Warthog Team Description Paper

Warthog Robotics @Home Team Description Paper

Rafael Lang, Adam Pinto, Caetano Ranieri, Rodrigo Calvo Daniel Tozadore, Guilherme Nardari, Ivan Silva, Roseli Romero

Warthog Robotics

Escola de Engenharia de S˜ ao Carlos &

Instituto de Ciˆ encias Matem´ aticas e de Computa¸ c˜ ao Universidade de S˜ ao Paulo

S˜ ao Carlos, SP, Brasil infog@wr.sc.usp.br

Resumo Este artigo descreve um robˆ o autˆ onomo para servi¸ cos dom´ esticos criado pelo time Warthog Robotics no Centro de Rob´ otica de S˜ ao Carlos da Universidade de S˜ ao Paulo. Este robˆ o utiliza como base o robˆ o Pi- onner para movimenta¸ c˜ ao, considerando os sonares e um laser Sick para movimenta¸ c˜ ao e desvio de obst´ aculos.

Keywords: RoboCup@Home; Robˆ os dom´ esticos; Deep Learning.

1 Introdu¸ c˜ ao

Robˆ os para serem utilizados em ambientes dom´ esticos precisam ter sistemas de hardware e software capazes de realizar tarefas di´ arias em ambientes bastante complexos, muitas vezes com pouco conhecimento e com muita informa¸ c˜ ao fal- tante. Para realizar tais tarefas, o robˆ o precisa ser capaz de reconhecer humanos e entender seus comandos, evitar obst´ aculos (sejam paredes, m´ oveis ou mesmo outros robˆ os e humanos) em ambientes conhecidos ou n˜ ao, reconhecer e manipu- lar objetos entre outras diversas tarefas que podem ser solicitadas por humanos.

A categoria RoboCup@Home prepara um ambiente de competi¸ c˜ ao que prevˆ e exatamente esses desafios. Para participar desta competi¸ c˜ ao, o robˆ o precisa in- tegrar pesquisas em v´ arias ´ areas das engenharias, como vis˜ ao computacional, planejamento de caminhos, aprendizado de m´ aquina, controle autˆ onomo, reco- nhecimento de objetos, entre outros.

O Warthog Robotics, grupo de pesquisa e extens˜ ao vinculado aos departa- mentos de Engenharia El´ etrica da Escola de Engenharia de S˜ ao Carlos e ao departamento de Ciˆ encia da Computa¸ c˜ ao do Instituto de Ciˆ encias Matem´ aticas e de Computa¸ c˜ ao da Universidade de S˜ ao Paulo em S˜ ao Carlos, conta com apro- ximadamente 80 membros de diversos cursos de gradua¸ c˜ ao e p´ os-gradua¸ c˜ ao.

O grupo realiza pesquisa e desenvolvendo em sistemas rob´ oticos m´ oveis e tem

tradi¸ c˜ ao na participa¸ c˜ ao de competi¸ c˜ oes de futebol de robˆ os e combate de robˆ os.

2 Software

2.1 Sistema de navega¸ c˜ ao - Desvio de Obst´ aculos

O sistema, chamado de Sistema de Desvio de Obst´ aculo Fuzzy (Fuzzy Obstacle Avoidance System - OAFS) foi desenhado para prover a habilidade de desvio de obst´ aculos pelo robˆ o. Este sistema n˜ ao tem um mecanismo de aprendizado, em vez disso, ´ e baseado em l´ ogica fuzzy. A principal contribui¸ c˜ ao do sistema OAFS ´ e o tratamento de incertezas, informa¸ c˜ oes imprecisas e aos conceitos n˜ ao definidos. Assim, o sistema de navega¸ c˜ ao e capaz de gerar trajet´ orias livres de colis˜ ao.

O sistema OAFS gera um comportamento de preven¸ c˜ ao de obst´ aculos. As entradas s˜ ao obtidas pelos sensores de obst´ aculos (sonar e laser) e as sa´ıdas correspondem as configura¸ c˜ oes de dire¸ c˜ ao e ˆ angulos das rodas. Se somente o sistema OAFS guia o robˆ o, ele nunca ir´ a colidir. Infelizmente, apenas este sistema n˜ ao ´ e capaz de chegar at´ e alguma posi¸ c˜ ao de objetivo.

Os ajustes de dire¸ c˜ ao s˜ ao executados de acordo com dois tipos de sinais de entrada. O primeiro consiste em um sinal de distˆ ancia entre o robˆ o o o obst´ aculo mais pr´ oximo. J´ a o segundo sinal ´ e a dire¸ c˜ ao do sensor que reconheceu o obst´ aculo mencionado. De fato, o sistema OAFS ´ e alimentado por sensores de obst´ aculos que realizam uma varredura ao redor do robˆ o continuamente. O sinal de sa´ıda do sistema corresponde ` a nova dire¸ c˜ ao a ser seguida e a intensidade que o robˆ o deve se virar. Pode assumir qualquer valor (em graus) dentro do per´ımetro do robˆ o para movˆ e-lo para longe dos obst´ aculos.

