Rede Neural Artificial Embarcada em

Robótica Móvel
Kássio L. Machado1, Dionísio R. Ribeiro2, Levi A. Pereira3, Otavio A. Chase4, Marcos. K. Sampaio5, J. Felipe
Almeida6
1-4
IESAM - Instituto de Estudos Superiores da Amazônia
Avenida Gov. José Malcher, 1148 - Belém – Pará - Brasil
1
kassio.comp@gmail.com
2
dionisio.ribeiro@gmail.com
3
levi.azevedo@gmail.com
4-5
UFPA - Universidade Federal do Pará
Rua Augusto Corrêa, 01 – Belém – Pará – Brasil
4
chase@neoradix.com.br
5-6
Instituto Ciber Espacial – Universidade Federal Rural da Amazônia
Avenida Presidente Tancredo Neves, 2501- Belém – Pará – Brasil
5
marcos@neoradix.com.br
6
felipe.almeida@ufra.edu.br

Abstract— This paper presents an Artificial Intelligence
system capable of help the control and guide a mobile robot
by mapping and selection from alternate routes to a target
destination. A prototype system using sensors to gather
information on the test site field of surroundings feeds data
into a Neural Network through an algorithm to interpret and
evaluate the data collected to execute instructions to the robot-
vehicle directing it in the system calculated route, avoiding
possible obstacles in its path.
Keywords Robot, Artificial Intelligence, Neural Network.
Resumo Este trabalho apresenta um sistema de Inteligência
Artificial (IA) capaz de auxiliar o controle de um robô móvel em
tomada de decisões e mapeamento. O sistema foi testado em um
protótipo, onde a leitura do ambiente é feita através de sensores
cujas variáveis são normalizadas e tratadas por uma Rede
Neural Artificial (RNA). Desta forma, pode-se avaliar seu
desempenho e o controle de sua posição, evitando possíveis
obstáculos.
Palavras-chave Robô, Inteligência Artificial, Rede Neural.
I. INTRODUÇÃO
A robótica é uma área da tecnologia que visa à automação
e otimização de processos a fim de garantir eficiência em
determinadas situações. Entre as técnicas de controle
utilizadas nesta área está a Inteligência Artificial com os
métodos das Redes Neurais Artificiais (RNA) e os Algoritmos
Genéticos (AG) [1], [2]. Desta forma, associado à estas
técnicas computacionais, envolvem-se processos de
eletrônica, computação e mecânica. Tendo, portanto, diversas
linhas de pesquisa e entre elas a robótica móvel que se dedica
à construção de veículos autônomos ou semi-autônomos. Duas
características são especialmente marcantes na robótica
móvel: alcance e mobilidade, o que a difere de outras áreas da
robótica [3]-[5].
A utilização do algoritmo de RNA na robótica móvel tem
sido muito difundida na literatura e em equipamentos atuais
[6]-[8]. Esta técnica parte basicamente de duas fases:
treinamento e aprendizado. Equipados com sensores e
atuadores permitem, portanto, interagir com o ambiente [9].
Esta interação estabelece um treinamento da rede, através de
ciclos de percepção-ação que consistem em três passos
fundamentais: (i) obtenção de informação através de sensores;
(ii) processamento das informações para seleção de ação; e,
(iii) execução da ação através do acionamento dos atuadores.
Entre as utilizações deste tipo de sistema estão desde as
simples aplicações em identificação de trajetórias até nos mais
complexos robôs de exploração planetária[10].
Este trabalho apresenta um algoritmo de escolha booleana
e um modelo de RNA perceptron embarcados em um
microcontrolador para auxiliar a tomada de decisão de um
agente. Este sistema embarcado permite mapear o ambiente
que está inserido, realizando inferências em relação ao
ambiente estático e controlável que está inserido. No
desenvolvimento do trabalho são apresentados
detalhadamente o software e o hardware desenvolvido. Ainda,
de forma didática, procurou-se dar evidência aos conceitos e
fundamentos da modelagem da RNA desenvolvida.
