Universidade Federal de Itajubá, Brazil - Engenharia Eletrica

XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
UMA METODOLOGIA PARA APRENDIZADO SUPERVISIONADO APLICADA
EM VEÍCULOS INTELIGENTES
LEONARDO M. HONÓRIO1, LUIZ L. G. VERMAAS2, LUCIANO M. GONÇALVES2, MICHAEL VIDIGAL2
1. Instituto Nacional de Ciência e Tecnologia em Energia Elétrica, Universidade Federal de Juiz de Fora
Rua José Lourenço Kelmer, s/n - São Pedro Juiz de Fora, MG, BRASIL
E-mails: [email protected]
2. Instituto de Engenharia de Sistemas e Tecnologia da Informação, Universidade Federal de Itajubá
Av. BPS 1303, 37500-000 Itajubá, MG, BRASIL
E-mails: [email protected], [email protected]
Abstract
 The goal of this work is the development of a methodology for a vehicle to automatically learn how to drive and perform maneuvers itself. This will be done through the observation of the driver behavior in different situations, generating a
knowledge base about the vehicle state, the environment and the driver actions. The methodology has three phases. The first one
is the creation of a data base of information about the vehicle and the environment. The second phase is the extraction of the
driver knowledge from the data base and the induction of a Fuzzy System. The algorithm used to solve this phase applies concepts of Gradient-based Artificial Immune Systems with two different populations of antibodies: one for learning and the other
one for optimization. By using a co-evolution process of both populations, it is possible to exchange information between them,
as they depend on each other, avoid local optima and increase the generated system fitness. The last phase is the application of
the Fuzzy System to the vehicle. In order to validate this proposal, the methodology was tested in two real situations: steering
control and parallel parking maneuvers. The achieved results have proved the efficacy of the proposed algorithm.
Keywords
 Intelligent Vehicles, Supervised Learning, Optimization, Fuzzy Systems, Artificial Immune Systems.
Resumo
 O objetivo deste trabalho é o desenvolvimento de uma metodologia que possibilite o aprendizado supervisionado de
tarefas de navegação e realização de manobras em veículos inteligentes. Isto será feito através da observação do comportamento
de um motorista humano em diversos cenários criando, desta forma, uma base de conhecimento capaz de lidar com uma grande
quantidade de incertezas. A metodologia proposta consiste em 3 fases. A primeira é a criação de um banco de dados com informações do ambiente e do próprio veículo. A segunda fase consiste na extração do conhecimento do motorista contido na base de
dados através da indução de um sistema de lógica difusa. A implementação do algoritmo para solucionar este problema, aplica os
conceitos de Sistema Imunológico Artificial baseado em Gradiente com duas populações distintas de anticorpos: uma para aprendizagem e outra para otimização. A fase final é a aplicação do conjunto fuzzy no veículo autônomo. Para validar esta proposta, a metodologia foi aplicada em situações reais de navegação e estacionamento de um veículo inteligente. Os resultados práticos
obtidos para os problemas de controle de direção e estacionamento em vaga paralela comprovaram a eficácia do algoritmo proposto.
Palavras-chave
 Veículos Inteligentes, Aprendizado Supervisionado, Otimização, Sistemas Nebulosos, Sistemas Imunológicos
Artificiais.
1
veículos participantes do Darpa Grand Challenge e
Darpa Urban Challenge. O envolvimento de diversas universidades, principalmente dos EUA, em
parceria com empresas do setor automobilístico, faz
desta competição uma vitrine para o que existe de
mais desenvolvido em V.I..
O vencedor do Urban Challenge 2007, denominado Boss, é uma Chevy Tahoe que utiliza um sistema de percepção, software de planejamento e controle para tomar decisões sobre como navegar de forma
segura em condições de tráfego em ambientes urbanos (Baker & Dolan 2008). Este veículo foi equipado
com mais de doze sensores do tipo laser, radares e
câmeras. Um algoritmo de alto nível para planejamento de rota determina o melhor trajeto em uma
malha rodoviária. Além disso, o controle de navegação é capaz de lidar com obstáculos estáticos e dinâmicos; detectar pista, limites da rodovia, vaga de
estacionamento, sinais de parada e limites de velocidade. Toda esta tecnologia permite ao Boss navegar
de forma autônoma, obedecer a regras de trânsito,
Introdução
Veículos Inteligentes (V.I.) não são mais tecnologias
visionárias que poderiam estar presentes em situações reais em um futuro muito distante. Desde aplicações mais simples de auxílio ao motorista, tais
como o controle eletrônico de velocidade ou sistemas
de frenagem antitravamento (ABS), até as mais complexas, tais como sistemas militares autônomos de
alta tecnologia ou sistemas automáticos de estacionamento de veículos, estas tecnologias estão se tornando cada vez mais comuns na atualidade (Bishop,
2000).
