7. Zagadnienie parkowania ciężarówki.

Podobne dokumenty
6. Zagadnienie parkowania ciężarówki.

SZTUCZNA INTELIGENCJA

ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

SZTUCZNA INTELIGENCJA

STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.

ALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska

Cel projektu: Wymogi dotyczące sprawozdania:

Inteligencja obliczeniowa

Wnioskowanie rozmyte. Krzysztof Patan

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Sztuczna inteligencja : Zbiory rozmyte cz. III

Podstawy sztucznej inteligencji

Układy logiki rozmytej. Co to jest?

INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Temat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Kurs logiki rozmytej - zadania. Wojciech Szybisty

Jeśli przeszkoda jest blisko to przyhamuj

Sterowanie z wykorzystaniem logiki rozmytej

Temat: Model SUGENO. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Temat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

SID Wykład 7 Zbiory rozmyte

Rozmyte systemy doradcze

Logika Stosowana Ćwiczenia

Inteligencja obliczeniowa

Zasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte

METODY INTELIGENCJI OBLICZENIOWEJ wykład 6

Sztuczna inteligencja: zbiory rozmyte

W narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.

Temat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Zadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą

Obliczenia iteracyjne

WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)

Algorytmy sztucznej inteligencji

Temat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Implementacja rozmytych systemów wnioskujących w zdaniach regulacji

Opis systemów dynamicznych w przestrzeni stanu. Wojciech Kurek , Gdańsk

Aproksymacja funkcji a regresja symboliczna

Wnioskowanie bayesowskie

Sztuczna inteligencja : Zbiory rozmyte cz. 2

1. Synteza automatów Moore a i Mealy realizujących zadane przekształcenie 2. Transformacja automatu Moore a w automat Mealy i odwrotnie

Piotr Sobolewski Krzysztof Skorupski

POLITECHNIKA ŚLĄSKA. ZADANIE 2 WALCEM PO WALCU Zadanie zaproponowali: dr inż. Mariusz Pleszczyński, Wydział Matematyki Stosowanej, Politechnika Śląska

WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI KATEDRA AUTOMATYKI. Robot do pokrycia powierzchni terenu

a[1] a[2] a[3] a[4] a[5] a[6] a[7] a[8] a[9] a[10]

Sztuczna Inteligencja Projekt

THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Rozwiązywanie równań nieliniowych

II. Równania autonomiczne. 1. Podstawowe pojęcia.

Inżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska

1 Wprowadzenie do algorytmiki

Temat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej

Algorytm. Krótka historia algorytmów

Systemy uczące się wykład 2

Definicje. Algorytm to:

Problemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonych przypadkach daje się opisać tylko w sposób nieprecyzyjny, np.

Metoda Karnaugh. B A BC A

8. Neuron z ciągłą funkcją aktywacji.

Sterowniki Programowalne (SP)

ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH

Elastyczne systemy wytwarzania

Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki

Temat: Zastosowanie wyrażeń regularnych do syntezy i analizy automatów skończonych

Technologie i systemy oparte na logice rozmytej

ZASTOSOWANIE LOGIKI ROZMYTEJ W BUDOWIE SYSTEMÓW ZARZĄDZANIA WIEDZĄ PRODUKCYJNĄ

Interwałowe zbiory rozmyte

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Systemy uczące się wykład 1

Zadanie 0 gdy nie mamy logiki rozmytej

Laboratorium 5 Przybliżone metody rozwiązywania równań nieliniowych

Klasyczne zagadnienie przydziału

Logika Stosowana. Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta. Marcin Szczuka. Instytut Informatyki UW

Word. Korespondencja seryjna

1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb.

Metody sterowania sterowanie rozmyte System rozmyty (patrz MiPI) użyty jako sterownik/regulator nazywamy sterownikiem/regulatorem rozmytym

Sterownik (regulator) rozmyty przykład [1]

INTERPOLACJA I APROKSYMACJA FUNKCJI

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych

Laboratorium nr 1. i 2.

Definicje i przykłady

Metoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.

