UNIVERSIDADE FEDERAL DE SANTA CATARINA
CENTRO TECNOLÓGICO
CURSO DE CIENCIAS DA COMPUTAÇÃO
EXPERIMENTOS DIDÁTICOS COM TÉCNICAS DE
INTELIGÊNCIA ARTIFICIAL APLICADAS À ROBÓTICA
MÓVEL
( Rascunho )
AUTOR:
Dênis Schneider Strassmann
ORIENTADOR:
Prof. Mauro Roisenberg
Sumário
1 Introdução 1.1 Objetivos 1.2 Motivação 1.3 Organização do Trabalho 2 Robótica Móvel 2.1 Introdução 2.2 Histórico 2.3 Eyebot 3 Futebol de Robôs 3.1 Introdução 3.2 RoboCUP 3.3 FIRA 4 Visão Computacional 4.1 Introdução 4.2 Detecção de Borda 4.2.1 Robert 4.2.2 Sobel 4.2.3 Robinson 4.2.4 Canny 4.2.5 Marr-Hildreth (Laplace) 4.3 Segmentação de imagens 4.3.1 Limiarização 4.3.2 Crescimento de Regiões4.3.3 Eliminação de Pequenas Regiões 4.3.4 Filtros de Frequência 4.4 Classificação de Textura 4.5 Histogramas 4.6 Redes Neurais 5 Implementação 6 Experimento 7 Conclusão Referências
1 Introdução
O campo da robótica está atualmente entrando em uma fase de mudanças. Enquanto no passado os robôs eram usados praticamente com exclusividade em fábricas, com o propósito de participar nos processos de manufatura e transporte, agora uma nova geração de serviços robóticos está começando a emergir, onde robôs precisam ter a capacidade de cooperar com pessoas, e fornecer assistência em suas tarefas do dia a dia.
Os robôs não podem mais simplesmente ficar confinados a evitar colisões, mas detectar e interagir com objetos, portanto existe a necessidade de estudos sobre a área de visão robótica. No âmbito desta questão são realizados, em diversos centros de pesquisas ao redor do mundo, experimentos que abrangem situações reais, mas restritas a um objetivo específico, entre elas pode-se citar o reconhecimento de bola, gol e companheiros dentro de um campo de futebol de robôs, onde não existe somente a necessidade de detecção mas também de interação, no caso da bola, servindo como um ótimo exercício para o treinamento de técnicas com a visão robótica. ( desenvolver mais )
1.1 Objetivos
Estudar diferentes técnicas empregadas em sistemas de visão artificial e desenvolver algoritmos utilizando algumas das técnicas estudadas.
( desenvolver mais ) 1.2 Motivação
Exemplos motivadores, não só para pesquisadores na área da Robótica Móvel Autônoma, mas também para o futuro trabalho de conclusão de curso, são o Grand Challenge e os jipes Spirit e Opportunity da NASA.
O Grand Challenge é um desafio anunciado pela DARPA, em fevereiro de 2003, onde veículos robóticos autonavegáveis, que não podem receber qualquer tipo de sinais de humanos (exceto uma ordem de parar), competem numa corrida de 322 km no deserto, em 10h ou menos. Os veículos percorrem sobre terreno desconhecido e acidentado, podendo ser trilhas arenosas, passagens sob viadutos estreitos, torres de eletricidade e curas muito sinuosas, sem ultrapassar limites de percurso estipulados pela organização. O trajeto, assim como os limites laterais, são entregues a cada equipe horas antes da partida, contendo coordenadas de GPS ao qual os veículos utilizam para se guiar na corrida.
O primeiro evento ocorreu em março de 2004 com a participação de 15 equipes, e nenhuma conseguiu percorrer sequer ½% (meio por cento) do trajeto exigido. O melhor desempenho foi alcançado pela equipe da Universidade Carnegie Mellon com 11 km de corrida. O que, apesar da grande quantidade de pesquisas, mostra que ainda há um longo caminho a ser traçado no desenvolvimento de veículos totalmente autônomos.