Considera-se que esta última parte pode ser utilizada em
pequenos projetos de ensino sobre sistemas de Inteligência
Artificial.
II. FUNDAMENTOS DE UMA RNA
O projeto de uma RNA procura gerar um algoritmo
matemático com características análogas ao de uma rede de
neurônios reais. Assim, uma RNA possui neurônios aos quais
se comunicam por artifícios matemáticos para simular
sinapses nervosas. Desta forma, cada neurônio real recebe
informações (sinais elétricos) através de inúmeros dendritos,
estes sinais podem ser amplificados ou atenuados, dependendo
de seu dendrito de origem. Isto acontece devido a cada
dendrito estar associado a um peso sináptico. Esses pesos
sinápticos são o que se chama de memória e sua atualização é
o que se entende por aprendizado.
Por outro lado, uma RNA é organizada em camadas,
sendo uma camada de entrada, várias ou nenhuma camada
oculta e uma de saída. Vale ressaltar que possuem neurônios
apenas as camadas ocultas e a de saída. Este neurônio
matemático é considerado o conjunto de duas funções: a
função de ativação V e a função de transferência Phi. A
função de ativação efetua a somatória de todas as entradas do
neurônio multiplicadas pelos seus respectivos pesos. Esta
primeira função alimenta a função de transferência que
transforma o resultado em um valor aceitável para o próximo
passo da rede.
Os pesos representam o conhecimento da rede. Da mesma
forma, cada intercessão entre camadas da rede possui uma
matriz de pesos sinápticos, a qual é formada por elementos
Wij, ou seja, o peso sináptico W para a i-ésima entrada do j-
ésimo neurônio (Fig. 1). Assim, os neurônios conectados em
várias camadas arquitetam uma RNA.
Fig. 1 Modelo da RNA embarcada.
A. Simulação do Projeto
Ferramentas de simulação são especialmente necessárias
ao desenvolvimento de projetos robóticos, possibilitam a
redução de gastos, maior confiabilidade antes da construção
real e aumento da agilidade no ciclo de desenvolvimento
desses sistemas robóticos. A simulação dos circuitos elétricos
feita usando o software Proteus Isis (www.labcenter.co.uk)
possibilita testes e aprimoramentos de todos os circuitos
digitais e analógicos do projeto, enquanto a modelagem
mecânica realizada com o software Google SkecthUp
(sketchup.google.com) permite viabilização da construção da
base móvel do robô. O desenvolvimento para
microcontroladores conta com uma ferramenta específica
denominada MPLAB (ww.microchip.com), uma IDE
(Integrated Development Environment) com recursos de
depuração específica para microcontroladores.
B. Robô Móvel
O processamento do algoritmo de IA é feito no próprio
robô, sem requerer a ação de um agente externo. A rede neural
é treinada por um computador e inserida no microcontrolador
do robô. Desta forma, um circuito elétrico com um
microcontrolador auxiliado por sensores é o responsável por
todas as interações e percepções do ambiente onde o robô está
inserido.
O microcontrolador Microchip PIC16F877A é
responsável por todo controle do robô. Através de sensores de
fim-de-curso - sensores táteis capazes de detectar um
obstáculo através de contato físico - o robô pode detectar
quando está diante de uma obstrução no caminho a qual
deverá contornar. Possui um sonar MaxSonar EZ1 - periférico
capaz de medir distâncias do seu alvo à partir de 13cm até
3mts, ou dependendo da reflexão do objeto chegar à 6mts.
O robô móvel tem tração de movimento do tipo
diferencial e seu sistema é não-holonômico, devido sua
limitação física gerada pela forma em que as rodas estão fixas
a estrutura. A equação (1) mostra o modelo cinemático
simples do robô móvel diferencial não-holonômico [11].
 x  cos 0
    V 
 y    sen 0   (1)
  0
   1   
A sua cinemática representa a configuração ( x, y,  )
posição e orientação no ambiente onde atua. A limitação física
define o robô como um sistema sub atuado, que é uma classe
de restrição não-holonômica [12]. Isto ocorre devido o vetor
de controle ter dimensão menor que o número de graus de
liberdade do robô, conforme visto na equação (2).
x sen( )  y cos( )  0 (2)
A componente de velocidade perpendicular do robô
móvel é nula, e a conseqüência disso é a dependência entre as
velocidades x e y . O robô só se move na direção em que suas
rodas estão apontadas, e possui velocidade zero na direção
perpendicular a esta. Isto exige que o robô faça balizas quando
realizar movimentos laterais.