Opis podstawowych funkcji PC- SHELLa

Dystrybucje, wiadomości wstępne (I)

Wstęp do metod numerycznych Zadania numeryczne 2016/17 1

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

Interpolacja. Marcin Orchel. Drugi przypadek szczególny to interpolacja trygonometryczna

Metoda eliminacji Gaussa. Autorzy: Michał Góra

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

Mechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych

Wprowadzenie Sformułowanie problemu Typy reguł asocjacyjnych Proces odkrywania reguł asocjacyjnych. Data Mining Wykład 2

B jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;

Sztuczna Inteligencja Projekt

Matematyka dyskretna

Wykład 6. Metoda eliminacji Gaussa: Eliminacja z wyborem częściowym Eliminacja z wyborem pełnym

dr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;

Transkrypt:

7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można będzie podejmować decyzje związane ze sterowaniem. Bardzo często zdarza się, iż znalezienie odpowiedniego modelu jest procesem trudnym i czasochłonnym a nierzadko wymagającym przyjęcia dodatkowych założeń upraszczających zagadnienie. W takim przypadku idealnym narzędziem są sterowniki rozmyte. Zamiast wyznaczać pewien model formułujemy jedynie reguły postępowania w postaci rozmytych zdań warunkowych typu IF... THEN... Rysunek 1 przedstawia klasyczny sterownik rozmyty. Składa się on z czterech ele- mentów: Rysunek 1: Klasyczny sterownik rozmyty. Bazy reguł Bazę reguł stanowi zbiór rozmytych reguł postaci IF (x1 jest A1) AND... AND (xn jest An) THEN (y1 jest B1) AND... AND (ym jest Bm) 1

gdzie A i, B j, i = 1,..., n, j = 1,..., m są zbiorami rozmytymi, x i zmiennymi wejściowymi, y j zmiennymi wyjściowymi. Bloku rozmywania Ponieważ system sterowania z logiką rozmytą operuje na zbiorach rozmytych, dlatego konkretne wartości sygnału wejściowego podlegają operacji rozmywania, w wyniku której zostają one odwzorowane w zbiór rozmyty. Bloku wnioskowania Na podstawie zbioru reguł rozmytych w oparciu o uogólnione reguły wnioskowania znajdujemy odpowiedni zbiór rozmyty będący wnioskiem powstałym w oparciu o podane przesłanki. Bloku wyostrzania Wielkością wyjściową bloku wnioskowania jest zbiór rozmyty. Zbiór ten należy odwzorować w jedną wartość, która będzie poszukiwanym sygnałem sterującym. Zadanie, które będziemy chcieli rozwiązać znane jest pod nazwą zagadnienia parkowania ciężarówki i jako takie nie jest wcale problemem trywialnym. Chcąc zastosować podany algorytm musimy napierw wygenerować zbiór reguł, na których podstawie będziemy realizować procedurę wnioskawania, co w konsekwencji pozwali sterować ciężarówką na pewnym zamkniętym obszarze. Chcemy zaparkować ciężarówkę, czyli ustawić ją w położeniu prostopadłym do rampy 1 Zakładamy, że pojazd porusza się tylko do tyłu i ze stałą prędkością. Pojazdem sterujemy zmieniając kąt skręcenia jego kół. Zakres zmienności dla kątów: Φ [ 180, 180] oraz θ [ 45, 45]. Poniżej zamieszczono niezbędne wzory opisujące dynamikę ruchu ciężarówki oraz rysunek 2 przedstawiający znaczenie użytych symboli. Teoria x(t + 1) = x(t) + sin [θ(t) + Φ(t)] sin [θ(t)] cos [Φ(t)] y(t + 1) = y(t) cos [θ(t) + Φ(t)] sin [θ(t)] sin [Φ(t)] Φ(t + 1) = Φ(t) arcsin [ 2 sin θ(t) ] b Poniżej podajemy algorytm tworzenia reguł rozmytych. Zakładamy, że naszym celem jest stworzenie sterownika rozmytego o dwóch wejściach i jednym wyjściu mając cały czas na uwadze rozwiązanie zadania jakie sobie wyznaczyliśmy czyli problemu parkowania ciężarówki. W tym celu, w oparciu o zebrane przykładowe dane, musimy ustalić odpowiednie reguły rozmyte. Przykładowe dane nazywać będziemy dalej danymi uczącymi i będą one zbiorem par (in(i), out(i)), i = 1, 2,... gdzie in(i) = (x1(i), x2(i)), out(i) = y(i) jest sygnałem wejściowym, podawanym na wejście sterownika, natomiast out(i) wzorcową wartością sygnału wyjściowego. 1 Rampa to górna krawędź obszaru w którym się poruszamy. 2

