نمیرسند. اگر یک مانع متحرک ظاهر شود مسیر میبایست تغییر کند، یعنی دوباره محاسبه شود که ممکن است زمان زیادی نسبت به حرکت مانع بگیرد. بنابراین رفتار ربات به اندازه کافی واکنشی نیست. دنبال کردن مسیری از پیش محاسبه شده راهی مؤثر برای رساندن ربات به موقعیت هدف است اگر دو شرط برقرار باشند: فرضیات به کار رفته هنگام محاسبهی مسیر هنوز در زمان اجرا معتبر باشند (برای مثال محیط به طور صحیح مدل شده باشد و بعد از آن تغییر نکرده باشد)؛ ربات قادر باشد به طور قابل اطمینانی موقعیت خود را نسبت به مسیر به دست آورد. در این روشها محققین تلاش کردهاند با طراحی دقیق مکانیک و حسگرهای ربات یا مهندسی محیط و یا هردوی اینها بر بعضی از مشکلات ناوبری ربات غلبه کنند. مهندسی دقیق ربات و محیط هزینهها را افزایش میدهد، خودمختاری ربات را کاهش میدهد، و نمی تواند برای تمامی محیطها به کار رود.
هر الگوریتم برای کنترل یک سامانه نیازمند دانش یا مدلی از آن سامانه تحت کنترل میباشد. در مورد ربات این سامانه از خود ربات به علاوه محیطی که در آن فعالیت میکند تشکیل شده است. گرچه مدلی از خود ربات به طور معمول میتواند به دست آید، در مورد محیطهای ساختنیافته دنیای واقعی متأسفانه شرایط متفاوت است. همانطور که اشاره شد این محیطها با حضور فراگیر عدم قطعیتها توصیف میشوند. چالش اصلی رباتیک خودمختار امروز ساخت الگوریتمهای قدرتمند طراحی مسیر است که علیرغم عدم قطعیتها وظایف پیچیده را به طور قابل اطمینانی انجام دهند. یک استراتژی معمول برای کنار آمدن با این مقدار وسیع عدم قطعیت، رها کردن ایده‌ی مدل کردن کامل محیط در مرحله‌ی طراحی است، و اینکه به ربات این قابلیت داده شود که این مدل را خودش و به صورت برخط بسازد.
دسته‌ی دوم الگوریتمهای ناوبری بر خلاف دسته‌ی اول محیط را ناشناخته فرض کرده و واحد تصمیمگیری ربات را به گونهای طراحی میکنند که بتواند در زمان حقیقی رفتار صحیح را تشخیص داده و ربات را به سمت هدف مورد نظر هدایت کند. به علت تفاوت مهمی که در دو نگرش فوق در مورد هدایت یک ربات وجود دارد، الگوریتمهایی که برای اجرای این دو نگرش پیاده سازی میشوند با دو نام مختلف شناخته شده و در مقالات به آنها اشاره میشود. در مورد دسته اول اصطلاح مسیریابی و در مورد دسته دوم اصطلاح ناویری استفاده میشود. در روش ناوبری مبتنی بر رفتار، رفتارهای پیچیده با ترکیب برخی اجزای رفتاری قابل حل و سادهتر مانند رفتارهای جستجوی هدف و دوری از موانع به دست میآید. در الگوریتمهای مبتنی بر رفتار مسیر به صورت محلی و نه سراسری طرح میشود. روش طرح مسیر محلی نیازمند هیچ مرحله پیش محاسبه سنگینی پیش از شروع جستجوی مسیر نیست. روشهای طرح مسیر محلی اطلاعات کنونی حسگر را به صورت بلادرنگ به دست میآورند تا ربات را از موانع محلی دور نگاه دارند. به دلیل آنکه الگوریتمهای محلی هیچگاه قسمتهای مختلف مسیر را از پیش محاسبه نمیکنند.
