Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/24761
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2019_ThulioNoslenSilvaSantos_tcc.pdf7,34 MBAdobe PDFver/abrir
Título: Aprendizado automático utilizando um modelo LSTM aplicado como auxiliar no controle de orientação e velocidade de robô móvel
Autor(es): Santos, Thúlio Noslen Silva
Orientador(es): Vidal, Flávio de Barros
Coorientador(es): Koike, Carla Maria Chagas e Cavalcante
Assunto: Robótica
Redes neurais (Computação)
Inteligência artificial
Data de apresentação: 9-Jul-2019
Data de publicação: 24-Jul-2020
Referência: SANTOS, Thúlio Noslen Silva. Aprendizado automático utilizando um modelo LSTM aplicado como auxiliar no controle de orientação e velocidade de robô móvel. 2019. xii, 67 f. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica)—Universidade de Brasília, Brasília, 2019.
Resumo: Nos últimos anos, aconteceu uma grande popularização da robótica. Muitos robôs, autônomos ou teleoperados, são usados diariamente em operações repetitivas ou que ofereçam risco aos seres humanos. Entretanto, uma desvantagem dos robôs teleoperados com relação aos robôs autônomos é a necessidade de capacitação de um operador. Assim como houve uma popularização da robótica, recentemente também ocorreu uma grande popularização das redes neurais profundas, abrindo-se assim um espaço para pesquisas em inteligência artificial aplicada à robótica. Sabendo que as redes LSTM têm boa capacidade em aprender sequências e sabendo também que perfil de pilotagem de um operador pode ser visto como uma sequência temporal de comandos, este trabalho propõe o treinamento de uma LSTM profunda a fim de criar um módulo de auxílio de direção a partir de dados de pilotagem coletados de um operador experiente. Mais especificamente, este trabalho tem três objetivos. O primeiro objetivo é criar uma base de dados com dados de pilotagem de um operador experiente, considerada como sendo a pilotagem ideal, para o robô Pioneer 3-AT. O segundo objetivo é propor, treinar e validar arquiteturas de LSTM profunda que consigam aprender os padrões da pilotagem ideal. Por fim, o terceiro objetivo é propor e validar um algoritmo que faça correções em tempo real na pilotagem de um usuário que nunca pilotou o Pioneer. Depois de vários experimentos, construiu-se uma base de dados composta de dados de odometria e dos comandos de velocidade de um operador experiente com o robô, e as arquiteturas propostas foram treinadas e validadas. Isso por sua vez mostrou que uma LSTM profunda consegue aprender os padrões da pilotagem ideal. Os melhores modelos obtidos foram então testados no algoritmo de correção, que consistiu em escolher entre o comando do usuário e o comando da rede com base na diferença entre os dois. Com isto, o algoritmo foi validado em testes e entrevistas com usuários sem experiência de pilotagem do robô. Destas entrevistas e do acompanhamento dos testes, pôde-se verificar que as correções feitas pelo algoritmo impuseram movimentos mais suaves aos usuários, ainda que algumas pessoas não se sentissem confortáveis com as correções impostas.
Abstract: Over the last years, there was a massive popularization of robotics. Many robots, autonomous or teleoperated, are used daily for tasks too dangerous or too repetitive for humans. However, one disadvantage of teleoperated robots against autonomous robots is the need to train an operator. Just as there was a popularization of robotics, in recent years there was algo a massive popularization of deep neural networks, opening the way for research in artificial intelligence applied to robotics. Knowing that LSTM networks have the potential to learn sequences and also knowing that a pilot’s driving profile can be seen as a temporal sequence of commands, this thesis proposes the use of a deep LSTM network in order to create a steering assistance module from data collected from an experienced pilot. More specifically, this thesis has three obcjetives. The first objective is to create a database composed of driving data from an experienced pilot, considered as the ideal driving, for the Pioneer 3-AT robot. The second obcjetive is to propose, train and validate deep LSTM networks that can learn the patterns of the ideal driving. Lastly, the third objective is to propose and validate an algorithm that corrects the driving of an inexperienced user in real time. After many experiments, a database was constructed, composed of data from the robots’ odometry and the experienced operator’s commands, and the proposed architectures were trained and validated. This in turn showed that a deep LSTM network can learn the patterns of the ideal driving. The best models obtained were then tested on the real time correction algorithm, which consists of choosing between the pilot’s command and the network’s suggestion based on the difference of the two. Thus, the algorithm was validated on tests and interviews with people inexperienced in driving the robot. From these interviews and test follow-up, is was verified that the corrections made by the algorithm imposed smoother movements on the users’ driving, although some people did not feel comfortable with the imposed corrections.
Informações adicionais: Trabalho de conclusão de curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Curso de Graduação em Engenharia de Controle e Automação, 2019.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia Mecatrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.