Motion planning with complete knowledge using a colored SOM Jules Vleugels, Joost N. Kok, & Mark Overmars Presentatie: Richard Jacobs.

Presentatie over: "Motion planning with complete knowledge using a colored SOM Jules Vleugels, Joost N. Kok, & Mark Overmars Presentatie: Richard Jacobs."— Transcript van de presentatie:

1 Motion planning with complete knowledge using a colored SOM Jules Vleugels, Joost N. Kok, & Mark Overmars Presentatie: Richard Jacobs

2 Overzicht Globale beschrijving Meer gedetailleerde beschrijving Samenvatting

3 Globale beschrijving Robot moet van beginconfiguratie naar doelconfiguratie zonder botsingen Kohonen netwerk: zelf-organiserende roadmap Verkregen roadmap wordt doorzocht voor oplossing

4 Voorbeeld motion planning probleem

5 Dimensies 2D/3D-workspace Translatie en rotatie

6 Tot nu toe: Cel-decompositie en roadmap-methodes –gebruiken grote datastructuren, met dure berekeningen Potentiaalveldmethoden –Lokale minima, oplossingen vaak traag

7 Nu: Gebruik van Kohonen Netwerk in combinatie met deterministische technieken

8 Idee: Laat netwerk een roadmap maken Benader Voronoi diagram

9 Netwerk - algemeen Krijgt input, produceert output Afwijking van gewenste output Pas gewichten zodanig aan dat fout kleiner wordt

10 Netwerk - hier Knooppunten zijn configuraties robot Input: configuraties van robot + label Leren: verschuiving knooppunten Doel: benader Voronoi-diagram en object boundaries

11 Geen neuraal netwerk Geen output Geen processing van informatie

12 Voorbeeld netwerk

13 Netwerk Driehoeken 1 knooppunt per hoek Initieel uniforme verdeling van knooppunten over gebied met wat random variatie Elk knooppunt is safe of unsafe

14 Leren netwerk Herhaalde leerstappen In: configuratie + label – “safe” of “unsafe” Bepaling best-matching unit (bmu) Onveilige bmu’s naar veilige confgs. toegetrokken (tot grens) Veilige bmu’s van onveilige configs. weggetrokken (Voronoi...) –Verplaatsing omgekeerd evenredig aan afstand tot bmu –Aantrekkende kracht van safe neighbors

15 Toevoegen knooppunten Lokaal vergroten precisie netwerk –Error-based –Scene-based

16 Toevoegen knooppunten

17 Error-based Error per knooppunt bijhouden Error is sommatie over verschuivingen van knooppunt Hoge error: veel beweging: veel ruimte rond knooppunt

18 Error-based strategie Iedere k leerstappen knooppunt bepalen met hoogste error-waarde Onveilig knooppunt –verste veilige buur bepalen –Voeg knooppunt toe halverwege edge (als unsafe) Veilig knooppunt –Op lange edges –Enkel tussen veilige knp. met 2 gezamenlijke unsafe neighbours

19 Voorbeeld unsafe node

20 Voorbeeld safe node

21 Scene-based adding Als veilig knooppunt in verboden configuratieruimte getrokken wordt: onveilig knooppunt toevoegen op deze configuratie.

22 Overtollige edges verwijderen Edges tussen unsafe knooppunten binnen een obstakel worden verwijderd –Geen common safe neighbor –Geisoleerde knooppunten verwijderen

23 2e fase Beweeg elke unsafe node (op object boundary) tussen zijn veilige buren Als deze configuratie veilig is: extra punt op Voronoi diagram Einde leerfase

24 Planning a motion Zoeken opeenvolging knooppunten tussen start en goal zonder botsingen Opeenvolgende knopen gevonden met A*- algoritme Check voor elk paar knooppunten of de robot daadwerkelijk van de ene naar de andere kan Artikel gebruikt lineaire interpolatie

25 Stopcriterium Wanneer heeft netwerk voldoende geleerd? Om de k leerstappen proberen of een pad gevonden kan worden: zoniet, dan doorgaan

26 Samenvatting Initialiseer netwerk Herhaal oneindig –Genereer random input –Pas posities bmu’s aan –Om de zoveel keren Toevoegen knooppunten Verwijderen overtollige edges –Om de zoveel keren Unsafe nodes naar free space Probeer pad te vinden Evt. herstellen unsafe nodes en doorgaan

27 Extra dimensie Rotatie Wrap-around Afstand afhankelijk van vorm van robot

28 Conclusie Methode geschikt voor problemen die anders te veel rekentijd kosten Kan problemen aan die moeilijk zijn voor traditionele methoden Beter dan random configuraties uitproberen??