Rengöringsrobot)) ) ) ) ) ) ) ) Effektivt)rengörande)av)hemmet)) ) ) Innehållsförteckning0 ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )

Transkript

1 Rengöringsrobot Effektivtrengörandeavhemmet Innehållsförteckning0 1.0Inledning Allmänt $Mål$ 2 3.0Termer Smutsigt0till0rent $Övergångsfasen$ 4 4.2$Perception$ 6 4.3$Kluster$av$färger$ 7 4.4$Inlärning$ 7 4.5$Hur$avgörs$benämningen$rent?$ 8 5.0Fungerar0teorin0i0verkligheten? Avslutning0 11 Litteraturförteckning0 12 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligent linbe G B01B08 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligent linbe G B01B08

2 LinköpingsUniversitet ArtificiellIntelligens 729G43 LinneaBerggren linbe B01B08 LinköpingsUniversitet ArtificiellIntelligens 729G43 2.0Allmänt0 LinneaBerggren linbe B01B08 1.0Inledning0 DennarapportgrundarsigpåendoktorsavdelningsomharskrivitsavJürgenMichael Idagärstädningnågontingsomtärbådepåmänniskorstidochkraft.Städningsesofta Hessochpubliceradesimaj2015.JürgenärdoktorandinaturvetenskappåAlbertB somettjobbigtmåstevilketgördethelatillentråkigdelavvardagen.förvissakandet LudwigsBUniversitätsomliggeridentyskastadenFreiburgimBreisgau.Avhandlingen ocksåvaraettproblemmedstädningattöverhuvudtagetklaraavdessaarbetsuppgifter. presenterarhurenrobotpåetteffektivtviskanrengöraytorutanattbehövaläggatid Ålderdomkanvaraenanledningsomgördetsvårtattklaraavattstädasitthem. påytorsomredanärrena.vissaytorbehöverheltenkeltmervårdänandra(hess, Vårdpersonalmåstedärförhastädningsomarbetsuppgiftföratthållarentochfräscht hemmahossinapatienter.omstädningeniställetkundeskötasigsjälvgenomattnågon annangjordedetskullevårdpersonalenkunnaläggamertidpåsjälvapatienten. Exempelvisskulledekunnavarautemermedsinapatienterochävenhatidattsittaoch pratameddem. 2.10Mål0 Iavhandlingenpresenterasdet4olikamålsomrobotenskauppfylla. Sammanfattningsvisärdethurrobotenskakunnatasigfram,planera,rengöraoch garanterabraresultatförennöjdkund.ettavdessamålkommerjagfördjupamigioch Omdetfinnsenrobotsomkanstädasåbehöverdenvetavadsomskastädas.Vissaytor detmåletär: behöverheltenkeltmerstädningänandraochvissakanskeinteensbehöverstädas.en robotsompåetteffektivtsättkanstädaöveralltochväljavilkaställensombehöver Hurkanenrobotlärasigattidentifieradedelaravmiljönsombehöverrengöras ochanvändainformationsomhartagitsinförattrengöraeffektivt? Föratttestadeantagandensomhargjortsiavhandlingenhardessatvårobotar rengörasärdärförlösningenpåproblemet.dettarförlångtidförenrobotattstäda används. igenometthelthusförattfåbortenstakafläckaromdenbaraskastädaefterett rörelseschema.enrobotdammsugareärintelösningenpådettaproblemutandet behövsenrobotsomkanrengöra3dytor.detskulleunderlättamångasvardagsliv. PR2 (Willow Garage Roomba 560 (irobot 1Omingetannatnämnsärdetdennakällasomgäller,bådeförtextochbilder. 1 2

