23764

ناوبري ربات متحرك با استفاده از تركيب اطلاعات سنسوري هوشمند

كارشناسي ارشد

مهندسي برق- كنترل

1399

1399/8/30

جناب آقاي دكتر عليرضا محمد شهري

جناب آقاي دكتر محمد فرخي

مهندسي برق

چندين دهه است كه ناوبري ربات به طور گسترده مورد مطالعه قرار گرفته است. ربات بايد بدون اينكه از اپراتور انساني كمك بگيرد، مسير ايمني را از نقطه مبدأ به سمت نقطه مقصد طي كند در حالي كه در طول مسير به مردم آسيبي نرساند و خودش نيز آسيبي نبيند. براي اين كار ربات بايد با استفاده از حسگرهاي خود محيط را شناسايي كند و در مواردي كه با موانع مواجه مي شود از تكنيك هاي پرهيز از مانع استفاده كند. بنابراين انتخاب روش مناسب در ناوبري ربات موضوعي مهم است. منطق فازي به دليل قابليت محاسبه دقيق و توانايي استنباط در شرايط عدم اطمينان، براي برنامه ريزي حركت ربات متحرك مناسب است. شبكه عصبي نيز به دليل قابليت تقريب زدن قوي توابع غيرخطي و توانايي يادگيري، بسيار كاربرد دارد. به همين دليل از منطق فازي و شبكه عصبي بازگشتي براي ايجاد شبكه عصبي فازي بازگشتي (RFNN) استفاده كرده ايم. براي استفاده از RFNN در سيستم هاي غيرخطي به صورت زمان حقيقي، يك روش آموزش مؤثر بايد اتخاذ شود. الگوريتم فيلتر كالمن توسعه يافته (EKF) توانايي آموزش مؤثر و دقيق را دارد. ازاين رو، براي آموزش RFNN از اين الگوريتم استفاده كرديم كه مي تواند حركت ربات متحرك را به طور دقيقي برنامه ريزي كند. براي بررسي تأثير روش، شبيه سازي را براي ربات متحرك مجهز به حسگرهاي GPS، IMU و LiDAR در سه محيط بدون مانع، محيط با موانع كم و محيط با موانع زياد، انجام داديم. همچنين نتيجه حاصل را با دو روش ديگر مقايسه كرديم. نتايج به دست آمده در پايان نامه ارائه شده اند.

1399/11/19

Mobile Robot Navigation Using Intelligent Sensor Fusion

11/20/2020 12:00:00 AM

Robot navigation has been extensively studied for several decades. It can be termed as the safe mobility of the robot from a source location to a target location, without hurting people, and without damaging itself, and these tasks are performed with no need for a human operator. For this purpose, the robot must use its sensors to detect the environment and in cases where the autonomous vehicle encounters obstacles, it uses obstacle avoidance techniques. Hence, choosing the right method for robot navigation is an important issue. Fuzzy logic is well suited for programing mobile robot’s motion for its accurate calculation capability and inference capability under uncertainty. Neural network is also widely used due to its strong nonlinear approximation and self-learning capability. For this reason, we use fuzzy logic and recurrent neural network structure to form Recurrent Fuzzy Neural Network (RFNN). To apply RFNN to real-time nonlinear programs, an effective training method should be adopted. The Extended Kalman Filter (EKF) is able to train efficiently and accurately. Therefore, it is suitable for training RFNN to program the autonomous mobile robot’s motion in an accurate way. To evaluate the efficacy of the proposed method, we performed simulations for a mobile robot equipped with GPS, IMU in LiDAR sensors in obstacle-free environment, environment with a few obstacles and environment with lots of obstacles. We also compared the result with the other two methods. The results are presented in the thesis.

شبكه فازي عصبي بازگشتي , فيلتر كامن توسعه يافته , ناوبري ربات متحرك , تركيب اطلاعات سنسوري هوشمند

Recurrent Fuzzy Neural Network , Extended Kalman Filter , Mobile Robot Navigation , Intelligent Sensor Fusion