Os atuadores do robô são dois motores designados para
sua locomoção, que estão fixos com rodas em sua parte
traseira. Na parte dianteira central é fixa uma roda móvel
passível, com propósito de sustentação da estrutura do robô
sem qualquer tipo de atuação.
O motor escolhido no projeto é do tipo motor-de-passo
elétrico, devido à obtenção do posicionamento angular exato
sem auxílio de outros periféricos como encoders, o que facilita
a tarefa de odometria. Este motor é composto de quatro
bobinas, as quais possuem três algoritmos de combinação na
comutação de sua alimentação. Isto proporciona maior torque,
maior velocidade ou menor angulação, normalmente 1.8° por
passo.
 A comunicação do robô com um computador pessoal é
feita usando módulos unidirecionais de comunicação por rádio
freqüência UHF (Ultra High Frequency) Linx (www.tato.ind),
operando na freqüência de 433,92MHz com modulação ASK
(Amplitude Shift Keying). Desta maneira, estabelece a
comunicação através do protocolo RS232, utilizado pelas
portas seriais, este link provê o mapeamento simultâneo do
ambiente explorado pelo robô e seu controle manual no modo
tele-operado (Rover) através do software SiberiaBot,
desenvolvido utilizando a API (Application Programming
Interface) Microsoft Directx (www.microsoft.com) que
também permite o controle da movimentação do robô através
de um joystick e a aquisição de imagens de uma câmera
embarcada (Fig. 2).
Fig. 2 Imagem do protótipo desenvolvido.
C. Software
O software que controla a tomada de decisões do robô no
seu modo autônomo foi modulado em dois algoritmos
independentes: RNA e Algoritmo de Escolha Booleana – este
segundo usado no sistema de forma alternativa. A RNA foi
estruturada para haver duas camadas: entrada e saída. Na
primeira camada foram utilizadas quatro entradas, três
relacionadas aos dados recebidos (e tratados) dos sensores, e
um parâmetro constante denominado bias, relevante à
estabilidade numérica do cálculo. Na segunda camada foram
necessários dois neurônios com saídas binárias que geram
quatro possíveis inferências a respeito do ambiente: (i)
obstáculo à frente, (ii) obstáculo à direita, (iii) obstáculo à
esquerda, (iv) obstáculo impedindo a locomoção do veículo.
Tais saídas representam as informações inferidas do ambiente.
A RNA usada possui duas etapas de aprendizado. A
primeira é realizada fora do sistema embarcado, devido a
pouca memória do microcontrolador. Para a primeira etapa
que é o treinamento da rede, é necessário definir quais dados
seriam utilizados, sendo assim uma tabela com as possíveis
combinações de ativação dos sensores. Então, após uma
normalização para evitar redundâncias de dados, a tabela
obtida continha em suas linhas situações diferentes entre si,
que exigiam tomadas de decisão direcionadas para cada
diferente situação nela representada. Após a escolha dos dados
para o treinamento, a rede foi alimentada com os vetores: de
entrada com dados referentes às possíveis combinações de
ativação dos sensores e os vetores de saída com as leituras do
ambiente. O treinamento da rede é efetuado com a atualização
dos pesos sinápticos até que o erro alcance valores toleráveis
durante o número de iterações seguidas. Então, a matriz de
pesos sinápticos foi alimentada no microcontrolador. Dando
início a segunda etapa do aprendizado, a segunda etapa
(embarcada) ocorre assim que pelo menos um sensor de fim-
de-curso é acionado em conjunto com o sonar. Esta etapa é
caracterizada pelo aprendizado da utilização do sonar, ou seja,
o robô aprende a relacionar a ativação do sonar a um
obstáculo reconhecido. A partir deste momento, passa a evitar
colisões realizando a rotina de evasão assim que o sonar for
acionado.