3 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 3.0Termer00 B B B Markov$decision$process$(MDP Enfunktionsompresenterarproblemetfrånetttillståndtillettannat(Ronald, 2007.Ivårtfallkommerdethandlaomtillståndetfrånnärdetfinnssmutstill tillståndetnärdetärrent. RGBND$kamera$ EnkamerasomfångaruppRGBBbildersommotsvararRGBBfärgernakan kombinerasmedvarandraförattfåframdenrättafärgen.kamerankanäven läsaavavståndentillolikaföremål.kamerananvändsdärföroftaförattkunna kartläggaenarbetsytasomrobotenidettafallmåstekunnarengöra(henry, Krainin, Herbst, Ren, & Fox.$ Kluster$ Ärengruppavnågonting,alltfrånaktörertillobjekt,somdrastillvarandrapå grundavgemensammafaktorer(strand & Åkerström.Iavhandlingenanvänds ordetklusterisammanhangetfärgförattavgöravilkenfärgsomtillhörvilket kluster. B KNMeans$Clustering$ Enalgoritmsomanvändsvidoövervakadinlärning.Förattlösaklustrings problemetsåanvändsdennaalgoritmeftersomdetärettenkeltochsmidigtsätt förattkunnaklassificeraobjektetellerobjektensådehamnarirättkluster(a Tutorial on Clustering Algorithms. B Deterministisk$ Närenmiljöärdeterministiskbetyderdetattnästatillståndendastberorpå tillståndetagentenärijustdåochävenvilkenhandlingagentenväljeratttaför atttasigtillnästatillstånd(russell & Norvig, B Greedy$search$ Ensökningsmetodsomvarkenärkomplettelleroptimal.Föratttasigtillsittmål sökerdengenomattletaefterdennärmastevägenfrånennodtillenannan.i slutändankandetresulteraiattvägeninteallsbehövervaradennärmasteutan attdetfinnsenbättreväg(russell & Norvig, LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 4.0Smutsigt0till0rent0 Förattkunnataredapåomenfläckpåettbordharförsvunnitellerinteefterrengöring behövsdetenfunktionsomkanavgöradet.förattävenvetasäkertomsmutsenär bortabehöversmutsenävenklassificerassåattrobotenvetnärfärgenharövergåtttill enannanklass.närdenhargjortdetkanrobotenslutarengörafläcken.mdpsfunktion användsdärföreftersomdethelaärenövergångsfasfråndetenatilldetandra tillståndet.robotenobserverarävensinaresultatföratttalärdomavsinarengöringsb åtgärderochanvändadenkunskapenvidandrafläckar.omrobotenlärsig övergångsfasenkandenlättareidentifieravadsomärsmutsigtochåtgärdadet. 4.10Övergångsfasen0 MDPsmodellanvändsförattkunnaräknapåhurövergångsfasenskaskefrånattdetär smutsigttillsdetärrent.modellenskavisaomdetharblivitrenareavdeåtgärdersom robotenhargjort.modellenserutpåföljandesättochvisassomentupel: $ S$Baktuellatillståndet$ AN$demöjligahandlingarsomfinns$ P$(s$' $s,$a$n$övergångsfunktionen,omhandlinga$görspåtillståndsfårvidetnya tillståndets$'$ R(s,$a,$s$'$ $belöningsfunktion,$geren belöning omhandlingagörspåtillstånds såattettnytttillstånds$'$skapas$ Förattlösarengöringenbehöverviävenenvariabelförytansomskarengöras. VariabelntilldelasbokstavenCsomstårförsamtligacellerfördenaktuellaytan.Varje cellfårvariabelnmsåattdetgårattskiljapåallaceller.variabelnxanvändssom variabelförrobotensplaceringavverktygsomanvändsvidrengöringenochvariabelnj$ förfärgen. Övergångsfunktionensomfinnshartvåmålmedsinfunktionochdeärattrörapå verktygetochattfåenförändringpåarbetsytan.eftersomattviintevetiförväghur 3 4

4 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 verktygetskarörasigärdetdeterministiskt.olikahandlingarkommerdärföralltidatt krävasförattnåettsåbraslutresultatpåcsommöjligt. Nästastegförattförståövergångsfasenärattförklaraattomhandlinga$görsienviss cellsomharfärgenjsåkommerdetledatillattvihamnariettnytttillstånd.handlingen somgörspåfärgenjäralltsåintesammafärgj$idetnyatillståndet.dettavisasiformeln underochvisarävenattrengöringensomhargjortshargettresultateftersomattdet