Neste artigo o termo V.I. será utilizado para designar veículos terrestres não-holonômicos com capacidade de perceber o ambiente onde ele está, através de sensores, e tomar decisões estratégicas autônomas de navegação e de controle de direção.
Um bom ponto de partida para a identificação do
estado da arte em V.I. é analisar as características dos
1028
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
seguir outros veículos mantendo distância segura,
estacionar em uma vaga e reagir a condições dinâmicas, tais como rodovias interditadas, passagem de
pedestres ou demais obstáculos.
Já o veículo Stanley (Thrun et al. 2006), vencedor do Grand Challenge 2005, é um Touareg R5 da
Volkswagen. O veículo é atuado através de um sistema drive-by-wire, incorporando medições de
DGPS e sistema de navegação inercial. Quando em
movimento, o ambiente é percebido através de 4
scanners laser, sistema de radar, um par de câmeras
stereo e um sistema de visão monocular. Dados do
veículo, tais como velocidade e ângulo da direção,
são obtidos através da interface de comunicação
Controller Area Network – CAN do próprio veículo.
Todo o processamento é feito em 6 computadores
Pentium alimentados por um sistema auxiliar de
baterias. Uma característica importante deste projeto
é a possibilidade de ativar e desativar o sistema autônomo, permitindo que o motorista a qualquer momento, mesmo com o veículo em movimento, possa
assumir o controle de direção.
A análise dos documentos técnicos (DARPA,
2005; DARPA 2007; Chen, 2004 and Ozguner ET al.
2007) dos cinco primeiros colocados nas duas competições promovidas pelo Darpa em 2005 e 2007,
mostra que a utilização de DGPS, sistemas de navegação inercial, câmeras, e sensores laser são pontos
comuns entre eles, variando em quantidade, local de
instalação, especificações técnicas e fabricante. Outro aspecto importante a ser considerado são os sistemas de controle, ou a “inteligência” do veículo. Os
sistemas de controle de alto nível destes veículos
utilizam algoritmos baseados em Lógica Fuzzy, Algoritmos Genéticos, Redes Neurais, Planejamento e
outras técnicas de Inteligência Artificial.
Além da grande visibilidade alcançada pelos desafios propostos pelo DARPA nos EUA, diversos
outros grupos ao redor do mundo já se propuseram,
na última década, a desenvolver um projeto rentável
e seguro de direção autônoma. Alguns programas de
grande porte na Comunidade Européia, tais como o
“Program for European Traffic with Highest Efficiency and Unprecedent Safety – PROMETEUS” (Figueiredo et al. 2001). Outro programa de destaque na
Europa é o “Dedicated Road Infrastructure for Vehicle Safety in Europe – DRIVE”. Estes programas
ampliam o espectro de pesquisas e aplicações para os
chamados Sistemas de Transporte Inteligente abordando a interação entre V.I.s entre si e com a própria
rodovia.
Ainda na Europa o programa AUTOPIA (Naranjo et al. 2006), conduzido por pesquisadores espanhóis, do Instituto de Automática Industrial, também
estão focadas na direção autônoma cooperativa. Estes
pesquisadores equiparam três automóveis comerciais
com o objetivo de dirigirem automaticamente em um
circuito fechado. A pista, com 1 km de comprimento
total, permite reproduzir a maioria das situações de
tráfego, tais como: virar, parar e sair, ultrapassagem,
dirigir em comboio e estacionar entre outras. Além
do GPS instalado nos três carros, o primeiro usa
também um scanner a laser para detecção de obstáculos, o segundo utiliza um sistema de visão artificial
para identificação da pista e o terceiro utiliza um
sistema de visão stereo usado para detecção de pedestres e obstáculos na pista. Um recurso especial
utilizado neste projeto foi uma rede local sem fio (WLAN) para transmitir o dado de correção diferencial
do GPS base para os GPS receptores instalados nos
carros.