با این حال الگوریتمهای طرح مسیر محلی یافتن مسیر بهینه را تضمین نمیکند. ممکن است موقعیتهایی پیش بیاید (کمینههای محلی) که الگوریتمهای طرح مسیر محلی در یافتن موقعیت هدف شکست بخورد. اگر تعداد موانع به طور محسوسی کم باشد، ممکن است ثابت شود که این روشها بهترین راه حل را ارایه میدهند. هر دو روش طرح مسیر سراسری و محلی میتوانند برای وظایف متعددی مناسب باشند و مزایا و معایب خاص خود را دارا هستند. اما به منظور تعیین مسیر در محیطهای پویا هیچکدام راه حلی کارآمد ارایه نمیدهند. دسته سوم الگوریتمهای ناوبری ربات، ترکیبی از روشهای طرح مسیر سراسری و مبتنی بر رفتار میباشند. در این روشها از ماژول طرح مسیر سراسری برای رسیدن به هدف و از ماژول مبتنی بر رفتار برای پاسخ به وقایع محیط، مانند دوری از موانع، بهره گرفته میشود.
اهداف و نتایجدر این پژوهش الگوریتمی ساده و کارآمد به منظور ناوبری ربات خودمختار از یک نقطه شروع معلوم به سمت هدفی مشخص در محیطی کاملاً ناشناخته و در حضور موانع ایستا ارایه شده است. الگوریتم پیشنهادی از مزایای ترکیب منطق فازی و یادگیری Q برای تامین نیازهای ناوبری خودمختار بهره میگیرد. دو رفتار سادهتر حرکت به سمت هدف و دوری از موانع در یک مجموعه قانون فازی پیادهسازی شده‌اند. مهمترین ویژگی منطق فازی عملکرد کارآمد آن در مواجه با عدم قطعیتهای محیط است. ربات اطلاعات به دست آمده از جهان پیرامون را به مجموعهای از حالتهای فازی خلاصه میکند. برای هر حالت فازی، تعدادی عمل پیشنهادی وجود دارند. حالتها توسط قوانین اگر-آنگاه فازی، که با منطق انسان طرح شدهاند، به عملهای نظیرشان مربوط میشوند. برای هر حالت، ربات بهترین عمل را با یادگیری Q و از طریق تجربیات برخط انتخاب میکند. یادگیری Q با توجه به حالت فعلی و حافظهای از حالتهای پیشین ربات، خروجی هر قانون فازی را به نحوی انتخاب میکند که حتیالامکان ربات با تضمین دوری از موانع به سمت هدف حرکت نماید. مشخصه قابل توجه یادگیری Q عدم نیاز به مربی و مدل محیط، ساختار پویا و پیاده سازی آسان آن میباشد.
تمرکز اصلی این پایان نامه بر طراحی واحد تصمیمگیری ربات میباشد. ربات ساده و کوچک کپرا برای شبیهسازیها به کار رفته است، که میتوان از مدل نقطهای برای آن بهره گرفت. بدین ترتیب الگوریتم پیشنهادی به راحتی قابل انتقال به محیطهای دیگر و پیادهسازی بر سایر رباتها باشد. حسگرهای ربات کپرا از نوع مادونقرمز میباشند که خروجیهای دیجیتال آنها بدون نیاز به مرحله پیش پردازش به عنوان ورودیهای فازی مورد استفاده قرار میگیرند و بیانگر حالت قرارگیری ربات نسبت به موانع می باشند. خروجیهای قوانین فازی میزان سرعت انتقالی و زاویه چرخش چرخهای ربات میباشند. ربات کپرا به صورت دیفرانسیلی حرکت میکند.