Outro desafio, mas não a caráter de competição, é a exploração robótica de Marte. Atualmente os jipes Spirit e Opportunity estão coletando dados fundamentais para pesquisas sobre o planeta vermelho. Apesar dos veículos não precisarem ser totalmente autônomos e nem se movimentar numa velocidade tão alta como os veículos do desafio da DARPA, eles apresentam uma outra dificuldade a ser vencida, estão a cerca de 360 milhões de km da Terra, o que invibializa qualquer tipo de controle remoto em tempo real. Para superar este obstáculo uma equipe, no laboratório de propulsão a jato na NASA, planeja cautelosamente todo movimento
executado no planeta vizinho, e envia um código calculado especificamente para uma manobra. Mas isso não ausenta o robô de autonomia, ele precisa continuar a executar tarefas de sobrevivência em casos de risco em que a equipe não pode responder a tempo. Aqui novamente podemos perceber a quantidade de pesquisa ainda necessária nesse ramo, pois apenas 9 das 33 missões à Marte, cerca de 27%, obtiveram sucesso.
1.3 Organização do Trabalho ( a fazer )
2 Robótica Móvel 2.1 Introdução
A robótica móvel ocupa-se de estudar e desenvolver máquinas capazes de se locomover, em geral, em ambientes não controlados, ruidosos e desconhecidos. Para atender a estes objetivos, a multidisciplinaridade faz-se necessária. Mecânica fina, elétrica/eletrônica e computação são integradas para dar suporte a esta nova e importante área (Pazos, 2002).
Os desafios são cada vez maiores. Não bastam apenas serem capazes de desviarem de obstáculos e evitarem colisões. Os robôs móveis de hoje devem ser dotados de alguma "inteligência" que lhes possibilite, por exemplo, reconhecer um dentre vários objetos. A fusão sensorial tem sido usada para tentar melhorar as respostas e com isto modelar o comportamento dos robôs. Mas só isto não basta, é preciso algo mais. Neste sentido, a Inteligência Artificial desempenha um papel fundamental. É ela a responsável por essa mudança, de simples máquinas estáticas repetidoras de tarefas a robôs totalmente autônomos capazes de tomarem suas próprias decisões.
( desenvolver mais ) 2.2 Histórico
( a fazer ) 2.3 Eyebot
A Universidade Western Austrália desenvolve vários modelos de robôs, todos com a filosofia de poderem operar de forma totalmente independente, existem dois modelos com rodas, o SoccerBot e o Omni, dois modelos bípedes, o Android e o Walker, e um terceiro modelo hexapode. A UFSC adquiriu três unidades do SoccerBot, o qual foi projetado para satisfazer as regras da liga de pequeno porte (small-size league) da competição mundial de futebol de robôs RoboCup.
Essas unidades móveis de pequenas dimensões e baixo consumo de energia, estão equipadas com um microcontrolador de 32 bits MC68332 da Motorola, um display de LCD capaz de exibir gráficos de baixa resolução (e com apenas 1 bit por pixel ), uma câmera digital CMOS colorida (24 bits por pixel e resolução de 80x60 pixels), uma porta serial outra paralela, saídas digitais, saídas analógicas, dois encoders, três sensores infravermelhos, quatro servo motores e uma unidade de comunicação sem fio, modulada em 433MHz, permitindo o robô a se comunicar com outros robôs ou uma estação de controle.
O microcontrolador MC68332 é totalmente compatível com a família MC68000 da Motorola, projetada para ser usado com códigos que exijam uma intensa carga de cálculos, fornecendo uma Unidade Lógica Aritmética completa operando a 32 bits, além de módulos para o suporte de memória virtual, operação no módulo loop, execução de instruções em pipeline, poderosos modos de endereçamento facilitando o trabalho de compiladores das linguagens de alto nível, conjunto de instruções especiais para as Lockup Tables, Interpolações e modos de espera em baixo consumo. Ele possui diversos periféricos internos, como contadores de 16 bits, watchdog timers, monitor de clock, monitor de barramento, uma unidade avançada para comunicação serial (USART), e acesso externo a um barramento, facilitando a conexão de novos periféricos.