Outros projetos de destaque na área de V.I. também são realizados no Japão. Estes projetos tiveram
início na década de 70, podendo-se destacar três
importantes contribuições: o projeto denominado
“Intelligent Vehicle” (Tsugawa et al. 1991) , o projeto “Personal Vehicle System – PVS” (Graefe & Kuhnert 1988) desenvolvido no final da década de 80 e o
projeto “Automated Highway Vehicle System –
AHVS” (Suzuki et al. 1992; Tachibana et al. 1992)
desenvolvido pela Toyota. Além da Toyota outras
montadoras de automóveis no Japão vêm conduzindo
pesquisas em V.I., focadas principalmente em sistemas de visão computacional. Assim como acontece
na Europa, o avanço tecnológico nesta área é tão
grande que as pesquisas não se restringem apenas ao
V.I. isoladamente, mas também ao Sistema de
Transporte Inteligente (Ohtsuka, 2008) com apoio
governamental.
Conforme apresentado nesta seção, diversas abordagens já foram propostas para controlar a navegação de veículos inteligentes, sendo a abordagem
mais comum no desenvolvimento de algoritmos de
controle de alto nível, a utilização de técnicas de IA
em algoritmos pré-programados.
O objetivo deste trabalho é explorar um tema
pouco pesquisado nas aplicações de Veículos Inteligentes: uma metodologia que permita que o veículo
aprenda manobras de dirigibilidade com um motorista humano.
2
Plataforma de Teste: Projeto Driving4u
A proposta apresentada neste artigo é parte de um
projeto de pesquisa mais abrangente do Grupo de
Automação e Tecnologia da Informação da UNIFEI,
que recebeu a denominação Driving4u. O projeto
Driving4u tem por objetivo a estruturação de uma
plataforma de trabalho para pesquisa e desenvolvimento na área de Veículos Inteligentes. Esta plataforma consiste de uma pista para testes e um veículo
equipado com sistemas de percepção e de atuação
eletrônico, assim como microcomputadores para
aquisição, tratamento de dados e processamento dos
algoritmos de controle utilizando técnicas de IA.
A pista de testes é um circuito fechado que permite a realização das principais manobras em situações de trânsito, tais como: parar e sair em cruzamentos, ultrapassagem de veículos, manter distância
segura em relação a outros veículos, estacionar, realizar curvas com ângulos diferentes, entre outras.
1029
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
Figura 1. Diagrama em Blocos do Sistema de Controle do Veículo Inteligente – Projeto Driving4u
O veículo pode ser operado de duas formas: manual, onde todos os dados obtidos com a percepção
do ambiente externo e das ações do motorista são
armazenados em um banco de dados; ou automático,
onde o veículo recorre ao conhecimento previamente
construído para executar uma determinada manobra
de direção.
O sistema de percepção proposto consiste de
DGPS, acelerômetro, giroscópio, sensores ultrasônicos e laser, assim como medição de velocidade do
veículo através dos sensores já instalados nas rodas.
A atuação no veículo é realizada através de um
servomotor instalado na barra de direção e no pedal
de freio permitindo o acionamento eletrônico dos
mesmos. A mudança na alavanca de transmissão
automática para as posições “Estacionamento”, “Dirigir” e “Ré” também é implementada através de um
servomotor instalado no mecanismo da alavanca.
Finalmente, a aceleração é realizada através do sistema Cruise Control do próprio veículo que atua
diretamente no módulo eletrônico de controle do
motor.
A diversidade destes elementos junto com o
tempo de resposta de cada informação cria uma dificuldade para o sincronismo de informações. Para
melhorar a compatibilidade os sensores foram divididos em clusters de acordo com a finalidade, importância e a necessidade de resposta. A Figura 1 mostra
a estrutura de controle do veículo inteligente e a
Figura 2 mostra os principais componentes instalados/previstos no projeto.
Figura 2. Diagrama de sensores e atuadores do veículo.
3
Aprendizado Supervisionado de Sistemas
Fuzzy em Veículos Inteligentes
3.1 Objetivo Geral
Conforme apresentado na Introdução deste trabalho,
diversas abordagens já foram propostas para controlar a navegação de veículos inteligentes: algumas das
principais são controladores Fuzzy, Redes Neurais
Artificiais, Planejamento, Sistemas Classificadores,
além de técnicas de localização e rastreamento por
visão computacional e instrumentação avançada
(técnicas utilizadas isoladamente ou de maneira
combinada). No entanto, a abordagem mais comum
no desenvolvimento de algoritmos de controle de alto
nível aplicados em V.I é a utilização de técnicas de
IA em algoritmos pré-programados.