A tomada de decisões é a mesma para o RNA e o
algoritmo de Escolha Booleana. Desta forma, o robô relaciona
a ativação de um sensor de fim-de-curso, focado em uma
lateral, a uma rotina de evasão que prioriza o desvio para o
lado oposto. De tal forma que os sensores do robô são
análogos ao sistema nervoso periférico e a rede neural análoga
ao sistema nervoso central, onde são definidas as tomadas de
decisão. O robô proposto possui ambos os algoritmos
implementados no sistema embarcado, os quais podem ser
alternados pela comutação de um circuito elétrico encontrado
em seu painel ou por rádio freqüência.
III. RESULTADOS E DISCUSSÕES
O protótipo desenvolvido representa uma linha de robôs
de mapeamento de atributos e caracterização de um ambiente.
Em sua configuração atual, este sistema possui diferentes
formas de controle: controlado remotamente por rádio
frequência (Rover) e um agente humano ou autônomo no qual
embarca duas alternativas de tomada de decisão, autônoma
com Rede Neural Artificial e Algoritmo de Escolha Booleana.
A implementação da Inteligência Artificial em um robô do
tipo veículo mostrou-se bem sucedida, demonstrando que o
RNA apresentou uma curva de aprendizado para a
implementação em questão. Além do que, em uma próxima
edição do trabalho será usado o dsPIC que tem ULA (Unidade
Lógica Aritmética) com ponto flutuante e ponto fixo de
precisão de -1 a 1, para o processamento digital de sinais [13],
e esta característica possibilitará o cálculo embarcado dos
pesos sinápticos da RNA, sem a necessidade do treinamento
ser realizado em um computador remoto e que variáveis do
tipo flutuantes sejam emuladas por software.
O algoritmo Booleano mostrou-se simples e intuitivo, no
entanto não apresentou um grau de evolução ou uma curva de
aprendizado, devido a sua característica estática. Portanto, não
representa uma técnica ineficaz, em comparação com o RNA,
apenas um método simples e acessível de se resolver o
problema, mas com limitações.
O algoritmo RNA implementado no projeto, embora
relativamente mais complexo, permite comprovar que há uma
curva de aprendizado. Com o uso desta técnica, o sistema
apresenta evolução no nível de conhecimento e diferenciação
no comportamento dos atuadores.
A primeira abordagem, mal sucedida, foi embarcar o
treinamento completo do perceptron, porém a memória
(RAM) do microcontrolador não comportava todas as
variáveis necessárias ao algoritmo. Uma alternativa
desenvolvida foi acrescentar um segundo microcontrolador
Microchip PIC18F4550 responsável apenas pelo algoritmo da
RNA e estabelecer um barramento de comunicação entre os
microcontroladores usando o padrão RS-485 - essa abordagem
também se demonstrou mal sucedida devido à extrema
limitação de espaço, consumo de energia, entre outras
barreiras impostas ao desenvolvimento de um sistema
embarcado.
A solução para o problema é realizar o treinamento do
perceptron em um computador, e alimentar os pesos
sinápticos, que apresentaram melhor desempenho, no
microcontrolador. Para obter tais pesos, é necessário avaliar o
erro gerado a partir do treinamento supervisionado em função
do número de iterações. Isto é feito usando-se o Erro Médio,
dado pela equação (3):
k
Erro médio  [( saída K 1  phi1)  ( saída 2  phi2)] / 2
K
(3)
Com a análise do treinamento da rede (Fig. 3) é possível
observar que a partir da décima quarta iteração a rede
apresenta estabilidade constante. Logo, o próximo passo é
alimentar a rede neural.
N ú m ero d e Iteraçõ es (K )
Fig. 3 – Gráfico de análise de erro do treinamento da RNA.
Após o treinamento de sua rede neural, quando um robô
recebe a informação de uma determinada coordenada de
posição, passa a se deslocar de sua posição atual (aleatória)
até a posição de atuação. Para realizar esta navegação,
desviando de obstáculos, as entradas da RNA são obtidas
pelos sensores presentes no robô e as saídas são inferências do
ambiente.