روش پیشنهادی مستقل از مدل محیط و دانش پیشین از محیط میباشد. تنها منبع اطلاعات از محیط توسط حسگرهای مادونقرمز ربات به دست میآید. همچنین فرض میشود ربات مجهز به سامانه موقعیت یاب محلی است و در هر گام از موقعیت خود نسبت به هدف مطلع میباشد. فاصله تا هدف از روش محاسبه فاصله اقلیدسی با معلوم بودن مختصات ربات و هدف در هر گام به دست میآید. برای خروجی زاویه چرخش هر قانون فازی تعدادی گزینه پیشنهادی وجود دارد که به هرکدام یک مقدار q منتسب میشود. ربات در هر گام بهترین خروجی (دارای بیشترین مقدار q) را توسط یادگیری Q و از طریق تعاملات برخط با محیط انتخاب میکند. مقادیر q پس از دریافت سیگنال تشویق یا جریمه به روز میشوند. تنظیم برخط سامانه استنباط فازی، منجر به واحد تصمیمگیری انعطاف پذیری میشود که میتواند خود را با محیطهای مختلف و موانع متنوع تطبیق دهد.
در روش پیشنهادی، یادگیری Q بدون هیچ مرحله یادگیری یا اکتشافی به کار گرفته شده است. بدین معنی که هر بار اجرای الگوریتم با مقادیر q اولیه صفر آغاز میشود. یادگیری Q بدون مرحله اکتشافی (یادگیری قبل از آزمایش) به کار گرفته شدهاست. بدین معنی که مقادیر q در هر آزمایش بدون پیشفرض و از مقدار اولیه صفر شروع میشوند، لذا محیط یادگیری جهت مقداردهی اولیه به مقادیر q وجود ندارد. پارامترهای کلیدی مجموعه فازی و یادگیری Q، شامل پارامترهای توابع عضویت ورودی فازی و همچنین مقدار عامل فراموشی یادگیری Q، توسط بهینهسازی کلونی زنبور مصنوعی به صورت غیربرخط، پیش از قرار گرفتن ربات در محیطهای آزمایش، به دست آمدهاند. محیط بهینهسازی شامل موانعی است که انتظار می‌رود خود یا ترکیبی از آنها در محیطهای آزمایش دیده شوند.
برای آزمایش الگوریتم پیشنهادی 60 محیط شبیهسازی دو بعدی به طور تصادفی ایجاد شدند. شکل، مساحت و مکان موانع، محل اولیه ربات و مختصات هدف در این محیطها به طور تصادفی انتخاب شدند. موانع تولید شده، گستره وسیعی از شکلهای هندسی منظم و نامنظم شامل چند ضلعیها، شکلهای محدب یا مقعر، زاویهدار یا با گوشههای محدب و غیره را در بردارند. این شکلها تقریبا تمامی انواع موانعی، که ربات ممکن است در محیط واقعی با آن مواجه شود، را شامل میشوند. محیطهای شبیهسازی از نظر نوع موانع موجود و مساحت اشغال شده توسط موانع به سه سطح ساده، معمولی و پیچیده تقسیم بندی شدند. عملکرد ربات با توجه به اندازهگیریهای کمی معیارهایی چون درصد موفقیت رسیدن به هدف (طی اجراهای مختلف الگوریتم پیشنهادی)، امنیت مسیر طی شده تا هدف (نسب تعداد برخوردها با موانع به کل گامهای طی شده) و سرعت مسیر طی شده تا هدف (تعداد گامهای طی شده نسبت به زمان سپری شده) سنجیده شد. به منظور معتبر بودن و تکرارپذیری نتایج، هر آزمایش 10 بار تکرار شده است و نتیجه گزارش شده میانگین نتایج حاصل از این 10 بار اجرا بوده است.
نتایج نشان دادند که الگوریتم تصمیمگیری پیشنهادی قادر است با موفقیت ربات را به سمت هدف هدایت کرده و از برخورد آن با موانع جلوگیری نماید. به منظور آشکار کردن نقش موثر یادگیری Q در افزایش کارایی الگوریتم پیشنهادی آزمایشهای مشابهای با مجموعه قوانین فازی مشابه بدون یادگیری Q تکرار شدند. مقایسه نتایج نشان داد تنظیم برخط قوانین فازی توسط یادگیری Q عملکرد آن را از نظر معیارهای عملکردی مطرح شده و انعطافپذیری در مواجه با انواع محیطهای ساده تا پیچیده، بهبود میبخشد.