1030
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
O objetivo deste artigo é explorar um tema pouco pesquisado nas aplicações de Veículos Inteligentes: uma metodologia que permita que o veículo
aprenda manobras de dirigibilidade com um motorista humano. Ao final deste processo deseja-se substituir o controlador humano (motorista) representado
na Figura 3 por um controlador fuzzy que aprendeu a
“dirigir” com o motorista e que seja capaz de executar suas funções.
O processo de otimização inicia com a geração
de uma população de anticorpos, onde cada indivíduo é responsável por guardar informações sobre a
posição e formato de todas as funções de pertinência
associadas com as variáveis do sistema. Já o processo
de aprendizado inicia com a análise do Banco de
Dados Inicial (BDI) e a construção de uma Tabela de
Regras Potenciais (TRP). A TRP é construída utilizando-se a idéia essencial apresentada em (Wang &
Mendel 1992), mas sem a abordagem de evitar inconsistências. Portanto, esta tabela conterá todas as
possíveis regras necessárias para representar o banco
de dados inicial. Continuando este processo, a segunda população de anticorpos deve decidir que
regras da TRP podem ser usadas para melhor representação do BDI. Estas duas populações co-evoluem
juntas até o final do processo de geração de regras
fuzzy. Importante ressaltar que embora as duas populações possuam uma forte relação entre si e o mesmo
objetivo, durante o processo de co-evolução, melhorias em uma população podem causar impactos negativos na outra. Para evitar este tipo de conflito, a
otimização de Pareto é utilizada de forma que uma
população apenas evoluirá se esta não prejudicar a
outra.
Conforme já mencionado, regras fuzzy estão diretamente relacionadas e dependem fortemente das
funções de pertinência. É impossível extrair qualquer
regra de uma base de dados se estas funções não
tiverem sido definidas. Assim, o primeiro passo para
a construção de um sistema fuzzy é a geração de uma
população de funções de pertinência fmPop={fAb1,…,fAbn}. Para cada indivíduo fAbi, uma
nova população rPopi = {riAb1,…,riAbm} responsável
pelo aprendizado das regras de inferência é criada e
evolui utilizando Sistemas Imunológicos Artificiais.
Após o aprendizado das regras, cada indivíduo fAbi
da primeira população terá sua função de pertinência
otimizada. Este processo é ilustrado na Figura 4.
Como o objetivo principal deste processo é representar de forma precisa um sistema real a partir de
um banco de dados, o fitness do anticorpo fAbi é
dado por:
Figura 3. Interação Motorista – Veículo - Ambiente
3.2 Detalhamento da Metodologia Proposta
A metodologia proposta é dividida em 3 fases:
geração de um banco de dados de manobras, indução de um Sistema Fuzzy a partir deste banco
de dados e aplicação do Controlador Fuzzy no V.I.
para navegação e realização de manobras.
Para gerar um banco de dados de manobras é necessário equipar o veículo com um conjunto de sensores capazes de perceber o ambiente externo. É
necessário também registrar variáveis internas do
próprio veículo, tais como velocidade, ângulo da
roda, distância percorrida e ações do motorista: acelerar, frear, virar direção. Desta forma será possível
observar o comportamento do motorista em diversos
cenários e armazenar estas informações em um banco
de dados para utilização futura.
A segunda fase consiste na extração do conhecimento do motorista contido na base de dados através da indução de um sistema de lógica difusa. A
geração deste Sistema Fuzzy implica na geração de
regras fuzzy e funções de pertinência (FP) que representem adequadamente o conjunto de exemplos de
treinamento. Assim, o problema é dividido em duas
partes: uma responsável pelo aprendizado das regras
e a outra responsável pela otimização das funções de
pertinência. A implementação do algoritmo para
solucionar este problema, aplica os conceitos de
Sistema Imunológico Artificial baseado em Gradiente (Vermaas et al. 2009) com duas populações distintas de anticorpos: uma para aprendizagem e outra
para otimização. Através do processo de co-evolução
das duas populações é possível: trocar informações
entre elas, uma vez que as mesmas são interdependentes, evitar o surgimento de ótimos locais e aumentar o fitness do sistema gerado.