Krok 1 - podział przestrzeni wejściowej i wyjściowej na obszary Określamy przedziały, w których zawierają się dopuszczalne wartości dla in(i) oraz out(i). Każdy z przedziałów dzielimy na 2N + 1 obszarów (odcinków). Dla każdego z sygnałów N może być różne; różne mogą być także długości odcinków. Poszczególne obszary oznaczamy następująco: M N (MałyN),..., M 1 (Mały1), S(Średni), D 1 (Duży1),..., D N (DużyN) i dla każdego z nich określamy jedną funkcję przynależności. Przykład takiego podziału przedstawiono na rysunku 3. Jak widać w stosunku do trzech wygnałów: x 1, x 2, y przyjęto następujące założenia: Sygnał Minimalna Maksymalna N wartość wartość x 1 1.0 5.0 2 x 2 2.73 15.8 2 y 0.4 13.7 3 Dla uproszczenia jako funkcję przynależności przyjęto wszędzie funkcję o kształcie trójkątnym. Krok 2 - tworzenie reguł rozmytych na podstawie danych uczących. Wyznaczamy stopnie przynależności danych uczących do każdego z obszarów utworzonych w kroku 1. Biorąc pod uwagę rysunek 3 stwierdzamy, że stopien przynależności danej x 1 (1) do obszaru M 1 wynosi 0.7, do obszaru M 2 0.3 a do pozostałych obszarów 0. Podobnie postępujemy dla x 2 (1) i y(1). Przyporządkowujemy dane uczące do obszarów w których mają one maksymalne stopnie przynależności. W ten sposób dla każdej pary uczącej możemy napisać jedną regułę: (x1(1),x2(1),y(1)) ==> reguła (1): IF (x1 jest M_1) AND (x2 jest S) THEN y jest M_1 Krok 3 - przyporządkowanie stopni prawdziwości do każdej z reguł W oparciu o każdą parę danych uczących możemy sformułować jedną regułę. Oczywiste jest, że w przypadku występowaniu dużej ilości par wiele reguł będzie miało te same przesłanki i te same (bądź też różne) wnioski. W celu umożliwienia podjęcia decyzji, którą z nich wybrać, do każdej reguły przyporządkowujemy stopień prawdziwości i wybieramy tą spośród reguł o tych samych przesłankach, która ma ten stopień najwyższy. Dla reguł postaci IF (x1 jest A1) AND (x2 jest A2) THEN y jest B stopień prawdziwości sp definiujemy jako sp = µ A1 (x 1 )µ A2 (x 2 )µ B (y) 3

Krok 4 - utworzenie bazy reguł rozmytych Bazę reguł stanowi tablica, którą wypełniamy regułami rozmytymi w następujący sposób: jeśli reguła jest postaci IF (x1 jest Ax) AND (x2 jest Ay) THEN y jest Bz to na przecięciu kolumny Ax oraz wiersza Ay wpisujemy nazwę zbioru rozmytego występującego we wniosku, czyli Bz. Krok 5 - wyostrzanie W celu określenia liczbowej wartości sterowania należy przyjąć pewną metodę wyostrzania. W tym przypadku wyostrzanie odbywać się będzie według wzoru y = Nk=1 τ (k) y (k) Nk=1 τ (k) gdzie τ (k) = µ A1 (k)(x 1 )µ A2 (k)(x 2 ) nazywamy stopniem aktywności k tej reguły. Rysunek 2: Ciężarówka oraz obszar parkingu. 4

Rysunek 3: Podział na obszary i określenie funkcji przynależności. 5

Zadanie Zadanie będzie wymagało napisania kilku programów. 1. Napisać program, który przy użyciu wzorów fizycznych opisujących tarjektorię ruchu ciężarówki wygeneruje metodą prób i błędów N trójek (x, Φ, θ) = (x 1, x 2, y), które posłużą jak dane numeryczne w dalszym postępowaniu. 2. Napisać program tworzący bazę reguł na podstawie danych numerycznych (z pkt. 1). Niezbędne dane będą wczytywane z pliku o formacie jak poniżej: linia 1: ilośćdanych linia 2: mindlax1 maxdlax1 Ndlax1 linia 3: mindlax2 maxdlax2 Ndlax2 linia 4: mindlay maxdlay Ndlay linia 5: x1 x2 y... linia ilośćdanych + 4: x1 x2 y Jako wynik program ma zwracać listę wszystkich reguł wraz z przypisanymi im stopniamy prawdziwości oraz bazę reguł. 3. Na podstawie otrzyanej bazy reguł napisać program, który przy użyciu tych reguł będzie sterował ciężarówką. 6