IV. CONCLUSÃO
Este conjunto de operações, em uma análise superficial,
pode parecer simples, porém o controle robusto de um sistema
robótico tem complicações físicas e mecânicas, tais como,
cinemática e dinâmica; eletrônicas, como a falta de precisão
de sensores; energia embarcada; e, limitações computacionais
que tornam a criação de um conjunto de regras uma tarefa
árdua e suscetível a erros. Observou-se que com a técnica
RNA pode-se controlar satisfatoriamente um agente de
robótica móvel. Assim, partindo desta metodologia, com
implementação de hardware e software utilizados, este
trabalho tem a finalidade futura de abrir dois importantes
seguimentos de pesquisa em sistemas embarcados usando
RNA: primeiro, desenvolver um robô para monitoramento
ambiental relacionado ao ambiente Amazônico, o que não é
uma tarefa fácil; e, incentivar o estudo dos procedimentos
desta construção nas escolas da rede pública, em séries que
antecedem a vinda de um aluno à universidade e os quais
visam cursos de Engenharia.
AGRADECIMENTOS
Um agradecimento especial a equipe de desenvolvimento
do Neoradix (www.neoradix.com.br) e a todos os
participantes do Laboratório de Pesquisa em Sistemas de
Engenharia-LAPSE/IESAM.
REFERÊNCIAS
[1] O. Ludwig e E. Montgomery. Redes Neurais Fundamentos e
Aplicações em Programas em C, Rio de Janeiro, RJ, Brasil: Ciência
Moderna, 2007.
[2] S. Haykin. Redes Neurais: Princípios e Práticas. São Paulo: Bookman,
2000.
[3] S. Arimoto, S. Kawamura, and F. Miyazaki. "Iterative learning control
for robot systems", Tokyo, Japan, Proc. IECON, 1984.
[4] R. M. Murray, Z. Li, and S. S. Sastry, A Mathematical Introduction to
Robotic Manipulation, Florida, USA: CRC Press, 1994.
[5] R. Johansson , A. Robertsson, K. Nilsson, T. Brogardh, P. Cederberg,
M. Olsson, T. Olsson, and G. Bolmsjo, Sensor Integration in Tasklevel
Programming and Industrial Robotic Task Execution Control,
Industrial Robot: An International Journal, Vol. 31, No. 3, pp. 284-296,
2004.
[6] H. Cui, Z. Zhu, Z. Gan, and T. Brogardh, “Kinematic Analysis and
Error Modeling of TAU Parallel Robot”, Robotics and Computer-
Integrated Manufacturing, vol.21, No. 6, pp. 497-505, 2005.
[7] G. A. Bekey, Autonomous Robots: From Biological Inspiration to
Implementation and Control, Cambridge, USA: The MIT Press, 577 p.,
2005.
[8] G. Dudek, M. Jenkin, Computational Principles of Mobile Robotics
Cambridge, London, UK: The MIT Press, 280 p., 2000.
[9] J. Marchi, “Navegação de Robôs Móveis Autônomos: estudo e
implementação de abordagens”, Dissertação de Mestrado,
Universidade Federal de Santa Catarina, Brasil, 2001.
[10] JPL/NASA, Jet Propulsion Laboratory/NASA, disponível em:
www.jpl.nasa.gov.
[11] G. Campion, G. Bastin, B. D'Andrea-Novel "Structural properties and
classification of kinematic and dynamic models of wheeled mobile
robots ", A paraître dans IEEE Trans. on Robotics and Automation,
vol.12, N°1, February 1996.
[12] O. Chase, J.R. Brito-de-Souza, J. F. Almeida. “Robô de Inspeção para
Aquisição de Dados Ambientais na Região Amazônica com o uso da
Norma IEEE1451”. Brasília-DF, SBAI 2009.
[13] A. Oliveira e F. Andrade. Sistemas Embarcados – Hardware e
Firmware na Prática. São Paulo: Editora Érica, 2006.