∑
(1)
Onde:
- Ne é o número de amostras do banco de dados,
- ipDSa representa o valor de saída da amostra a,
- Penalty(.) é a uma função que retorna um valor
muito alto (isto é 1099) se fAbi não possui nenhuma
regra associada a ipDsa.
A descrição detalhada do processo de indução de
regras fuzzy e de como cada população evolui individualmente é apresentada em (Vermaas et al. 2009).
1031
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
fAb1
Gerar
rPop1 = {rAb1, ..., rAbn}
Evoluir
rPop1
Evoluir
fmPop
Gerar
fmPop = {fAb1, ..., fAbn}
fAbn
Gerar
rPop1 = {rAb1, ..., rAbn}
Sistema
Fuzzy
Evoluir
rPopn
Figura 4. Processo Co-evolucionário
por
4
Aplicação e Resultados Obtidos
α carro
e o vetor ângulo da trajetória
βtrajetória . O
Erro_Angular pode assumir os valores linguísticos
Esquerda ou Direita.
A Figura 6 ilustra os vetores ângulo do carro,
ângulo da trajetória e a variável Erro_Angular.
O cálculo destes ângulos utiliza as seguintes equações:
A metodologia proposta neste trabalho foi aplicada
em um veículo real, uma Zafira – GM automática,
equipada conforme descrição na seção 2 deste
artigo. A Figura 5 apresenta uma foto do veículo
utilizado nos testes práticos. Mais especificamente
foram realizados dois tipos de manobras: navegação em um circuito fechado e estacionamento em
vaga paralela (balisa).
Nos dois casos os exemplos de treinamento
que geram o banco de dados foram obtidos enquanto um motorista dirigia o veículo. Os dados
gerados foram utilizados para o aprendizado do
Sistema Fuzzy responsável por controlar o veículo
em modo automático.
 Ycatual − Ycanterior
 Xcatual − Xcanterior
α carro = arctg 



 Yt próximo − Ycatual 


Xt
−
Xc
próximo
atual


β trajetória = arctg 
(2)
(3)
Onde:
Xcatual , Ycatual
= coordenadas da posição atual
do carro medidas pelo DGPS;
Xcanterior , Ycanterior
= coordenadas da posição
anterior do carro medidas pelo DGPS ;
Xt próximo , Yt próximo = coordenadas do próximo
ponto da trajetória;
Os ângulos são corrigidos de forma que eles assumam apenas valores positivos. Desta forma, um
vetor apontando para o norte aponta para 00, aumentando gradativamente em sentido anti-horário. Finalmente, o Erro_Angular, é calculado por:
Figura 5. Veículo Inteligente – Projeto Driving4u
Erro _ Angular = β trajetória − α carro
4.1 Sistema de Controle de Direção para Navegação
em um Circuito com Waypoints
(4)
As variáveis do sistema de controle de navegação são computadas utilizando dados de um DGPS e
do mapa contendo os Waypoints da trajetória a ser
seguida. A variável de saída do controlador fuzzy é
Direção e indica a direção que o volante do veículo
deve ser virado para corrigir o erro de entrada. Da
mesma forma, a variável Direção assume os valores
linguísticos Esquerda ou Direita, indicando respectivamente que o volante deve virar no sentido antihorário ou horário.
Para gerar o banco de dados de navegação em
um circuito mapeado por waypoints, o carro foi dirigido por um motorista no trajeto apresentado na
Figura 7.
O objetivo do Sistema de Controle de Direção é
permitir que o Veículo Inteligente seja capaz de
seguir uma trajetória. Esta trajetória é determinada
por pontos, chamados Waypoints, que representam
coordenadas globais válidas e alcançáveis. O veículo
Inteligente deverá ser capaz de trafegar de uma posição global inicial para uma posição global objetivo
seguindo os Waypoints.
Para modelar o desvio lateral e angular percebido pelo motorista humano em relação à rota a ser
seguida, utilizou-se a variável fuzzy Erro_Angular.
Esta variável consiste na diferença de ângulo entre
dois vetores: o vetor ângulo do carro, representado
1032
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
tória a ser seguida pelo veículo aplicando o controlador fuzzy aprendido.
Durante o percurso registrou-se as coordenadas
GPS da trajetória, executada automaticamente pelo
veículo, comparadas com a trajetória mapeada. O
resultado, apresentado na Figura 10, mostra a performance do veículo em velocidade média de 15
km/h durante o percurso.