ساختار پایان نامهفصل های بعدی این پایاننامه شامل مطالب زیر هستند:
فصل دوم به مرور، دستهبندی و مقایسه کیفی برخی روشهای ناوبری ربات میپردازد. فصل سوم مبانی و ابزار لازم برای معرفی الگوریتم پیشنهادی شامل منطق فازی، یادگیری Q و الگوریتم بهینهسازی کلونی زنبور مصنوعی را توصیف میکند. فصل چهارم به توصیف ربات کپرا و توضیح الگوریتم پیشنهادی میپردازد. الگوریتم مطرح شده یک سامانه تصمیمگیری فازی ناوبری ربات است، که بدون دانش پیشین از محیط طراحی میشود و سپس به طور برخط توسط یادگیری Q و در مواجه با محیط تنظیم میشود. پارامترهای کلیدی مجموعه فازی و یادگیری Q، شامل پارامترهای توابع عضویت ورودی فازی و همچنین مقدار عامل فراموشی یادگیری Q، توسط بهینهسازی کلونی زنبور مصنوعی به صورت غیربرخط، پیش از قرار گرفتن ربات در محیطهای آزمایش، به دست آمدهاند. در نهایت فصل پنجم پس از توصیف نرمافزار شبیهسازی KiKS و محیطهای آزمایش، نتایج حاصل از شبیه سازیها را ارایه میدهد. سپس نتایج شبیهسازیها تحلیل میشوند و پیشنهادهایی برای ادامه کار مطرح میگردند.
فصل دوم
بررسی روش های پیشین

بررسی روشهای پیشینمقدمهاز اوایل سال 1960، تعداد محققین روی مساله ناوبری ربات‌های متحرک به تدریج افزایش یافتهاست. کاربردهای مختلف ربات‌های متحرک منجر به ارایه راهحلهای متفاوتی برای حل مساله ناوبری آنها میشو‌د. برای ربات‌های هوشمند متحرک ضروری است که محیط را حس و درک کنند، مسیری را طراحی کنند، تصمیمی اتخاذ کنند و رفتار مناسب را با استفاده از این اطلاعات اجرا کنند ADDIN EN.CITE <EndNote><Cite><Author>N.Vuković</Author><Year>2009</Year><RecNum>26</RecNum><DisplayText>[4]</DisplayText><record><rec-number>26</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>26</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author><style face=”normal” font=”default” charset=”238″ size=”100%”>N</style><style face=”normal” font=”default” size=”100%”>.</style><style face=”normal” font=”default” charset=”238″ size=”100%”>Vuković </style></author><author><style face=”normal” font=”default” charset=”238″ size=”100%”>Z</style><style face=”normal” font=”default” size=”100%”>. </style><style face=”normal” font=”default” charset=”238″ size=”100%”>Miljković </style></author></authors></contributors><titles><title><style face=”normal” font=”default” charset=”238″ size=”100%”>New Hybrid Control Architecture for</style><style face=”normal” font=”default” size=”100%”> </style><style face=”normal” font=”default” charset=”238″ size=”100%”>Intelligent Mobile Robot Navigation in a Manufacturing Environment</style></title><secondary-title>FME Trans.</secondary-title></titles><periodical><full-title>FME Trans.</full-title></periodical><pages><style face=”normal” font=”default” charset=”238″ size=”100%”>9-18</style></pages><volume><style face=”normal” font=”default” charset=”238″ size=”100%”>37</style></volume><dates><year><style face=”normal” font=”default” charset=”238″ size=”100%”>2009</style></year></dates><urls></urls></record></Cite></EndNote>[4]. معماری‌های مختلف ناوبری ربات تعریف می‌کنند که این توانایی‌ها چگونه بایستی مجتمع شوند تا نتایج مطلوب به دست آیند. معماری‌های مختلفی برای طرح و توسعه‌ی ناوبری مقاوم، انعطاف پذیر، قابل اطمینان و با عملکرد عالی ربات‌های متحرک پیشنهاد شدهاند. بنابراین دستهبندی روشهای ناوبری ربات جهت مروری منسجمتر بر آنها، مفید به نظر میرسد. سه دستهی کلی این معماریها عبارتند از: سلسله مراتبی یا طرح مسیر سراسری، واکنشی یا مبتنی بر رفتار یا طرح مسیر محلی و ترکیبی.