nyatillståndetinteharsammafärgsomidettidigaretillståndet. Närdetharbevisatsattfärgenintekanvaradensammaidettidigareochidetnya tillståndetbetyderdetattformelnunderärsann.förattgåvidareiförståelsenav övergångsfasenärdettanästaochsistasteget. LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B Perception0 Vimänniskoranvändervåraögonsominformationskällagällandeatttaininformation frånomgivningen.förattrobotenskakunnagöradetbehöverdenenkamerasomkan göradetsamma.genomattsättaditenrgbbdkanrobotenskaffasigenbildav arbetsytansomdenskaarbetamed.informationensomtasingerroboteninformationi formaven3dbildsomvisar,yta,avståndochfärger.dedelaravbildensomharett annatavstånd,ettkortareavstånd,ansesvaradedelarsomskullekunnavarasmutsigai jämförelsemedytanprecisbredvid.enberäkninggörsdärefterföratttaredapåhur stortområdetsmutsenbefinnersigpå.beroendepåvilketverktygrobotenanvänder bestämscellernasstorlekutefterdet.encellskakunnatäckasavettverktygförattpå ettelleravupprepandehandlingarkunnafåbortsmutsen.cellernaärsedandesom ingårirutnätet. Handlinga$görspåenindividuellcellpåarbetsytan.Omvivetvilkencellsomharbytt tillståndvetviävenvilkenpositionjustdencellenharvilketbetyderattvikan bestämmaexaktvartvivillattrobotenskaregöra.genomdessaformlerhardetbevisats attmdpsfunktion,omdelenövergångsfasen,fungerargällandeatttabortenvissfläck påenstoryta. Belöningsfunktionenvisarpåattomdetskerenhandlingavidetttillståndssåkaninte sammahandlinggöraspådetnyatillståndet.omsammahandlingintekanskepå sammaindividuellacellpådetnyatillståndethardetbevisatsattdetharrengjorts. Belöningenskerdärförendastomhandling$a$görsåatttillstånds$hamnaridetnya tillståndet$s$'.$ BildAvisarbildensomRGBBDkamerantarindärbådedjupetochfärggerossen överblicköverarbetsytan.denandrabilden,bildb,visarhurbildenhardelatsini kluster.bildenharävendiskretiserats.bildcärdensistabildendärbildenhardelatsin iettrutnätdärvarjecellellerrutaharblivittilldeladenavdeklustersomfärgenistegb hade.detfinnstotalttreolikaklusterpådensistabildenochvarjecellhardärmedfått enavdessakluster.dockbetyderdetinteatthelacellenisistabildenärjustavettoch sammaklustereftersomdetkanfinnasnågonpixelicellensomfortfarandeärien 5 6

5 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 annanfärg.förattkunnabestämmavilkenfärgcellenfårärdetfärgensomharflest pixlarsomvinner. 4.30Kluster0av0färger0 RGBBfärgernasomtasuppavRGBBDkamerandelasautomatisktuppiolikaklusterför attdesedanskapassainpåvarjecellstillstånd.förattdetskafungeraanvänds algoritmenkbmeansclusteringsomoftaanvändsvidmappningavjustkluster.påbilden nedanvisasresultatetavrengöringenpådetreklustrensomharobserveratspåden aktuellaytan.detsombildenvisarärattdetförstaklustret(klass1somharfärgen bruntminskaskraftigtfrånsittförstatillståndtilldetnyatillståndetefterrengöring. Denandraklusterfärgengulökarkraftigtefterrengöringochdenblåaklustergruppen harenlitenökningmendenärminimal.slutsatsensomkandrasärattdenbruna färgenharövergåtttilldengulafärgenvilketbetyderattdetbrunaärsmutssomligger pådengulaytan. LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 Detsomformelnsägerärattdetnyatillståndetharklassenj$ochdetärgivetdetförra tillståndetdärenhandlingagjordespåklasseni.