Simulação de Manipulador
Auto-modelável
Luiz Felipe Santana de Araujo Souza
Dr. Orivaldo Vieira de Santana Júnior
Sumário
Construção do ambiente de
Parte 1 Introdução Parte 4
simulação
Parte 2 Objetivos Parte 5 Resultados
Parte 3 Reprodução da rede neural Parte 6 Considerações finais
Contextualização
Controle de Manipuladores;
Self-Modeling.
Realização Tradicional
Modelos descritivos construidos durante o
projeto;
Cinemática Inversa.
Problemas
Sensível a folgas e deformações;
Regiões indefinidas ou com múltiplas
soluções.
Contextualização
Controle de Manipuladores
Self-Modeling
Self-modeling
Compreensão da própria estrutura e
dinâmica do manipulador
Self-modeling
Aprendizagem e planejamento interno;
Readequação de comportamentos;
Detecção de danos.
Objetivo Geral
Realizar um estudo de sistemas auto-modeláveis.
1 Replicar um modelo existente de rede neural
Objetivos
específicos
Criar um cenário simulado para avaliar o
2 desempenho deste modelo
Reprodução da rede
neural
Robert Kwiatkowski e
Hod Lipson, 2019
Deep Learning para obter
um modelo próprio de um
braço manipulador
Fonte: Kwiatkowski e Lipson, 2019
Topologia
A camada recorrente
permite extrair informação
temporal dos dados
Tabela 3.1
Dados de entrada
10 Pares de estado e ação
5 Ações futuras
Pares estado e ação Ações futuras
Treinamento
A estrutura de
predição permite que
a rede neural realize
uma sequência de
estimativas
Figura 3.1
Construção do
ambiente de
simulação
Panda Arm
Braço robótico colaborativo;
7 Juntas livres;
Excelente integração com
ROS.
The Construct
Ubuntu 16.04;
ROS Kinetic Kame;
Gazebo 7.16.1;
Franka Emika.
Coleta 1
5 000 amostras
Coleta 2
30 000 amostras
Resultados
Reprodução da rede neural
100 000 amostras;
100 épocas;
MSE: 0,0027.
Treinamento - Coleta 1
5 000 amostras;
5 épocas;
MSE: 0,1666;
MSE Validação: 0,1660.
Treinamento - Coleta 2
30 000 amostras;
10 épocas;
MSE: 0,1007;
MSE Validação: 0,1112.
Desempenho das estimativas
Tabela 4.1
Distribuição do erro das estimativas
(a) (b)
Figura 4.9
Considerações
Finais
Contribuições
Atualização do algoritmo de aprendizagem;
Ambiente de simulação em ROS.
Trabalhos futuros
Aumentar a quantidade de amostras coletadas;
Reduzir amplitude de movimentação;
Atualizar versão do ROS utilizada.
Obrigado!
Referências
BONGARD, J., V. ZYKOV & H. LIPSON (2006), ‘Resilient machines through continuous self- modeling’,
Science314(5802), 1118–1121.
HART, J. (2014), Robot self-modeling, Yale University.
KWIATKOWSKI, R. & H. LIPSON (2019), ‘Task-agnostic self-modeling machines’, Science Robotics 4 (26),
eaau9354.
URL: [Link]
MELO, Davyd Bandeira de (2015), ‘Algoritmos de aprendizagem para aproximação da cinemática inversa de
robôs manipuladores: um estudo comparativo’. Dissertação (Mestrado em Engenharia de Teleinformática),
Universidade Federal do Ceará, Fortaleza, p.133.
WESLEY DE OLIVEIRA, P. (2016), ‘Estudo comparativo de técnicas de controle de manipuladores robóticos’.
Dissertação (Mestrado em Engenharia de Teleinformá-tica), Universidade Federal do Ceará, Fortaleza, p.95.
Distribuição do erro das estimativas
median: 0,05929893
mean: 0,07543268
Distribuição do erro das estimativas
median: 0,003800534
mean: 0,007336791
Introdução
Contextualização
Justificativa