معماری سلسله مراتبی
معماری سلسله مراتبی قدیمی‌ترین طرح ناوبری ربات در هوش مصنوعی است. در این معماری PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5TY2h3YXJ0ejwvQXV0aG9yPjxZZWFyPjE5ODM8L1llYXI+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--------------------------------------------------- نکته مهم : هنگام انتقال متون از فایل ورد به داخل سایت بعضی از فرمول ها و اشکال (تصاویر) درج نمی شود یا به هم ریخته می شود یا به صورت کد نمایش داده می شود ولی در سایت می توانید فایل اصلی را با فرمت ورد به صورت کاملا خوانا خریداری کنید: سایت مرجع پایان نامه ها (خرید و دانلود با امکان دانلود رایگان نمونه ها) : elmyar.net --------------------------------------------------- b250cmlidXRvcnM+PHRpdGxlcz48dGl0bGU+VGhlIGNvbXBsZXhpdHkgb2Ygcm9ib3QgbW90aW9u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ADDIN EN.CITE PEVuZE5vdGU+PENpdGU+PEF1dGhvcj5TY2h3YXJ0ejwvQXV0aG9yPjxZZWFyPjE5ODM8L1llYXI+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ADDIN EN.CITE.DATA [5-10] از مدل سراسری محیط که توسط داده ورودی کاربر یا حسگرها تهیه شده است برای تولید عملهای مناسب برای رساندن ربات به هدف بهره ‌گرفته میشود. همان‌طور که در REF _Ref334513012 \h \* MERGEFORMAT شکل(‏21) نشان داده شده است، این معماری از چهار ماژول اصلی تشکیل شده است: حس کردن، مدل کردن، تصمیم گیری و عمل کردن. ابتدا ربات محیط اطراف را حس می‌کند و با استفاده از ترکیب اطلاعات حسگرها مدل سراسری محیط ایستا را ایجاد می‌کند، سپس ماژول تصمیم گیری را برای یافتن مسیر بهینه تا هدف را به کار می‌گیرد و مسیری جهت دنبال کردن برای ربات طرح می‌کند. در نهایت ربات عملهای مطلوب را تا رسیدن به هدف اجرا می‌کند. پس از یک عمل موفقیت آمیز، ربات متوقف می‌شود و اطلاعات خود را برای انجام حرکت بعدی به روز می‌کند. سپس این فرآیند را تا رسیدن به هدف تکرار می‌کند ADDIN EN.CITE <EndNote><Cite><Author>Huq</Author><Year>2008</Year><RecNum>18</RecNum><DisplayText>[11, 12]</DisplayText><record><rec-number>18</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>18</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>R. Huq </author><author>GKI. Mann </author><author>RG. Gosine </author></authors></contributors><titles><title>Mobile robot navigation using motors schema and fuzzy context dependent behaviour modulation</title><secondary-title>Appl. Soft. Comput.</secondary-title></titles><periodical><full-title>Appl. Soft. Comput.</full-title></periodical><pages>422-436</pages><volume>8</volume><dates><year>2008</year></dates><urls></urls></record></Cite><Cite><Author>Yang</Author><Year>2006</Year><RecNum>32</RecNum><record><rec-number>32</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>32</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>X. Yang</author><author>M. Moallem</author><author>RV. Patel</author></authors></contributors><titles><title>A layered goal-oriented fuzzy motion planning strategy for mobile robot navigation</title><secondary-title>IEEE Trans. Syst, Man Cyber Part B: Cybernetics.</secondary-title></titles><periodical><full-title>IEEE Trans. Syst, Man Cyber Part B: Cybernetics.</full-title></periodical><pages>1214-1224</pages><volume>35</volume><number>6</number><dates><year>2006</year></dates><urls></urls></record></Cite></EndNote>[11, 12].

