Este trabalho teve como objetivo apresentar uma técnica de navegação com planejamento dinâmico para robôs móveis terrestres baseada em algoritmos genéticos, chamada de Dynamic
Planning Navigation Algorithm optimized with Genetic Algorithm (DPNA-GA), e validá-la
quanto a sua robustez e efetividade.
Tomando como base as estratégias descritas na literatura, o DPNA-GA apresenta um esquema de navegação com planejamento local (aplicado a ambientes estáticos e dinâmicos), no qual não existe necessidade de conhecimento prévio do mapa a ser explorado. Além disso, o tamanho dos indivíduos independe da complexidade do ambiente, diminuindo assim custo computacional; e, portanto, sendo essa uma das vantagens em relação a métodos propostos em outros trabalhos. As simulações mostraram que o DPNA-GA alcança soluções de percursos viáveis para vários tipos de ambientes, diante de mudanças associadas aos parâmetros genéticos, mostrando assim uma robustez a um custo computacional relativamente menor quando comparado às outras estratégias de planejamento global e local.
Para avaliar o funcionamento do algoritmo, primeiramente, o mesmo foi testado em ambientes diversificados (estáticos e dinâmicos), utilizando-se valores fixos para os parâmetros genéticos com o intuito de verificar sua efetividade em diferentes situações. As simulações demonstraram que, para os tipos de ambientes testados, a técnica se mostrou satisfatória, levando o robô em tempo hábil ao objetivo final em todas as situações de teste.
Depois, foram feitos testes quanto à robustez frente à variação dos parâmetros genéticos. Para isso, foram realizadas simulações em dois tipos de ambiente (ambientes e ) alterando-se o número de gerações ( ), o tamanho da população ( ) e a taxa de cruzamento ( ). Mais uma vez a técnica DPNA-GA se mostrou eficaz em todas as configurações testadas, com o robô alcançando o objetivo em todos os casos, embora tenha havido vantagem de determinada configuração em relação às outras.
Por fim, o algoritmo proposto neste trabalho foi comparado com outros dois métodos descritos na literatura (Tuncer & Yildirim, 2012; Yongnian, et al., 2012). Comparado com o algoritmo de Tuncer & Yildirim (2012), o DPNA-GA obteve uma desvantagem de 5% em relação à distância percorrida e uma vantagem de 60% em relação ao tempo de
processamento, para o ambiente do tipo A. Enquanto que, para o ambiente B, houve desvantagem por parte do DPNA-GA para ambos distância percorrida e tempo de processamento, com diferenças de 10% e 8%, respectivamente. Já quando comparado ao método apresentado por Yongnian et al. (2012), o DPNA-GA obteve vantagem tanto para a distância percorrida quanto para o tempo de processamento em se tratando do ambiente C, com diferenças de 6% e 25%, respectivamente. E, finalmente, para o ambiente do tipo D, houve desvantagem do DPNA-GA em relação ao método proposto por Yongnian et al. (2012) quanto aos dois parâmetros análisados: 29% de diferença em relação à distâcia percorrida e 14% em relação ao tempo de processamento.
Com base nas análises dos dados apresentados nas simulações, a técnica de navegação proposta neste trabalho mostrou-se aplicável em diversas situações, não restando dúvidas quanto a sua aplicabilidade em casos práticos reais, sendo essa uma das sugestões para trabalhos futuros. Pretende-se ainda aprofundar o estudo da técnica, viabilizando-a para uso em ambientes ainda mais complexos, aumentando assim sua aplicabilidade.
Referências Bibliográficas
Asama, H., Arai, T., Fukuda, T. & Hasegawa, T., 2002. Mobile Sensor Network Deployment using Potential Fields: A Distributed, Scalable Solution to the Area Coverage Problem. Em: Distributed
Autonomous Robotic Systems 5. Tokyo: Springer Japan, pp. 299-308.
Bandyopadhyay, T., Liu, Z., Ang, M. H. & Seah, W. K. G., 2005. Visibility-based Exploration in
Unknown Environment. Seattle, s.n.
Boujelben, M., Rekik, C. & Derbel, N., 2012. Hierarchical fuzzy controller for a nonholonomic
mobile robot. Barcelona, s.n.
Chaari, I. et al., 2012. smartPATH: A hybrid ACO-GA algorithm for robot path planning. s.l., s.n., pp. 1-8.
Cosío, F. A. & Neda, M. P. C., 2004. Autonomous robot navigation using adaptive potential fields.
Mathematical and Computer Modelling, 40(9 - 10), pp. 1141-1156.
Dong, D., Chen, C., Chu, J. & Tarn, T., 2012. Robust Quantum-Inspired Reinforcement Learning for Robot Navigation. IEEE/ASME Transactions on Mechatronics, 17(1), pp. 86-97.
Esposito, J., Barton, O., Koehler, J. & Lim, D., 2011. http://www.usna.edu/. [Online] Available at: http://www.usna.edu/Users/weapsys/esposito/roomba.matlab/
[Acesso em 14 Dezembro 2012].