A câmera digital é baseada em num chip de imagem CMOS, com a resolução de 80x60 com 24bits por pixel, permitindo ao robô fazer aquisição e processamento de imagens localmente, sem necessitar transmitir as informações da câmera para uma estação de trabalho. Associado ao microprocessador de 32 bits da motorola o pequeno robô consegue autonomia e robustez dando uma excelente opção para pesquisa e desenvolvimento de algoritmos de visão computacional em tempo real, aplicados à robótica móvel.
Para ajudar no desvio de obstáculos o SoccerBot, além da câmera, também é equipado com três sensores infravermelhos para medir distâncias à frente, à direita e à esquerda. Como são sensores de baixo custo, eles operam somente à distâncias entre 10 e 50cm e segundo a vários motivos podem gerar falsas medições em alguns momentos. Neste ponto a aplicação deve tomar cuidado para não confiar de forma demasiada em tais dados.
Os encoders estão ligados às rodas servindo de realimentação para controladores PI ligados a dois servomotores que realizam o movimento do mini-robô. A realimentação se faz necessária para controlar a velocidade de forma precisa, porém como as duas rodas não possuem as mesmas características não é possível garantir um controle de posição do robô só confiando na informação advinda destes sensores, técnicas mais apuradas de posicionamento deverão ser usadas.
A unidade de comunicação sem fio permite uma conversação com outros robôs, permitindo o estabelecimento de um plano, recepção das intenções ou comandos de outros robôs ou uma seqüência de instruções vindas de estações de trabalho controladas por humanos.
O sistema operacional RoBIOS (robot input output system), escrito em C e assembly de M68k, oferece um um pequeno sistema de tempo real com funcionalidades de multi-threading e várias operações de E/S. Podem ser encontradas funções para leitura de sensores de distância, teclado, câmera, configuração de para controle PI em malha fechada dos servomotores, escrita no LCD, funções de áudio, comunicação de rádio e RS232, converçoes analógico/digitais, leitura e escrita na porta paralela, funções de sistema como multi-tasking, semáforos e timers e inclusive uma boa quantidade de funções um pouco mais avançadas para o processamento de imagens da câmera.
Nele são encontrados algoritmos para escala de cinza IPColor2Grey(), transformação em preto e branco IPDither(), detecção de arestas através do operador de Laplace, IPLaplace(), e operador de Sobel, IPSobel(), e um subtrator de imagens IPDiffer(). Constituindo um kit rudimentar para visão computacional e reconhecimento de padrões.
3.1 Introdução
A idéia do futebol robótico foi mencionada pela primeira vez pelo professor Alan Mackworth da Universidade British Columbia, Canadá. Mas, independentemente dele, um grupo de pesquisadores japoneses organizaram um workshop sobre os grandes desafios da Inteligência Artificial em outubro de 1992, em Tóquio. Este evento desencadeou uma série de discussões sobre como utilizar o jogo de futebol para fomentar a pesquisa em ciência e a tecnologia. Foi feita então uma investigação sobre a viabilidade tecnológica, financeira e o impacto social. Juntamente, foram desenvolvidos regras e protótipos de robôs-jogadores e simuladores. Como resultado destes estudos, concluíram que o projeto era possível e desejável. Assim, em junho de 1993, Minoru Asada, Yasuo Kuniyoshi e Hiroaki Kitano decidiram iniciar uma competição, primeiramente com o nome de Robot J-League (O "J" deve-se a japanese). Esta acabou se transformando na primeira liga profissional de futebol robótico do mundo. Logo a seguir, devido a pedidos de pesquisadores de todo mundo também interessados, mudou-se o nome da liga e do projeto como um todo para Robot World Cup Initiative, ou simplesmente RoboCup.
3.2 RoboCUP
O RoboCup é uma iniciativa internacional de pesquisa e educação, que organiza competições e conferencias anuais, onde pesquisadores de Inteligência Artificial e Robótica Inteligente são encorajados a apresentarem seus progressos e desenvolverem novas técnicas e tecnologias. O desafio inclui a integração de diversas tecnologias, como: princípios de projetos de agentes autônomos, colaboração multi-agente, desenvolvimento de estratégias, planejamento em tempo real, robótica, e fusão de sensores.