شکل( STYLEREF 1 \s ‏2 SEQ شکل \* ARABIC \s 1 1): معماری سلسله مراتبی جهت ناوبری ربات ADDIN EN.CITE <EndNote><Cite><Year>2011</Year><RecNum>67</RecNum><DisplayText>[3]</DisplayText><record><rec-number>67</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>67</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>D. Nakhaeinia</author><author>S. H. Tang</author><author>S. B. Mohd Noor</author><author>O. Motlagh</author></authors></contributors><titles><title>A review of control architectures for autonomous navigation of mobile robots</title><secondary-title>International Journal of the Physical Sciences</secondary-title></titles><periodical><full-title>International Journal of the Physical Sciences</full-title></periodical><pages>169-174</pages><volume>6</volume><number>2</number><dates><year>2011</year></dates><urls></urls></record></Cite></EndNote>[3]
معماری سلسله مراتبی زمانی به کار گرفته میشود که محیط برای ربات کاملاً شناخته شده و همچنین در حین حرکت ربات به سمت هدف بدون تغییر (ایستا) باشد. در این صورت میتوان مسیر بهینه را قبل از حرکت محاسبه کرد. روشهای متعددی برای این حالت از مسالهی ناوبری ربات ارایه شدهاند مانند: نمودار ورونی، گراف دیداری، میدان پتانسیل، روش شبکهای و تجزیه سلولی. همچنین روشهای مبتنی بر الگوریتمهای بهینهسازی نیز برای طرح مسیر بهینه مورد استفاده قرار میگیرند ADDIN EN.CITE <EndNote><Cite><Author>Zhou</Author><Year>2002</Year><RecNum>70</RecNum><DisplayText>[13]</DisplayText><record><rec-number>70</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>70</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>Changjiu Zhou</author></authors></contributors><titles><title>Robot learning with GA-based fuzzy reinforcement learning agents</title><secondary-title>Information Sciences</secondary-title></titles><periodical><full-title>Information Sciences</full-title></periodical><pages>45-68</pages><volume>145</volume><dates><year>2002</year></dates><urls></urls></record></Cite></EndNote>[13]. به عنوان مثال داویدر ADDIN EN.CITE <EndNote><Cite><Author>Davidor</Author><Year>1990</Year><RecNum>69</RecNum><DisplayText>[14]</DisplayText><record><rec-number>69</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>69</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>Yuval Davidor</author></authors></contributors><titles><title>Epistasis Variance: Suitability of a Representation to Genetic Algorithms</title><secondary-title>Complex Sys–s</secondary-title></titles><periodical><full-title>Complex Sys–s</full-title></periodical><pages>369-383</pages><volume>4 </volume><dates><year>1990</year></dates><urls></urls></record></Cite></EndNote>[14] الگوریتم ژنتیکی برای طرح مسیر بهینه ارایه داد. همچنین نیرچو ADDIN EN.CITE <EndNote><Cite><Author>Nearchou</Author><Year>1998</Year><RecNum>68</RecNum><DisplayText>[15]</DisplayText><record><rec-number>68</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>68</key></foreign-keys><ref-type name=”Journal Article”>17</ref-type><contributors><authors><author>Andreas