Spelling suggestions: "subject:"aleração dde trajetória"" "subject:"aleração dee trajetória""
1 |
Geração e controle de trajetória ponto a ponto para veículos agrícolas de grande porte / Generation and control of point-to-point trajectory for large agricultural vehiclesPinto, Renan Moreira 26 February 2018 (has links)
A Navegação é um dos maiores problemas na robótica móvel, sua função consiste em guiar o robô em um espaço de trabalho por um caminho plausível durante um determinado intervalo de tempo que o leve de um ponto inicial a um ponto final definido. É possível separar esse processo em vários níveis como, a localização do robô no espaço de trabalho, o planejamento de um caminho admissível, a geração de uma trajetória e por fim o controle desse trajeto. Este trabalho apresenta a proposta de desenvolvimento dos níveis de geração e controle de trajetória para um veículo terrestre de grande porte para uso em ambientes de trabalho semiestruturados, principalmente em ambientes agrícolas. Para tal propósito se utiliza o conceito de trajetórias baseadas em clotóides e predefinidas para um sistema bidimensional (X, Y). O gerador de trajetória proposto neste trabalho determina uma função contínua que considera as restrições cinemáticas e determina o tempo de trabalho, a posição e orientação do robô na posição final. As informações determinadas pela função são utilizadas por um controlador de lógica fuzzy para determinar as velocidades linear e angular do robô. Para validar trajetória planejada e o controlador, foram realizados testes nas plataformas robóticas Helvis-III, um protótipo simples com sistema de esterçamento nas rodas dianteiras estilo Ackermann e o RAM (Robô agrícola Móvel) - um veículo de grande porte com estrutura de esterçamento nas 2 rodas com estilo Ackermann de condução. O sistema demonstra bom desempenho, devido ao fato de que o desvio do caminho mantém uma media de 3 metros em base ao valor real e uma média de 0.5 metros em relação ao calculado, estando dentro dos padrões dos sensores GNSS usados para os testes experimentais. / Navigation is one of the biggest problems in mobile robotics, its ban on guiding the robot in a workspace by a plausible path over a defined interval of time than the level of a starting point and a definite endpoint. It is possible to separate the process at some levels such as the location of the robot in the workspace, the planning of a permissible path, the generation of a path and a process of control of that path. This paper presents a proposal for the development of teaching levels and trajectory control for a large land vehicle for use in semi structured work environments, mainly in agricultural environments. To do this, use the concept of routines in clothoids and predefined for a two-dimensional system (X, Y). The generator of trajectory standard this risk is work in the risk control risk, and the risk and the status of work, the status of the risk and work of the position. As one of the reasons for the function are used by a fuzzy logic controller to determine the linear and angular velocities of the robot. To validate the planned trajectory and controller, they were actually tested on the Helvis-III robotic platforms, a simple prototype with the Ackermann advanced style wheel-arming system and the RAM (Mobile Shared Robot) - a large vehicle with structure of Ackermann style 2-wheel steering. The system should be good performance, by the same of the tracking of average pathways and of three meters in base to value and average of 0.5 meters in body the year, being based on the limits of GNSS used for test experimental tests.
