Rengöringsrobot Effektivtrengörandeavhemmet Innehållsförteckning0 1.0Inledning0 1 2.0Allmänt0 2 2.1$Mål$ 2 3.0Termer0 3 4.0Smutsigt0till0rent0 4 4.1$Övergångsfasen$ 4 4.2$Perception$ 6 4.3$Kluster$av$färger$ 7 4.4$Inlärning$ 7 4.5$Hur$avgörs$benämningen$rent?$ 8 5.0Fungerar0teorin0i0verkligheten?0 9 6.0Avslutning0 11 Litteraturförteckning0 12 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligent linbe895 729G43 2016B01B08 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligent linbe895 729G43 2016B01B08
LinköpingsUniversitet ArtificiellIntelligens 729G43 LinneaBerggren linbe895 2016B01B08 LinköpingsUniversitet ArtificiellIntelligens 729G43 2.0Allmänt0 LinneaBerggren linbe895 2016B01B08 1.0Inledning0 DennarapportgrundarsigpåendoktorsavdelningsomharskrivitsavJürgenMichael Idagärstädningnågontingsomtärbådepåmänniskorstidochkraft.Städningsesofta Hessochpubliceradesimaj2015.JürgenärdoktorandinaturvetenskappåAlbertB somettjobbigtmåstevilketgördethelatillentråkigdelavvardagen.förvissakandet LudwigsBUniversitätsomliggeridentyskastadenFreiburgimBreisgau.Avhandlingen ocksåvaraettproblemmedstädningattöverhuvudtagetklaraavdessaarbetsuppgifter. presenterarhurenrobotpåetteffektivtviskanrengöraytorutanattbehövaläggatid Ålderdomkanvaraenanledningsomgördetsvårtattklaraavattstädasitthem. påytorsomredanärrena.vissaytorbehöverheltenkeltmervårdänandra(hess, Vårdpersonalmåstedärförhastädningsomarbetsuppgiftföratthållarentochfräscht 20151. 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
LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 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, 2010. B Greedy$search$ Ensökningsmetodsomvarkenärkomplettelleroptimal.Föratttasigtillsittmål sökerdengenomattletaefterdennärmastevägenfrånennodtillenannan.i slutändankandetresulteraiattvägeninteallsbehövervaradennärmasteutan attdetfinnsenbättreväg(russell & Norvig, 2010. LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 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
LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 verktygetskarörasigärdetdeterministiskt.olikahandlingarkommerdärföralltidatt krävasförattnåettsåbraslutresultatpåcsommöjligt. Nästastegförattförståövergångsfasenärattförklaraattomhandlinga$görsienviss cellsomharfärgenjsåkommerdetledatillattvihamnariettnytttillstånd.handlingen somgörspåfärgenjäralltsåintesammafärgj$idetnyatillståndet.dettavisasiformeln underochvisarävenattrengöringensomhargjortshargettresultateftersomattdet nyatillståndetinteharsammafärgsomidettidigaretillståndet. Närdetharbevisatsattfärgenintekanvaradensammaidettidigareochidetnya tillståndetbetyderdetattformelnunderärsann.förattgåvidareiförståelsenav övergångsfasenärdettanästaochsistasteget. LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 4.20Perception0 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
LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 annanfärg.förattkunnabestämmavilkenfärgcellenfårärdetfärgensomharflest pixlarsomvinner. 4.30Kluster0av0färger0 RGBBfärgernasomtasuppavRGBBDkamerandelasautomatisktuppiolikaklusterför attdesedanskapassainpåvarjecellstillstånd.förattdetskafungeraanvänds algoritmenkbmeansclusteringsomoftaanvändsvidmappningavjustkluster.påbilden nedanvisasresultatetavrengöringenpådetreklustrensomharobserveratspåden aktuellaytan.detsombildenvisarärattdetförstaklustret(klass1somharfärgen bruntminskaskraftigtfrånsittförstatillståndtilldetnyatillståndetefterrengöring. Denandraklusterfärgengulökarkraftigtefterrengöringochdenblåaklustergruppen harenlitenökningmendenärminimal.slutsatsensomkandrasärattdenbruna färgenharövergåtttilldengulafärgenvilketbetyderattdetbrunaärsmutssomligger pådengulaytan. LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 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
LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 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
LinköpingsUniversitet LinneaBerggren ArtificiellIntelligens linbe895 729G43 2016B01B08 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 linbe895 729G43 2016B01B08 Litteraturförteckning0 (u.d..hämtatfrånatutorialonclusteringalgorithms: http://home.deib.polimi.it/matteucc/clustering/tutorial_html/kmeans.htmlden0701 2016 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. 11 12