C. Nearchou</author></authors></contributors><titles><title>Path planning of a mobile robot using genetic heuristics</title><secondary-title>Robotica </secondary-title></titles><periodical><full-title>Robotica</full-title></periodical><volume>16</volume><number>575-588</number><dates><year>1998</year></dates><urls></urls></record></Cite></EndNote>[15] از تعداد راسهای گراف دیداری برای ساختن الگوریتم ژنتیک استفاده کرد و توانست یک مسیر نزدیک به بهینه را برای این نوع مساله حل کند. در ذیل خلاصه ای از اساس کار سه نمونه از روشهای متداول ذکر شده در بالا توضیح داده میشوند:
روش گراف دیداریاین روش زمانی استفاده میشود که هندسه محیط برای ربات مشخص باشد. ایده اصلی این روش این است که اگر یک مسیر بدون برخورد بین دو نقطه وجود داشته باشد، آنگاه کوتاهترین مسیر بین این دو نقطه تنها در راسهای موانع شکسته میشود. گراف دیداری گرافی است که راسهای آن شامل نقطه آغاز، نقطه پایان و راسهای موانع هستند. یالهای گراف دیداری بین راسهایی وصل میشوند که نقاط متناظر آنها همدیگر را میبینند. با داشتن گراف دیداری می توان از روشهای موجود برای پیدا کردن کوتاهترین مسیر بین دو راس در یک گراف و در نتیجه کوتاهترین مسیر ربات استفاده کرد. از معایب این روش زمان اجرای بالای آن است هنگامی که موانع زیاد باشند گراف پیچیده میشود و الگوریتمهای مبتنی بر این روش کند عمل میکنند ADDIN EN.CITE <EndNote><Cite><Author>Murphy</Author><Year>2000</Year><RecNum>25</RecNum><DisplayText>[16]</DisplayText><record><rec-number>25</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>25</key></foreign-keys><ref-type name=”Book”>6</ref-type><contributors><authors><author>RR. Murphy</author></authors></contributors><titles><title>Introduction to AI Robotics</title></titles><dates><year>2000</year></dates><publisher>MIT Press London</publisher><urls></urls></record></Cite></EndNote>[16].
روش تجزیه سلولی
در این روش محیط به صورت شطرنجی به مربعات (سلولها) تقسیم میشود، که معمولا هر سلول به صورت مربع ساده در نظر گرفته میشود. در این حالت هر مربع سه وضعیت دارد: فصای خالی، به طور کامل توسط مانع اشغال شدهاست یا قسمتی از فضای آن آزاد و قسمتی از آن توسط مانع اشغال شدهاست. یک سلول مرکب شامل فضای آزاد و موانع است و یک سلول پر فقط شامل مانع است. در این روش هدف، یافتن سلولهای آزادی است که نقطه اولیه را به نقطه هدف مرتبط کند. اگر سلولی دارای حالت ترکیبی باشد (شامل فضای آزاد و مانع) دوباره به سلولهای کوچکتر تجزیه میشود و سلولها برای پیدا کردن دنباله مسیر آزاد، از نقطه آغاز به هدف، جستجو میشوند ADDIN EN.CITE <EndNote><Cite><Author>LINGELBACH</Author><Year> 2005</Year><RecNum>71</RecNum><DisplayText>[17]</DisplayText><record><rec-number>71</rec-number><foreign-keys><key app=”EN” db-id=”5st2a2t9pzwwwdefsatvtfrwfsetzs250fpz”>71</key></foreign-keys><ref-type name=”Thesis”>32</ref-type><contributors><authors><author>FRANK LINGELBACH</author></authors></contributors><titles><title>Path Planning using Probabilistic Cell Decomposition</title></titles><dates><year> 2005</year></dates><pub-location>Stockholm, Sweden</pub-location><urls></urls></record></Cite></EndNote>[17].

نظرات (0)
امکان ثبت نظر جدید برای این مطلب وجود ندارد.