|
2 |
Geração e controle de trajetória ponto a ponto para veículos agrícolas de grande porte / Generation and control of point-to-point trajectory for large agricultural vehiclesRenan Moreira Pinto 26 February 2018 (has links)
A Navegação é um dos maiores problemas na robótica móvel, sua função consiste em guiar o robô em um espaço de trabalho por um caminho plausível durante um determinado intervalo de tempo que o leve de um ponto inicial a um ponto final definido. É possível separar esse processo em vários níveis como, a localização do robô no espaço de trabalho, o planejamento de um caminho admissível, a geração de uma trajetória e por fim o controle desse trajeto. Este trabalho apresenta a proposta de desenvolvimento dos níveis de geração e controle de trajetória para um veículo terrestre de grande porte para uso em ambientes de trabalho semiestruturados, principalmente em ambientes agrícolas. Para tal propósito se utiliza o conceito de trajetórias baseadas em clotóides e predefinidas para um sistema bidimensional (X, Y). O gerador de trajetória proposto neste trabalho determina uma função contínua que considera as restrições cinemáticas e determina o tempo de trabalho, a posição e orientação do robô na posição final. As informações determinadas pela função são utilizadas por um controlador de lógica fuzzy para determinar as velocidades linear e angular do robô. Para validar trajetória planejada e o controlador, foram realizados testes nas plataformas robóticas Helvis-III, um protótipo simples com sistema de esterçamento nas rodas dianteiras estilo Ackermann e o RAM (Robô agrícola Móvel) - um veículo de grande porte com estrutura de esterçamento nas 2 rodas com estilo Ackermann de condução. O sistema demonstra bom desempenho, devido ao fato de que o desvio do caminho mantém uma media de 3 metros em base ao valor real e uma média de 0.5 metros em relação ao calculado, estando dentro dos padrões dos sensores GNSS usados para os testes experimentais. / Navigation is one of the biggest problems in mobile robotics, its ban on guiding the robot in a workspace by a plausible path over a defined interval of time than the level of a starting point and a definite endpoint. It is possible to separate the process at some levels such as the location of the robot in the workspace, the planning of a permissible path, the generation of a path and a process of control of that path. This paper presents a proposal for the development of teaching levels and trajectory control for a large land vehicle for use in semi structured work environments, mainly in agricultural environments. To do this, use the concept of routines in clothoids and predefined for a two-dimensional system (X, Y). The generator of trajectory standard this risk is work in the risk control risk, and the risk and the status of work, the status of the risk and work of the position. As one of the reasons for the function are used by a fuzzy logic controller to determine the linear and angular velocities of the robot. To validate the planned trajectory and controller, they were actually tested on the Helvis-III robotic platforms, a simple prototype with the Ackermann advanced style wheel-arming system and the RAM (Mobile Shared Robot) - a large vehicle with structure of Ackermann style 2-wheel steering. The system should be good performance, by the same of the tracking of average pathways and of three meters in base to value and average of 0.5 meters in body the year, being based on the limits of GNSS used for test experimental tests.
|
3 |
Uma heurística simplificada para funções custo de planejadores da família A*Silva, Jefferson Barbosa Belo da 21 August 2015 (has links)
Submitted by Clebson Anjos (clebson.leandro54@gmail.com) on 2016-02-15T20:03:45Z
No. of bitstreams: 1
arquivototal.pdf: 2424729 bytes, checksum: 0b742be3286a70e0901c3d5a00813f6f (MD5) / Made available in DSpace on 2016-02-15T20:03:45Z (GMT). No. of bitstreams: 1
arquivototal.pdf: 2424729 bytes, checksum: 0b742be3286a70e0901c3d5a00813f6f (MD5)
Previous issue date: 2015-08-21 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / One of the main issues related to the mobile robotics area is to find the most efficient way to perform the navigation from one point to another over environments, considering maximum safety and spending as less as possible time and computer resources. From this perspective, the aim of this work was to specify improved heuristics that could be applicable to cost functions of key A* based algorithms and use, more efficiently, the available computational resources. In this way, our approach aimed at minimizing the amount of collisions, the length of paths, and the processing time by minimizing the importance of g(n) term, which accounts for storing information from past steps of A* family algorithms. To show the effects of this modification, a survey of the best search strategies in dynamic and static environments was carried out and, after that, we analyzed the four best and latest algorithms, according to the specialized literature. Some comparisons have been made considering static and highly dynamic environments with different directions and search parameters to measure the quality of generated paths. Then, these algorithms were again analyzed with their cost functions modified according to our approach. The results of the comparison show that the R* algorithm, with forward search, is the most efficient for different spaces and searches. However, the change in their respective cost functions provided a significant improvement in the already excellent results achieved by the algorithms. In static environments, this modification showed up to be more effective for large and complex problems, which are commonly used for real robots. In highly dynamic environments, the cost function modification provided a considerable reduction in the time of planning and number of iterations to find