Figura 6. Vetores ângulo do carro, da trajetória e Erro_angular
Este circuito apresenta exemplos de treinamento
com retas, curvas acentuadas e curvas leves à esquerda e à direita. Esta diversidade é importante para
o aprendizado do sistema fuzzy.
Figura 9. Waypoints do circuito de 800m de extensão utilizado
para teste do Controlador Fuzzy
Figura 7. Circuito de teste utilizado para treinamento do veículo
As regras obtidas a partir destes exemplos de
treinamento geraram as regras fuzzy apresentadas na
Tabela 1 e as funções de pertinência ilustradas na
Figura 8.
Figura 10. Comparação das Trajetórias Mapeada e Executada
4.2 Estacionamento em Vaga Paralela
Tabela 1 - Regras obtidas para navegação
Antecedente
SE Erro_Angular = E
SE Erro_Angular = D
SE Erro_Angular = C
Erro_Angular
ENTÃO
ENTÃO
ENTÃO
Uma das mais atraentes situações de direção autônoma, inclusive comercialmente, refere-se à manobra
de estacionamento paralelo ou baliza. Esta tarefa
específica vem atraindo a atenção de pesquisadores e
da indústria, levando a uma variedade de estratégias
de implementação.
Nesta aplicação utilizou-se a estratégia de estacionamento baseada em um controlador fuzzy com
realimentação de três variáveis de entrada: θ - ângulo
do carro em relação à vaga, XA – distância do carro
até o limite da vaga e YD – distância do carro até o
meio fio, conforme ilustrado na Figura 11.
O banco de dados para treinamento deste controlador fuzzy foi gerado a partir de diversas manobras
de estacionamento bem sucedidas. Desta forma, os
exemplos de treinamento consideram as possíveis
variações nesta manobra.
Consequente
Direção = D
Direção = E
Direção = C
Direção
Figura 8. Memberships para Controlador Fuzzy de Navegação
O controlador fuzzy gerado para navegação do
V.I., utilizando as regras e memberships apresentados
na Tabela 1 e na Figura 8 respectivamente, foi aplicado em um cenário diferente daquele utilizado para
o treinamento. A Figura 9 apresenta uma foto do
circuito de 800m e os Waypoints que definem a traje-
1033
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
As regras obtidas a partir dos exemplos de treinamento apresentados na Figura 12 geraram as regras
fuzzy apresentadas na Tabela 2 e as funções de pertinência ilustradas na Figura 13.
Tabela 2 – Regras obtidas para estacionamento paralelo
Antecedente
SE XA = G
SE XA = G
SE XA = M
SE XA = P
SE XA = P
Figura 11. Variáveis consideradas no problema de estacionamento
paralelo
A Figura 12 apresenta um gráfico com os exemplos
de treinamento utilizados para aprendizado do controlador fuzzy responsável pelo estacionamento paralelo.
Manobra 1
Manobra 2
Manobra 3
YD = G
YD = G
YD = G
YD = G
YD = P
E
E
E
E
E
θ=P
θ=G
θ=G
θ=G
θ=G
Consequente
Direção = C
ENTÃO
ENTÃO
ENTÃO
ENTÃO
ENTÃO
Direção = D
Direção = D
Direção = C
Direção = E
XA
YD
Θ
Direção
Manobra 4
2,5
Distância y - metros
E
E
E
E
E
Figura 13. Funções de Pertinência para Controlador Fuzzy de
Estacionamento
2
1,5
1
A aplicação deste controlador fuzzy em uma situação real de estacionamento paralelo mostrou a
eficácia do sistema fuzzy gerado através do algoritmo
proposto neste artigo. A Figura 14 apresenta alguns
quadros da manobra de estacionamento paralelo
executada de forma autônoma a partir deste sistema
fuzzy.
0,5
0
0
1
2
3
4
5
6
7
Distância x - metros
Figura 12. Exemplos de Treinamento:Estacionamento Paralelo
Figura 14. Estacionamento paralelo executado de forma autônoma utilizando o sistema fuzzy aprendido com o motorista humano.
1034
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.
Naranjo, J; Gonzalez,C.; Pedro,T.; Garcia,R.;
Alonso, J and Sotelo, M (2006). AUTOPIA
Architecture for Automatic Driving and
Maneuvering. IEEE Proc. Intell. Transp. Syst.,
pp. 1220-1225.