A cada instante, as leituras dos sensores obtˆ em o sinal, ou seja, a distˆ ancia para o obst´ aculo mais pr´ oximo alinhado aquele sensor. O valor detectado por cada leitura de sensor ´ e mapeado para o intervalo entre [0, 1]. Leituras menores indicam obst´ aculos mais afastados enquanto leituras maiores indicam obst´ aculos mais pr´ oximos. O sensor com o maior sinal ´ e elegido para ser enviado para o sistema OAFS. Ent˜ ao, o sinal de leitura selecionado e seu sinal de dire¸ c˜ ao relacionados ` a dire¸ c˜ ao de movimento do robˆ o s˜ ao os dados de entrada do sistema OAFS.

O sistema fuzzy adotado para o OAFS ´ e o Mandani. O sistema ´ e composto

por um conjuto de regras fuzzy representadas por ¡condi¸ c˜ ao¿-¡a¸ c˜ ao¿ com um

mecanismo de inferˆ encia if-then. A parte antecedente de cada regra fuzzy cor-

responde ao dado de entrada do sistema OAFS (dados de leitura do sensor com

o maior sinal), como: distˆ ancia para o obst´ aculo mais pr´ oximo (Dist ) e a dire¸ c˜ ao

desde obst´ aculo (Dir ). O universo de discurso de cada vari´ avel de entrada ´ e di-

vidido em trˆ es valores lingu´ısticos. Esses valores s˜ ao relacionados com fun¸ c˜ oes

de associa¸ c˜ ao, cujos parˆ ametros foram estabelecidos ap´ os diversos experimentos

anteriores. Os valores lingu´ısticos do antecedente Dir s˜ ao: Longe, M´ edio and

Perto. O antecedente Dir tem os seguintes valores lingu´ısticos: Direita, Centro

and Esquerda. As regras foram constru´ıdas para que todas as combina¸ c˜ oes entre

os antecedentes ocorram. Como sistema fuzzy ´ e composto por duas vari´ aveis de

entrada e cada vari´ avel consiste em trˆ es valores lingu´ısticos, o n´ umero de regras

´

e 3

= 81.

Se o obst´ aculo est´ a Perto e ` a Esquerda, Ent˜ ao vire para Muito ` a Direita Se o obst´ aculo est´ a Perto e M´ edio, Ent˜ ao vire para Muito ` a Direita Se o obst´ aculo est´ a Perto e ` a Direita, Ent˜ ao vire para Muito ` a Esquerda Se o obst´ aculo est´ a M´ edio e ` a Esquerda, Ent˜ ao vire para M´ edio Direita Se o obst´ aculo est´ a M´ edio e ao Centro, Ent˜ ao vire para M´ edio Direita Se o obst´ aculo est´ a M´ edio e ` a Direita, Ent˜ ao vire para M´ edio Esquerda Se o obst´ aculo est´ a Longe e ` a Esquerda, Ent˜ ao vire para Pouco ` a Direita Se o obst´ aculo est´ a Longe e ao Centro, Ent˜ ao vire para Pouco ` a Direita Se o obst´ aculo est´ a Longe e ` a Direita, Ent˜ ao vire para Pouco ` a Esquerda

2.2 Reconhecimento de Objetos

O diagrama da Figura 3 mostra a sequˆ encia de procedimentos para reconheci- mento de objetos, identificando a plataforma em que cada passo ocorre.

O fluxo de controle respons´ avel pela tarefa ser´ a executado na base compu- tacional embarcada no robˆ o. A imagem da cˆ amera ser´ a obtida diretamente, ser- vindo de entrada para uma chamada bloqueante ao m´ odulo para classifica¸ c˜ ao de objetos, previamente treinado e encapsulado, a ser executado como subprocesso.

Esse m´ odulo, implementado em linguagem Python, redimensiona a imagem original para o padr˜ ao 330px x 185px a qual ´ e consumida por uma rede neural que prop˜ oe caixas delimitadoras de objeto.

A arquitetura do modelo utilizado ´ e baseada na Single Shot Multibox Detec- tor [1] onde o mesmo modelo ´ e respons´ avel tanto pelo aprendizado dos objetos para detec¸ c˜ ao quanto pela proposta das caixas delimitadoras. O extrator utili- zado neste sistema s˜ ao redes neurais do tipo MobileNets [2], as quais separam o processo de convolu¸ c˜ ao dos pixels pelo n´ umero de canais de cores da imagem e em seguida calcula convolu¸ c˜ oes de um ´ unico pixel para unir os resultados de cada opera¸ c˜ ao realizada independentemente em cada canal.

Para acelerar o treinamento e permitir aprendizado ativo de novos objetos, uma t´ ecnica conhecida como transferˆ encia de aprendizado ´ e utilizada. A rede

´

e inicializada com um modelo previamente treinado numa vers˜ ao estendida da popular base p´ ublica COCO [3] onde novos objetos que s˜ ao de interesse para a competi¸ c˜ ao s˜ ao adicionados.

O uso da arquitetura apresentada e ilustrada pela figura 1 permite economia de tempo computacional e permite modelos mais simples que podem ser utili- zados em celulares e sistemas embarcados com uma penalidade relativamente baixa em acur´ acia.