the goal, as well as reductions in the memory utilization. / Uma das principais questões relacionados ao tema da robótica móvel é descobrir a maneira mais eficiente para realizar a navegação, de um ponto a outro no ambiente, com máxima segurança e despendendo a menor quantidade de tempo e de recursos computacionais possível. À vista disso, o presente trabalho se motiva a desenvolver uma melhoria heurística que possa ser aplicável às funções custo dos principais algoritmos baseados na família A* e que propõe utilizar, de forma mais eficiente, os recursos computacionais disponíveis, aperfeiçoando assim, os resultados obtidos através dos principais algoritmos de buscas aplicados à robótica móvel. A mesma tem o objetivo de minimizar a quantidade de colisões, a duração do trajeto, bem como o tempo de processamento através da minimização da importância da variável g(n) - responsável em armazenar informações subutilizadas do passado dos algoritmos. Para visualizar os efeitos dessa modificação, um levantamento das melhores estratégias de busca em ambiente estático e dinâmico foi realizado e, através deste, foram analisados os quatro melhores e mais atuais algoritmos destacados pela literatura técnica especializada. Algumas comparações foram efetuadas considerando ambientes estáticos e altamente dinâmico com diferentes direções de busca e parâmetros que visavam mensurar a qualidade das trajetórias geradas. Em seguida, esses foram novamente analisados com suas respectivas funções custo modificada. Os resultados da comparação demonstraram que o algoritmo R*, com direção de busca direta, é o mais eficiente para diferentes espaços e pesquisas. No entanto, a modificação em suas respectivas funções custo proporcionou uma melhora significativa nos resultados conquistados pelos algoritmos originais. Em ambientes estáticos, esta modificação se mostrou mais eficaz para problemas grandes e complexos, os que são efetivamente utilizados por robôs reais. Em ambientes altamente dinâmicos, a mesma apresentou uma redução considerável no tempo de planejamento e no número de iterações para localizar o objetivo, bem como reduziu a utilização de memória o que, consequentemente, tornou os robôs mais ágeis e habilidosos.
|
4 |
Modelos de memória associativa em redes neurais para planejamento e controle ponto a ponto de trajetória para um braço mecânico / Associative memory models in neural networks for point to point control and planning robot arm trajectoryVieira, Marcelo 12 December 1997 (has links)
A contribuição e objetivo desta tese é desenvolver um modelo de redes neurais artificiais, baseado em princípios de memória associativa, capaz de resolver o problema de planejamento e controle ponto a ponto de trajetória de um braço mecânico imerso em um ambiente parcialmente conhecido e/ou sujeito a ruídos. O modelo proposto é formado por dois planos: plano seqüência temporal e plano ângulo. Para o plano seqüência temporal, o novo modelo proposto chamado de Memória Associativa Multidirecional Temporal (TMAM) é capaz de armazenar e recuperar n-tuplas de informações, lidar com informações ruidosas e/ou incompletas e aprender seqüências temporais. TMAM utiliza representação contínua e realimentação autoassociativa. O plano ângulo é formado pelo modelo RBF que é responsável por produzir as informações de ângulos das juntas do braço mecânico. A composição dos dois planos forma o sistema completo que é responsável pelo planejamento e controle ponto a ponto de trajetória. Em resumo, o sistema recebe informações do ponto origem e do ponto alvo, estabelece uma trajetória para atingir o ponto alvo a partir do ponto de origem e transforma os pontos espaciais da trajetória em valores de ângulos das juntas. Os resultados obtidos mostram que o modelo TMAM é capaz de recuperar, interpelar e extrapolar pontos nas seqüências, é capaz de gerar trajetórias, de memorizar seqüências de diferentes tamanhos e de lidar com duas trajetórias ao mesmo tempo. O modelo apresenta também rápido treinamento. O modelo RBF é capaz de recuperar as saídas desejadas apresentando um erro pequeno e é capaz de receber um padrão que apresenta um ponto final inatingível e gerar um conjunto de ângulos que representa um ponto final atingível. / The aim of this project is to develop an artificial neural networks model based on principles of associative memory. This neural network model must be able to solve the problem of trajectory planning and point to point control of a robot arm, which is located in a partially known and/or noisy environment. The proposed model is composed by two surfaces: the temporal sequence surface and the angle surface. For the temporal sequence surface the new propose model Temporal Multidirectional Associative Memmy (TMAM) is able to store and recall n-tuplas of information, to deal with noisy and/or incomplete information and to learn temporal sequences. TMAM uses a continuas representation and autoassociative feedback. A RBF model is used to implement the angle surface, which is liable for producing the angle information for the joint of the robot arm. The two surfaces compose the whole system which is liable for the trajectory planning and system control. Hence, the system receives information about the initial point and the target point, constructs the trajectory to reach the target point from the initial point and converts the spatial points which compose the trajectory, in values of joint angles. The obtained results show that TMAM model can recall, interpolate and extrapolate points in the sequences. The model has the ability of generating new trajectories and memorizing different size of sequences at the same time. This model also shows fast learning. The RBF model can recall the desired outputs with a small error and can receive a pattern which is formed by an unreachable final point and generate a set of angles which, in turn, represent a reachable final point.
|
5 |
Modelos de memória associativa em redes neurais para planejamento e controle ponto a ponto de trajetória para um braço mecânico / Associative memory models in neural networks for point to point control and planning robot arm trajectoryMarcelo Vieira 12 December 1997 (has links)
A contribuição e objetivo desta tese é desenvolver um modelo de redes neurais artificiais, baseado em princípios de memória associativa, capaz de resolver o problema de planejamento e controle ponto a ponto de trajetória de um braço mecânico imerso em um ambiente parcialmente conhecido e/ou sujeito a ruídos. O modelo proposto é formado por dois planos: plano seqüência temporal e plano ângulo. Para o plano seqüência temporal, o novo modelo proposto chamado de Memória Associativa Multidirecional Temporal (TMAM) é capaz de armazenar e recuperar n-tuplas de informações, lidar com informações ruidosas e/ou incompletas e aprender seqüências temporais. TMAM utiliza representação contínua e realimentação autoassociativa. O plano ângulo é formado pelo modelo RBF que é responsável por produzir as informações de ângulos das juntas do braço mecânico. A composição dos dois planos forma o sistema completo que é responsável pelo planejamento e controle ponto a ponto de trajetória. Em resumo, o sistema recebe informações do ponto origem e do ponto alvo, estabelece uma trajetória para atingir o ponto alvo a partir do ponto de origem e transforma os pontos espaciais da trajetória em valores de ângulos das juntas. Os resultados obtidos mostram que o modelo TMAM é capaz de recuperar, interpelar e extrapolar pontos nas seqüências, é capaz de gerar trajetórias, de memorizar seqüências de diferentes tamanhos e de lidar com duas trajetórias ao mesmo tempo. O modelo apresenta também rápido treinamento. O modelo RBF é capaz de recuperar as saídas desejadas apresentando um erro pequeno e é capaz de receber um padrão que apresenta um ponto final inatingível e gerar um conjunto de ângulos que representa um ponto final atingível. / The aim of this project is to develop an artificial neural networks model based on principles of associative memory. This neural network model must be able to solve the problem of trajectory planning and point to point control of a robot arm, which is located in a partially known and/or noisy environment. The proposed model is composed by two surfaces: the temporal sequence surface and the angle surface. For the temporal sequence surface the new propose model Temporal Multidirectional Associative Memmy (TMAM) is able to store and recall n-tuplas of information, to deal with noisy and/or incomplete information and to learn temporal sequences. TMAM uses a continuas representation and autoassociative feedback. A RBF model is used to implement the angle surface, which is liable for producing the angle information for the joint of the robot arm. The two surfaces compose the whole system which is liable for the trajectory planning and system control. Hence, the system receives information about the initial point and the target point, constructs the trajectory to reach the target point from the initial point and converts the spatial points which compose the trajectory, in values of joint angles. The obtained results show that TMAM model can recall, interpolate and extrapolate points in the sequences. The model has the ability of generating new trajectories and memorizing different size of sequences at the same time. This model also shows fast learning. The RBF model can recall the desired outputs with a small error and can receive a pattern which is formed by an unreachable final point and generate a set of angles which, in turn, represent a reachable final point.
|
Page generated in 0.0482 seconds