Atualmente existem três domínios de competição, a copa robótica de resgate (RoboCupRescue), a copa junior de robôs (RoboCupJunior), e a copa de futebol de robôs (RoboCupSoccer). Dentro do terceiro domínio as competições são divididas em ligas ou categorias. Cada uma destas ligas possui seus próprios regulamentos. Busca-se com esta medida diversificar as atividades de pesquisa, englobando diversas áreas e mantendo a multidisciplinaridade. Entre elas podemos encontrar: liga de simuladores (agentes de software), liga de robôs de pequeno porte, tecnicamente chamada de F180 (180cm2 de área máxima da base), liga de robôs de médio porte, liga de robôs quadrúpedes, liga de robôs humanóides.
A plataforma EyeBot se encaixa na categoria de pequeno porte (small-size league) em que a disputa se dá com cinco robôs por equipe, podendo um deles ser adaptado para a função de goleiro. Cada time é livre para desenvolver seus próprios robôs, segundo regras específicas e esta é a porta de entrada para pesquisas mais avançadas que envolvem, além da programação, outros aspectos mais ligados às engenharias.
( desenvolver mais ) 3.2 FIRA
( a fazer )
4.1 Introdução
Uma das características mais marcantes do estado da arte em Visão Computacional é que ainda não existe nenhum modelo genérico de percepção visual passível de ser aplicado na prática. O nosso conhecimento de como funcionam os mecanismos de percepção visual nos animais tampouco é suficiente para que possamos aplicar algum mecanismo de "engenharia reversa", utilizando por exemplo técnicas de redes neurais para modelar ou imitar a percepçaõ visual biológica. O que ocorre na prática, é que, para resolvermos uma determinada tarefa de interpretação de imagens utilizamos um conjunto de algoritmos bastante específicos, que são respectivamente responsáveis por realizar subtarefas bastante limitadas dentro do processo de interpretação dessa imagem. Esses algoritmos são divididos em grupos, como filtros de contraste, detectores de bordas de objetos, segmentadores de imagens em regiões, classificadores de texturas e assim por diante. Comumente resolvemos um problema encaixando um conjunto desses algoritmos um após o outro para chegarmos a um resultado que só funcionará para um conjunto de imagens com características muito específicas, deixando de funcionar para todas as outras. Esta limitação nos algoritmos e nos paradigmas de análise de imagens realmente impõe grandes limitações ao que pode ser realizado na prática com as técnicas atualmente disponíveis. Compreender essas limitações e conhecer formas de tirar o máximo de proveito do que atualmente há disponível é um aspecto muito importante a ser considerado por quem deseja enveredar-se por problemas cuja solução possivelmente envolva o uso de Visão Computacional. (Wangenheim, ?) 4.2 Detecção de Borda 4.2.1 Robert 4.2.2 Sobel 4.2.3 Robinson 4.2.4 Canny 4.2.5 Marr-Hildreth (Laplace) 4.3 Segmentação de imagens 4.3.1 Limiarização 4.3.2 Crescimento de Regiões
4.3.3 Eliminação de Pequenas Regiões 4.3.4 Filtros de Frequência
4.4 Classificação de Textura 4.5 Histogramas
4.6 Redes Neurais
Redes neurais artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes, e que adquirem conhecimento através da experiência. São compostas por diversas unidades computacionais (neurônios artificiais) operando em paralelo, interconectadas total ou parcialmente.
Cada neurônio artificial executa um certo número de operações simples e transmite seus resultados aos neurônios vizinhos, com os quais possui conexão (Perelmuter et al., 1995).
As redes neurais artificiais têm evoluído intensamente nos últimos anos em decorrência da sua constante aplicação nas mais diversas áreas e atividades. Como exemplo, as redes neurais artificiais têm sido utilizadas em sistemas de controle e otimização, análise de aplicações financeiras, reconhecimento de voz, controle de manipuladores robóticos, classificação, visão artificial, reconhecimento de padrões em imagens, entre outros (Demuth e Beale, 1996).