Ap´ os a inferˆ encia, o m´ odulo dever´ a imprimir os resultados da classifica¸ c˜ ao em um arquivo texto, de nome pr´ e-determinado.

Finalizado esse subprocesso, ser´ a executada a leitura do arquivo texto e re-

gistrado o resultado, o qual ser´ a enviado, por meio da rede Wi-Fi, para o tablet,

segundo uma arquitetura cliente-servidor.

Figura 1. Arquitetura SSD Fonte: [1]

Figura 2. Exemplos de inferˆ encia do m´ odulo descrito

Uma vez recebido o comando e o argumento, isto ´ e, uma cadeia de caracteres com o nome do objeto identificado, o aplicativo embarcado no tablet ser´ a en- carregado de informar, por meio do seu sintetizador de fala padr˜ ao, qual objeto foi encontrado. Feito isso, um sinal ser´ a enviado de volta ` a base computacional, a qual poder´ a prosseguir com o pr´ oximo procedimento, de agarrar o objeto em quest˜ ao.

Figura 3. Sequˆ encia de passos para reconhecimento e identifica¸ c˜ ao de objeto.

3 Hardware

O hardware do robˆ o ´ e composto por quatro m´ odulos principais integrados:

– Base: um robˆ o Pioneer P3-DX modificado;

– Manipulador: projetado a partir de uma garra Pioneer Gripper;

– Interface com operador: um tablet;

– Controlador: um notebook.

3.1 Base

A base do robˆ o ´ e adaptada a partir de um robˆ o comercial Pioneer P3-DX da fa- bricante MobileRobots [4]. O robˆ o, mostrado na figura 4, tem sua parte superior modificada para acomodar os sistemas apresentados nas pr´ oximas subse¸ c˜ oes. As caracter´ısticas originais de desempenho, no entanto, s˜ ao mantidas.

O sistema de locomo¸ c˜ ao ´ e do tipo differential-drive com duas rodas tratoras

Figura 4. Fotografia do robˆ o MobileRobots Pioneer P3-DX.

paralelas de borracha e uma roda boba para estabilidade. A locomo¸ c˜ ao ´ e gerada por dois motores Ametek 12 V de corrente cont´ınua, capazes de entregar 1,2 m/s de velocidade para frente e para tr´ as e 300 ° /s de velocidade angular com capacidade de giro no pr´ oprio eixo.

O modelo ´ e equipado com oito sonares na parte frontal do robˆ o cujos dados s˜ ao processados on-board e utilizado no sistema de desvio de obst´ aculos. O contro- lador embarcado tamb´ em realiza as fun¸ c˜ oes de controle de velocidades do corpo r´ıgido e a leitura dos dados de bateria para controle da dura¸ c˜ ao da opera¸ c˜ ao.

3.2 Manipulador

O sistema de manipula¸ c˜ ao do robˆ o tem como componente principal a garra

Pioneer Gripper. Para realizar a movimenta¸ c˜ ao dessa garra foi desenvolvido um

sistema de fusos lineares instalado na parte superior da base.

O movimento ´ e controlado por um motor de passo acionado por uma eletrˆ onica propriet´ aria que comunica com o controlador central do robˆ o utilizando uma conex˜ ao USB.

A garra do manipulador, em sua abertura m´ axima, tem 21,5 cm de largura e 9,5 cm de profundidade. O sistema ´ e capaz de levantar cargas de at´ e 2,5 kg com uma velocidade de 10 cm/s.

3.3 Interface com operador e controlador

Para interagir com o operador, o robˆ o tem na parte mais superior um tablet que executa o m´ odulo social do software. Para realizar a integra¸ c˜ ao e controle do robˆ o todo, um computador est´ a presente realizando todas as conex˜ oes, a leitura dos sensores e o envio dos comandos.

4 Conclus˜ ao

O grupo Warthog Robotics trabalha h´ a seis anos com pesquisa e desenvolvimento em rob´ otica para competi¸ c˜ oes. Com este novo projeto, novos desafios podem ser explorados, em campos de pesquisa de interesse do grupo, como vis˜ ao est´ ereo e mapeamento com lasers e sonares, ao mesmo tempo que podem ser empregados os conhecimentos desenvolvidos, como reconhecimento de objetos e desvio de obst´ aculos.

Como trabalhos futuros, pretendemos explorar o uso de Deep Learning para melhorar as taxas de acur´ acia do sistema de reconhecimento de objetos, al´ em de testar novas abordagens para desvio de obst´ aculos que j´ a est˜ ao sendo utilizadas nos robˆ os de futebol.

Referˆ encias

1. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.Y., Berg, A.C.: Ssd:

Single shot multibox detector. arXiv preprint arXiv:1512.02325 (2015)

2. Howard, A.G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andre- etto, M., Adam, H.: Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861 (2017)

3. Lin, T.Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Doll´ ar, P., Zitnick, C.L.: Microsoft coco: Common objects in context. In: European conference on computer vision, Springer (2014) 740–755

4. : Pioneer p3-dx - mapping & navigation robot.

http://www.mobilerobots.com/ResearchRobots/PioneerP3DX.aspx Acessada:

2017-07-12.