$dettaskamotsvaradepixlart$frånen klassi$tillenannanklassj,delatpå1observationgångerpixlarfrånenklasstillenny klass.dennaformelanvändsförattsesåattallafärgerharsammaförutsättningar gällandeövergången. Förattvetaheltsäkertattetttillståndattövergåtttillettannatanvändsytterligareen formel: Kortfattatkanformelnförklarasgenomattdentarredapåomklassi$harövergåtttill klassj.dennaformellederisinturtillattvivetvadsomkrävsförattfåenytaren,från etttillståndtillettannat.formelnunderanvändsdärförförattkunnataredavadβfår förvärde.dettavärdeanvändssedanförattjämförasmedtröskelvärdetförattavgöra omfärgenharhunnitkonvertera.dennaformelär: 4.40Inlärning0 Ettavmålenmedavhandlingenvarattrobotenskullelärasigattidentifieradedelarav enytasomvarsmutsigochsedananvändainformationenförettpåetteffektivtsätt rengöra.dennaövergångsfasmedformelnp$(s$' $s,$a$hardärförstorbetydelseföratt robotenskalärasigattrengöraceller.förattgåindjuparebehövsdetytterligare variabler.t$ärvariabelnsommotsvararhuroftaenpixeliencellharobserveratseller rengjorts.ettantagandeharhärgjortomattvarjepixelåtminstoneharobserverats1 gång.variabeln$i$och$jvisarhurklassens$färgi$harövergåtttillennyklassj$efter rengöring.variabelnpˆ$harocksåanvändsochdetmotsvararmdpsformel. 4.50Hur0avgörs0benämningen0rent?0 GenomattanvändasigavRGBBDkameraochMDPsmodellharrobotennukunskapom varsmutsenärochhurdenkanberäknaochseskillnadfrånetttillståndtillettannat. Nästafrågaärvadsomräckerförattdetskavararent.Räckerdetattdetblirrenare medenlitenförändringellerskaytanbliännurenareänytanpåsidanavsmutsen?för attrobotenskakunnaavgöranärdetärrentharetttröskelvärdesattsinsomvisarnär robotensåtgärderärtillräckligaförettbraochslutgiltigtresultat.idettafallhardet valtsatttröskelgränsenskavaramindreänett. 7 8

6 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 rengöras.robotenuppdaterardärförhelatidenvartefterdetharsketten rengöringshandlingförattlärasignärdetharblivitheltrent. Detformelngörärattdenräknaruthurmångacellersomhinnerrengörasinnan tröskelgränsenärnådd.närδ<1slutardärmedrobotenattrengöraavenvisscelldå ytterligarerengöringinteskullevisanågonmärkbartförändring. 5.0Fungerar0teorin0i0verkligheten?0 FörattseattteorinominlärningfungerarharrobotenPR2(WillowGaragefåtttestaatt rengöraettbord.metodensomanvändsföratttasigfrånfläcktillfläckärgreedysearch. Denförstabildenvisarhurrobotenendastharrengjortfrånkanttillkantenligtett rörelseschema.denharalltsåinteanväntsigavnågoninlärningsmetodutanallaytor harrengjortslikamycket.deandratvåbildernavisarexempelpåhurrobotenharstädat fläckförfläck,allaytorhardärmedintestädatsutanendastdärdenharuppskattatsatt detfinnssmuts.förattrobotenskalärasigövergångsfasensåtestardenförstpåvissa cellerochdessaärdemeddeblåaprickarna.närdessacellerärrenaelleromdehar konverteratsfrånenfärgklasstillenannan,harrobotenlärtsigdetsomdenmåste kunnaochkandärmedbörjaplaneraförhurdenskarörasigmellanfläckarna.sombild bochcvisarsåfinnsdetbådeblåabanorochgrönabanorsomdenrörsigefter.den blåabananärvägensomrobotenförstväljeratttaförattrengöra.efterrengöringen observerarrobotenpånyttochseromresultatetärtillräckligtbraellerinte.ominteså användsdengrönabananförattrengöraytterligarepådefläckarsombehöver Bildenovanvisarsannolikhetenförhurfärgklassernaförändrasellerinteefter