Fogel, L. J., Owens, A. J., e Walsh, M. J., 1966. Artificial Intelligence through Simulated Evolution. s.l.:Wiley.
Gemeinder, M. & Gerke, M., 2003. GA-based path planning for mobile robot systems employing an active search algorithm. Applied Soft Computing, 3(2), p. 149–158.
Gen, M. & Cheng, R., 2000. Genetic Algorithms and Engineering Optimization. s.l.:John Wiley & Sons.
Holland, J. H., 1975. Adaptation in Natural and Artificial Systems. Second edition: MIT Press, 1992. ed. s.l.:University of Michigan Press.
Hong, J. & Park, K., 2011. A new mobile robot navigation using a turning point searching algorithm with the consideration of obstacle avoidance. The International Journal of Advanced Manufacturing
Technology , Volume 52, pp. 763-775.
Ismail AL-Taharwa, A. S. & Al-Weshah, M., 2008. A Mobile Robot Path Planning Using Genetic Algorithm in Static Environment. Journal of Computer Science, 4(4), pp. 341-344.
Juang, C.-F. & Chang, Y.-C., 2011. Evolutionary-Group-Based Particle-Swarm-Optimized Fuzzy Controller With Application to Mobile-Robot Navigation in Unknown Environments. Fuzzy Systems,
Li, G.-H., Chang, C.-F. & Fu, L.-C., 2008. Navigation of a Wheeled Mobile Robot in Indoor
Environment by Potential Field Based-Fuzzy Logic Method. Taipei, s.n.
Marsili-Libelli, S. & Alba, P. S., 2000. Adaptive mutation in genetic algorithms. Soft Computing, Volume 4, pp. 76-80.
Martinez-Soto, R., Castillo, O., Aguilar, L. & Baruch, I., 2012. Bio-inspired optimization of fuzzy logic
controllers for autonomous mobile robots. s.l., s.n., pp. 1-6.
Martinez-Soto, R., Castillo, O., Aguilar, L. T. & Baruch, I. S., 2012. Bio-inspired optimization of fuzzy
logic controllers for autonomous mobile robots. Berkeley, s.n.
Melanie, M., 1999. An Introduction to Genetic Algorithms. Londres: s.n.
Paic-Antunovic, L. & Jakobovic, D., 2012. Evolution of automatic robot control with genetic
programming. Opatija, s.n.
Rechenberg, I., 1965. Cybernetic Solution Path of an Experimental Problem. s.l.:Ministry of Aviation, Royal Aircraft Establishment (U. K.).
Rechenberg, I., 1973. Evolutionsstrategie: Optimierung Technischer Systeme nach Prinzipien der
Biologischen Evolution. s.l.:Frommann−Holzboog (Stuttgart).
Samadi, M. & Othman, M. F., 2013. Global Path Planning for Autonomous Mobile Robot Using
Genetic Algorithm. s.l., s.n., pp. 726-730.
Sastry, K., Goldberg, D. & Kendall, G., 2005. Genetic Algorithms. Em: Search Methodologies. s.l.:Springer, pp. 97-125.
Shamsinejad, P., Saraee, M. & Sheikholeslam, F., 2010. A new path planner for autonomous mobile
robots based on genetic algorithm. s.l., s.n., pp. 115-120.
Shi, C., Wangb, Y. & Yanga, J., 2010. A local obstacle avoidance method for mobile robots in partially known environment. Robotics and Autonomous Systems, Volume 58, pp. 425-434. Shi, P. & Cui, Y., 2010. Dynamic path planning for mobile robot based on genetic algorithm in
unknown environment. s.l., s.n., pp. 4325-4329.
Siegwart, R., Nourbakhsh, I. & Scaramuzza, D., 2011. Introduction to Autonomous Mobile Robots. s.l.:Mit Press.
Toibero, J. M., Roberti, F., Carelli, R. & Fiorini, P., 2011. Switching control approach fo rstable navigation of mobile robots in unknown environments. Robotics and Computer-Integrated
Manufacturing, Volume 27, p. 558–568.
Tuncer, A. & Yildirim, M., 2012. Dynamic path planning of mobile robots with improved genetic algorithm. Computers \& Electrical Engineering , 38(6), pp. 1564-1572.
Yamauchi, B., Schultz, A. & Adams, W., 2000. Integrating Exploration and Localization for Mobile Robots. Adaptive Behavior, 7(2).
Yongnian, Z., Lifang, Z. & Yongping, L., 2012. An improved genetic algorithm for mobile robotic
Yun, S. C., Parasuraman, S. & Ganapathy, V., 2011. Dynamic path planning algorithm in mobile
robot navigation. s.l., s.n., pp. 364-369.
Zhang, L., Min, H., Wei, H. & Huang, H., 2012. Global path planning for mobile robot based on A*;