Ohtsuka, E (2008). Communications policy and ITS
in Japan. 8th International Conference on ITS
Telecommunications, pp.24-24.
Ozguner, U.; Stiller, C. and Redmill, K (2007).
Systems for Safety and Autonomous Behavior in
Cars: The DARPA Grand Challenge Experience.
Proc. IEEE, vol. 95, no. 2, pp. 397 – 412.
Suzuki, T.; Aoki, K.; Tachibana, A.; Moribe, H. and
Inoue, H (1992) An automated highway vehicle
system using computer vision - Recognition of
white
guidelines. in 1992 JSAEAutumn
Convention Proc. 924, vol. 1, pp. 161-164.
Tachibana, A.; Aoki, K. and Suzuki, T (1992). An
automated highway vehicle system using
computer vision -A vehicle control method using
a lane line detection system-,” in 1992 JSAE
Autumn Convention Proc. 924, vol. 1, pp. 157160.
Thrun, S.; Montemerlo, M. and Dahlkamp, H (2006).
Stanley: The robot that won the DARPA Grand
Challenge. Journal of Field Robotics, vol 2, no.
9, pp. 661-692.
Tsugawa, S.; Hirose, T. and Yatabe, T (1991).
Studies on the intelligent vehicle. Rep.
Mechanical Eng. Lab., no. 156.
Vermaas, L.L.G.; Honorio, L.M.; Freire, M. and
Barbosa, D (2009). Learning Fuzzy Systems by
a Co-Evolutionary Artificial Immune-Based
Algorithm. Lecture Notes in Artificial
Intelligence, pp 312-319.
Wang, L. and Mendel, J.M (1992). Generating Fuzzy
Rules by Learning from Examples. IEEE
Transactions on Systems, Man, and Cybernetics
6, vol. 22, pp. 1414-1427.
5 Conclusão
Este trabalhou propôs uma metodologia aplicada em
veículos inteligentes para aprendizado supervisionado de regras de direção e manobras baseada no comportamento do motorista humano. A metodologia
consiste em obter um banco de dados através do
sistema de percepção do veículo, gerar um sistema
fuzzy a partir deste banco de dados e finalmente aplicar o sistema fuzzy para controlar o veículo de forma
autônoma.
Para a implementação desta metodologia, foram
aplicadas técnicas de Aprendizado de Máquina, Lógica Fuzzy e Sistemas Imunológicos Artificiais baseados em gradiente e clusterização.
O algoritmo proposto foi avaliado através da aplicação desta metodologia em um problema real de
navegação de um veículo autônomo em circuitos
mapeado por DGPS e no estacionamento em vaga
paralela. Os resultados obtidos nos casos reais demonstraram a viabilidade e a eficácia deste algoritmo.
Agradecimentos
Este projeto de pesquisa tem apoio financeiro da
Financiadora de Estudos e Projetos – FINEP e Fundação de Amparo à Pesquisa do Estado de Minas
Gerais - FAPEMIG.
Referências Bibliográficas
Baker, C. R.; Dolan, J.M (2008). Traffic interaction
in the urban challenge: Putting boss on its best
behavior, IEEE International Conference on
Intelligent Robots and Systems, pp.22-26.
Bishop, R (2000). Intelligent Vehicle Applications
Worldwide”, IEEE Intelligent Systems and
Their Applications, vol. 15, no 1, pp. 78-81.
Chen, Q. et al. (2004). Ohio State University at the
2004 Darpa Grand Challenge: Developing a
Completely Autonomous Vehicle. IEEE
Intelligent Systems.
DARPA Grande Challenge (2005). Disponível em
<http://www.darpa.mil/grandchallenge05>
Acesso em: 08 Nov 2008.
DARPA Urban Challenge (2007). Disponívem em
<http://www.darpa.mil/grandchallenge/index.asp
> Acesso em 08 Nov 2008.
Figueiredo, L.; Jesus, I. and Machado, J.A (2001),
Towards the development of intelligent
transportation systems ,
IEEE Proc. of
Intelligent Transportation Systems, pp. 12061211.
Graefe, V. and Kuhnert,K (1988). A high speed
image processing system utilized in autonomous
vehicle guidance. in Proc. IAPR Workshop
Comput. Vision, Tokyo, Japan, pp. 10-13.
1035