rengöring.iförstaexperimentetärsannolikheten0,07förattklass1inteändrasvid rengöringsamt0,99förklass2.detbetydersammanfattningsvisattsannolikhetenär myckethögförattrengöringavdenorangefärgenkommergeresultatsamtväldigtliten påklass2.robotenkandralärdomavdettasomresulterariattrobotenvetattomden rengördenorangeytansåkommerdetvara0,93sannolikhetattdenkommerövergåtill vitfärg.experiment2fungerarpåsammasätt,detsomskiljerexperiment1och2åtär attdetärflerfärgeridetandraexperimentet. Förattfåenöverblicköverhursnabbtrobotenjobbarharexperimentetgjortsom10 gångerförattseattdetinteendastvarentillfällighetattrobotenpresteradebra. Sammanfattningsvishardetletttillattinlärningstidenförhurrobotenliggerpåcirka23 sekunderochdenutförligatidenförinlärning,utförandeochobservationavresultat hamnarpåcirka100sekunder. 9 10

7 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 6.0Avslutning0 Idenhärrapportenförklarasdethurenrobotpåettsjälvständigtsättkanrengöraen ytapåetteffektivtsätt.genomattanvändasigavmdpsmodellkanrobotenlärasighur övergångsfasenförändrasfrånetttillståndtillettannat.rgbbdkameransomanvänds gerinformationtillrobotensomgörattdenkanfåenbildavvilkenmiljödenharatt arbetamedochgerävenavståndtillallaföremål.informationomfärgertasocksåinså attfärgernakandelasuppikluster.dettaförattfåenbättreöverblickövervadsomär vad.robotenlärsigsedangenomattobserverasinaåtgärder,inteengångutandetsker regelbundet.genomattobserveralöpandevetrobotennärensmutsigfläckärhelt borta.eftersommiljönbytshelatidenmåsterobotenalltidlärasigpånyttochdentestar dåalltingpåentillfleracellerförattbliinlärd.stegetefterdetäratthittaenbravägför attkunnaförflyttasigfrånfläcktillfläckmedhjälpavgreedysearch.somdetärsagtär greedysearchinteenoptimalellerkomplettsökmetod,därförbordedennadelav processensesövereftersomdetfinnsandrasökmetodersomkanlämpasigbättre.a*är enavdessasökmetodersombådeäroptimalochkomplettsomkanskeskullekunna utföraarbeteteffektivareutanattbehövatalängrevägarochsparatidpåsåsätt.varför greedysearchharanvändsidennaavhandlingärförattytanpåbordetsomska rengörasärsåpassliten.argumentetärdärföratttidsförlusteninteharenstor påverkanpåhureffektivrengöringenär. Enrengöringsrobotsomkanstädaochrengörapåetteffektivtsättihemmetskulle därförunderlättavardagenförmånga,bådefriska,sjukaochtillåldernkommen.tiden skulleiställetkunnaläggaspåroligaaktiviteter,friskvårdochsamvaromedvarandra. Förattfåettgottlivochkunnaåldraspåettbrasättskullemångatyckaattdet underlättarvardagenommanslipperslitautkroppenmedstädningiolämpliga arbetsställningar. LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe G B01B08 Litteraturförteckning0 (u.d..hämtatfrånatutorialonclusteringalgorithms: Henry,P.,Krainin,M.,Herbst,E.,Ren,W.,&Fox,D.RGBND$Mapping:$Using$Depth$Cameras$ for$dense$3d$modeling$of$indoor$environments.seattle,wa. Hess,J.M.(2015.Efficient$Approaches$to$Cleaning$with$Mobile$Robots$.Freiburgim Breisgau:JürgenMichaelHess. Ronald,H.(2007.Dynamic$Probabilistic$Systems,$Volume$II:$SemiNMarkov$and$Decision$ Processes.NewYork:Inc.,31East2ndStreet,Mineola,N.Y. Russell,S.,&Norvig,P.(2010.Artificial$Intelligence,$A$Moderna$Approach,$Thrid$Edition. NewJersey:PearsonEducation,Inc. Strand,Å.,&Åkerström,A.Vad$kännetecknar$framgångsrika$kluster.Umeå