پایان نامه هدایت فازی ربات­های خود­مختار با استفاده از یادگیری تشدیدی و بهینه­سازی کلونی زنبور مصنوعی


موضوع:

هدایت فازی ربات­های خود­مختار با استفاده از یادگیری تشدیدی و بهینه­سازی کلونی زنبور مصنوعی

استاد راهنما:

دکتر رضا قادری

استاد مشاور:

دکترعطااله ابراهیم­زاده

تکه هایی از متن به عنوان نمونه :

چکیده

ربات 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. 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. در تعریفی ساده می­توان سامانه­ی ربات را متشکل از حسگرها، واحد تصمیم­گیری و محرک­ها دانست. واحد تصمیم­گیری پس از درک و تفسیر اطلاعات دریافتی از حسگرها، تصمیم مناسب را اتخاذ و فرامین حرکتی متناسب را برای ارسال به محرک­ها تولید می­نماید. در این پایان­نامه، الگوریتم تصمیم­گیری­ برای ناوبری ربات پیشنهاد می­شود که از مزایای ترکیب منطق فازی و یادگیری Q برای مواجه و حل چالش­های ناوبری خودمختار بهره می­گیرد. منطق فازی با تکیه بر خصوصیات موثر خود از قبیل عدم نیاز به مدل دقیق محیط، پایداری نسبت به داده­های غیر قطعی و نویزی، پاسخ سریع و پیاده سازی آسان، ابزاری کار­آمد برای حل مساله­ی ناوبری ربات خودمختار به شمار می­رود. یادگیری Q داری ساختار بدون مربی، پویا، ساده و قابل پیاده­سازی آسان می­باشد. از این رو ابزاری کارآمد جهت تنظیم برخط سامانه استنباط فازی 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 توسط یادگیری Q بهترین عمل، که دارای بیشترین مقدار q است، را از طریق تعاملات برخط با محیط انتخاب می­کند. 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. هدف، طراحی الگوریتم ناوبری انعطاف­پذیری است که بتواند خود را به طور کارآمد با محیط­های کاملا ناشناخته، دارای تعداد مختلفی از موانع با شکل­های متنوع، تطبیق دهد. موانع به شکل­های مربعی، دایروی، مقعر، محدب، چندضلعی و شکل­های نا‌‌منظم و تعریف نشده‌ی هندسی می­باشند. 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. الگوریتم ناوبری پیشنهاد شده بر روی ربات کپرا و در محیط شبیه­سازی KiKS آزمایش شد. معیارهای ارزیابی، موفقیت ربات در رسیدن به هدف، سرعت و امنیت مسیر طی شده می­باشند. نتایج شبیه­سازی نشان دادند که الگوریتم تصمیم گیری ارایه شده قادر است در اکثر مواقع ربات را با موفقیت به سمت هدف در مسیرهای امن و سریع هدایت نماید.

کلمات کلیدی: یادگیری Q فازی- ناوبری خودمختار- ربات کپرا

مقدمه

 

1-          مقدمه

ربات خود­مختار[1] 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 [1]. به عنوان مثال، مطلوب مساله ناوبری[2] 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.

این پایان نامه از روی سایت اینجا کلیک کنید

مطالب مشابه را هم ببینید
فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید !
سایت ما حاوی حجم عظیمی از پایان نامه ، تحقیق ، پروژه و مقالات دانشگاهی در رشته های مختلف است. مطالب مشابه را هم ببینید یا اینکه برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید