<p>Denna rapport beskriver utvecklingen av en stelkroppssimulator. Syftet är att föreslå en generell design som tillåter stor flexibilitet i val av algoritmer för implementeringen. Rapporten förutsätter att läsaren är bekant med linjär algebra och objektorienterad programmering. Teoriavsnittet ger en introduktion till rotationer i tre dimensioner, grundläggande fysiska begrepp och fysiksimulering. Den slutgiltiga produkten baseras en objektorienterad modell implementerad i C++. Genom att generalisera de algoritmer som simulatorn använder för att uppdatera kropparnas tillstånd uppnåddes stor flexibilitet. För uppdatering av kropparnas positioner användes Eulers stegmetod tillsammans med Newtons andra lag. Kollisionsdetektionssystemet byggdes som ett utbyggbart system där användaren kan lägga till stöd för nya former på kropparna. I denna första version av simulatorn implementerades stöd för plan, sfärer, capsules och boxar. Impulser genererades i kontaktpunkterna för att förhindra kropparna från att överlappa varandra. Även friktion och restriktionsfunktioner implementerades med hjälp av impulser. För att optimera tidssteget infördes en avaktiveringsregel som stoppar simuleringen för kroppar som är i vila. På så sätt undveks en rad onödiga positionsuppdateringar och kollisionstester.</p>

Denna rapport beskriver utvecklingen av en stelkroppssimulator. Syftet är att föreslå en generell design som tillåter stor flexibilitet i val av algoritmer för implementeringen. Rapporten förutsätter att läsaren är bekant med linjär algebra och objektorienterad programmering. Teoriavsnittet ger en introduktion till rotationer i tre dimensioner, grundläggande fysiska begrepp och fysiksimulering. Den slutgiltiga produkten baseras en objektorienterad modell implementerad i C++. Genom att generalisera de algoritmer som simulatorn använder för att uppdatera kropparnas tillstånd uppnåddes stor flexibilitet. För uppdatering av kropparnas positioner användes Eulers stegmetod tillsammans med Newtons andra lag. Kollisionsdetektionssystemet byggdes som ett utbyggbart system där användaren kan lägga till stöd för nya former på kropparna. I denna första version av simulatorn implementerades stöd för plan, sfärer, capsules och boxar. Impulser genererades i kontaktpunkterna för att förhindra kropparna från att överlappa varandra. Även friktion och restriktionsfunktioner implementerades med hjälp av impulser. För att optimera tidssteget infördes en avaktiveringsregel som stoppar simuleringen för kroppar som är i vila. På så sätt undveks en rad onödiga positionsuppdateringar och kollisionstester.

Bredkollisionsdetektionsalgoritmer är oftast specialiserade så de endast fungerar optimalt i specifika scenarier. Arbetsbelastningsanpassande algoritmer skulle möjligen vara effektiva i flera olika scenarier, likt de som kan uppstå i datorspel. Detta arbete undersökte hur två arbetsbelastningsanpassande algoritmer för bredkollisionsdetektering (BVH-SR och KD-SAP) presterade gentemot datorspelsliknande scenarier (DLS) jämfört med icke arbetsbelastningsanpassande. Algoritmerna testades i testramverket Broadmark med olika scenarier. Andelen statiska och totala antalet objekt varieras mellan scenarier. Under testningen mättes algoritmernas exekveringstid för varje bilduppdatering. Broadmark vidareutvecklades för att möjliggöra testning mot DLS. BVH-SR behövdes implementeras i ramverket. Resultatet från undersökningen visade att KD-SAP var den algoritm som presterar bäst och mest stabilt i majoriteten av scenarierna. BVH-SR var bäst för stora scenarier men jämfört med KD-SAP var den medioker i övriga. Möjliga framtida arbeten inkluderar bland annat att testa fler algoritmer i Broadmark och resultatet kan användas för att identifiera en lämplig algoritm för bredkollisionsdetektion vid implementation av ett datorspel.

Purpose – The purpose of the study is to expand the knowledge of how wheel motor currents can be combined with machine learning to be used in a collision detection system for autonomous robots, in order to decrease the number of external sensors and open new design opportunities and lowering production costs. Method – The study is conducted with design science research where two artefacts are developed in a cooperation with Globe Tools Group. The artefacts are evaluated in how they categorize data given by an autonomous robot in the two categories collision and non-collision. The artefacts are then tested by generated data to analyse their ability to categorize. Findings – Both artefacts showed a 100 % accuracy in detecting the collisions in the given data by the autonomous robot. In the second part of the experiment the artefacts show that they have different decision boundaries in how they categorize the data, which will make them useful in different applications. Implications – The study contributes to an expanding knowledge in how machine learning and wheel motor currents can be used in a collision detection system. The results can lead to lowering production costs and opening new design opportunities. Limitations – The data used in the study is gathered by an autonomous robot which only did frontal collisions on an artificial lawn. Keywords – Machine learning, K-Nearest Neighbour, Multilayer Perceptron, collision detection, autonomous robots, Collison detection based on current. / Syfte – Studiens syfte är att utöka kunskapen om hur hjulmotorstömmar kan kombineras med maskininlärning för att användas vid kollisionsdetektion hos autonoma robotar, detta för att kunna minska antalet krävda externa sensorer hos dessa robotar och på så sätt öppna upp design möjligheter samt minska produktionskostnader Metod – Studien genomfördes med design science research där två artefakter utvecklades i samarbete med Globe Tools Group. Artefakterna utvärderades sedan i hur de kategoriserade kollisioner utifrån en given datamängd som genererades från en autonom gräsklippare. Studiens experiment introducerade sedan in data som inte ingick i samma datamängd för att se hur metoderna kategoriserade detta. Resultat – Artefakterna klarade med 100% noggrannhet att detektera kollisioner i den giva datamängden som genererades. Dock har de två olika artefakterna olika beslutsregioner i hur de kategoriserar datamängderna till kollision samt icke-kollisioner, vilket kan ge dom olika användningsområden Implikationer – Examensarbetet bidrar till en ökad kunskap om hur maskininlärning och hjulmotorströmmar kan användas i ett kollisionsdetekteringssystem. Studiens resultat kan bidra till minskade kostnader i produktion samt nya design möjligheter Begränsningar – Datamängden som användes i studien samlades endast in av en autonom gräsklippare som gjorde frontalkrockar med underlaget konstgräs. Nyckelord – Maskininlärning, K-nearest neighbor, Multi-layer perceptron, kollisionsdetektion, autonoma robotar