Para o reconhecimento de objetos, muitas técnicas partem para a identificação de sua cor, porém ela apresenta sérias dificuldades ao confrontar com a variação de luminosidade do ambiente. Nesse sentido (Amoroso et al., 2000) apresenta uma abordagem de segmentação de imagem onde são unidas várias técnicas, como cálculo de histogramas baseados no valor de tom do sistema HSV, detecção de vales nos histogramas, amenização de ruído e uma rede neural direta, treinada para reconhecer a cor de certo objeto. (descrever mais)
No mesmo caminho (Mayer et al. 2004) apresenta um estudo com duas redes neurais trabalhando em paralelo, classificando o resultado de dois pré-processamentos diferentes da mesma imagem. Uma parte trabalhando sobre resultados de limiarização da imagem e histograma, e outra trabalhando sobre dados extraídos da imagem após passar por um algoritmo de suavização de ruído. (descrever mais)
Já em (Li et al., 2003) é apresentada uma técnica para cálculo do valor de limiar, usado no processo do reconhecimento de objetos, em função da luminosidade local. São usadas duas redes neurais, uma de Kohonen (também conhecida como SOM - Self Organizing Map) para a medição de luminosidade, e uma rede neural direta com entrada dos valores de tom, saturação e intensidade de cada pixel (HSV) e entradas para o resultado da medição de luminosidade. A saída produz um valor de limiarização para cada pixel da imagem. (descrever mais)
5 Implementação 6 Experimento 7 Conclusão Referências
AMOROSO, C., CHELLA, A., MORREALE, V., STORNIOLO, P. A Segmentation System for Soccer Robot Based on Neural Networks. In Robocup-99: Robot Soccer World Cup III M. M. Veloso, E. Pagello, and H. Kitano, Eds. Lecture Notes In Computer Science, vol. 1856. Springer-Verlag, London, 136-147. 2000.
APPELL, David. O pai do Spirit e do Opportunity. Scientific American Brasil, São Paulo, ano
2, n. 30, p. 20-21, nov. 2004.
BRAUNL, Thomas; GRAF, Birgit. Autonomous mobile robots with on-board vision and local intelligence. Disponível em:
BRAUNL, Thomas. EyeBot: A family of autonomous mobile robots.
Disponível em:< http://robotics.ee.uwa.edu.au/papers/EyeBotFamily-1999.pdf>. Acesso em: 26 novembro 2004.
DEMUTH, H., BEALE, M. Neural Network Toolbox User's Guide. The Mathworks Inc, 1998. GIBBS, W. Wayt. Uma nova geração de robôs. Scientific American Brasil, São Paulo, __ ano
2, n. 22, p. 36-45, mar. 2004.
GIBBS, W. Wayt. Do fim ao começo. Scientific American Brasil, São Paulo, ano 2, n. 28, p.
20-21, set. 2004.
KAUFMANN, U., MAYER, G., KRAETZSCHMAR, G., PALM, G. Visual Robot Detection in RoboCup using Neural Networks. RoboCup 2004 International Symposium Lisbon, Portugal, July 4-5, 2004
LI, B., HU, H., SPACEK, L. An Adaptive Color Segmentation Algorithm for Sony Legged Robots, Applied Informatics, 126-131. 2003.
PAZOS, F. Automação de Sistemas e Robótica. Editora Axcel. 2002.
PERELMUTER, G., CARRERA, E. V., VELLASCO, M., PACHECO, A. Reconhecimento de Imagens Bidimensionais utilizando Redes Neurais Artificiais. Anais do VIII SIBGRAPI, pp. 197-203, 1995.
RUSSEL, S. J.; NORVIG, P. Inteligência artificial. Tradução de Vandenber D. de Souza. Rio
de Janeiro: Elsevier, 2004. 1025 p. Titulo Original: Artificial intelligence, 2nd ed. ROBOCUP. RoboCup World Championship. Disponível em:
<http://www.robocup.org/02.html>. Acessado em: 22 novembro 2004.
SILVA, Luciano Rottava da. Análise e programação de robôs móveis autônomos da plataforma EyeBot. Disponível em:
< http://www.das.ufsc.br/~rottava/old/download/dissertacao.pdf>. Acesso em: 5 novembro 2004.
WANGENHEIM, Aldo von. Visão Computacional. Disponível em:
