Robotic Control: Introduction to Robotic Vision

Endra Pitowarno ©2007

Robotic Control: Introduction to Robotic Vision Dr. Ir. Endra Pitowarno, M.Eng PENS-ITS

Seminar “New Concept Robotics: Robot Vision” 22 Februari 2007

Universitas Gunadarma - Jakarta


Sistem Robot dan orientasi fungsi

Sistem Robot

Sistem Kontroler

Aktuator

Mekanik Robot

Sensor

Sistem Aktuator Mata Kamera

Real world

Sistem Roda

Sistem Kaki

Sistem Tangan

Untuk Navigasi (gerak berpindah)

• Mengikuti jalur • Berdasarkan obyek statik atau bergerak (menuju obyek, menghindari obyek/halangan) berbasis vision, proximity, dll. • Berdasarkan urutan perintah (referensi trajektori)

Mata Kamera

Untuk Manipulasi (gerak penanganan) Ujung tangan (posisi TIP): • Mengikuti referensi trajektori • Mengikuti obyek (berbasis vision, proximity, dll.) • Memegang, mengambil, mengangkat, memindah atau mengolah obyek

vision

1


Sistem Robot dengan kontroler berbasis prosesor

Analog dan atau Digital

Aktuator

Rangkaian prosesor (CPU)

Analog dan atau Digital

Robot

Sensor


Kontroler berbasis prosesor dengan user interface Keypad/ keyboard

Monitor (LCD, CRT, etc.)

1/0

1/0 analog

Rangkaian prosesor (CPU)

analog

sistem bus (shaft encoder, vision) Wireless communications (blue tooth, Wi-Fi, etc.)

camera

Serial comm

2


Instalasi Kontroler: PC or Embedded Controller Kontroler

(or) Embedded Controller

Komputer

Data Acquisition Card

Analog Digital

SLOT EISA atau PCI

Analog Digital

Kabel panjang via konektor

Proximity sensor, camera, etc.

Sensor

Aktuator

ROBOT Environment, Workspace, Object, Obstacle, etc.


Diagram Sistem Kontrol Robotik Referensi Gerak

Kontroler

Robot

kontrol robot loop terbuka Hasil Gerak sesungguhnya (dibaca oleh sensor)

Error = Gerak referensi – Gerak aktual Referensi Gerak

+

Kontroler

Robot

-

kontrol robot loop tertutup Gerak aktual

3


Klasifisaksi Kontrol berbasis Sensor: Low-level & High Level Control Low-level control

Sensor Internal: sensor posisi, sensor kecepatan, dan sensor percepatan,

High-level control

Sensor Eksternal:

sensor taktil (tactile), berbasis sentuhan: misalnya limit switch pada bemper robot, sensor force dan sensor torsi (torque sensor), sensor proksimiti, sensor jarak (sonar, PSD, dll), sensor vision (kamera), gyro, kompas digital, detektor api, dan sebagainya.


Close Loop ON/OFF Control sederhana 1/0

1/0

+

1/0

Kontroler ON/OFF

1/0

Robot

-

Motor DC kiri-kanan ON/OFF Sistem Robot

Kontroler ON/OFF

Robot

Sensor infra-merah ON/OFF Referensi Gerak

Roda kiri-kanan TRACK

4


High-Low Level of Control Low-level Control Perintah Gerak

Lingkungan Robot

Aktuator

Sensor Internal

Sensor Eksternal High-level Control


Low Level Control Sinyal aktuasi

error

(r)

θ&ref

Poros motor

Motor DC

(rpm) +

e

Kp

Sensor kecepatan

u

+ +

-

(y)

θ&act (rpm)

Ki s

t

u (t ) = Kp ⋅ (θ&ref (t ) − θ&act (t )) + Ki ∫ (θ&ref (t ) − θ&act (t ))dt 0

5


Low Level Control: Motor DC Servo Motor DC Servo dengan kontrol kecepatan Kecepatan Referensi,

Kecepatan

θ&ref +

Kontrol PID

aktual,

Motor DC-MP

θ&act

-

Skema ekivalen Motor DC Servo dengan kontrol kecepatan


High Level Control (classic sensor: proximity) Motor DC Servo kiri-kanan

Kontroler ON/OFF

Servo (kontrol Kecepatan)

Sistem Robot

Robot

Sensor infra-merah ON/OFF Roda kiri-kanan

Referensi Gerak

TRACK

High Level Control

Low Level Control

6


Contoh: Robot Route Runner Limit Switch parallel PB7

INPUT Referensi Jalur PUTIH di lantai GELAP

PB0

PB1

Motor Kiri

Motor Kanan

PA1

PA0

Robot ROUTE RUNNER

OUTPUT yang dikehendaki

PB7

PB1

PB0

PA1

PA0

0

*

*

0

0

1

0

0

0

0

1

0

1

1

0

1

1

0

0

1

1

1

1

1

1

Keterangan: * = 0 atau 1 INPUT: 1 = PUTIH 0 = HITAM

Keterangan : PA1 dan PA0 adalah motor Kiri & Kanan PB1 dan PB0 adalah sensor Kiri & Kanan

Motor DC Servo (low level control)


High Level Control (visual sensor: camera) Motor DC Servo kiri-kanan Sistem Robot Image Processing (visual-based Control)

Servo (kontrol Kecepatan)

Robot

Sensor kamera Roda kiri-kanan

Referensi Gerak

TRACK

Low Level Control

High Level Control

7


Penggunaan Transformasi Laplace dlm model kontrol: Fenomena posisi, kecepatan, dan percepatan

∞

L{ f (t )} = ∫ f (t )e − st dt 0

jika

L{x(t )} = X ( s )

maka

L{x& (t )} = sX ( s )

L{&x&(t )} = s( sX ( s))

kecepatan

percepatan/akselerasi

&x&(t ) s(s X(s))

posisi

x& (t )

1 s

1 s

s X(s)

x(t ) X(s)

Dasar Low Level Control


Contoh: Robot Tangan Satu Sendi Sensor posisi (potensiometer)

Y

θ&act =

∆θ ∆t

θ&&act =

∆θ& ∆t

Robot (lengan tunggal)

θ Aktuator (Motor DC)

Error =

X

θ ref – θ act

Sistem Robot

Sistem Kontroler

θ ref

+

Kontrol -

Amplifier

Ktn

I

Motor DC

τ

Sendi Robot

θ&&act

1 s

θ&act

1 s

θ act

8


Low Level Control

Metoda Kontrol Klasik (P)

r

e

+

Kp

u

H(s)

y

-

u = Kp ⋅ e


Low Level Control

Metoda Kontrol Klasik (I) r

e

+ -

Ki s

u

H(s)

y

t u (t ) = ⎡ ∫ e(T )dT ⎤ Ki ⎢⎣ 0 ⎥⎦

9


Low Level Control

Metoda Kontrol Klasik (P-I) Kp r

+

e

+ -

Ki s

u

y

H(s)

+

G ( s ) = Kp +

Ki s


Low Level Control

Metoda Kontrol Klasik (D) r

e

+

s ⋅ Kd

u

y

H(s)

-

u = Kd ⋅ e&

u = Kd ⋅

∆e ∆t

10


Low Level Control

Metoda Kontrol Klasik (P-I-D)

Kp r

+

e

+

Ki s

-

+

u

y

H(s)

+

s ⋅ Kd


Penggunaan Kontrol Cerdas pada Low Level Control r

e

+ -

Kontroler berbasis AI

u

Sistem Robot

y

Posisi, kecepatan atau akselerasi

• • • • • •

AI & Terminologi:orang pertama > Alan Turing (1937) Neural Network: Warren McCulloch (1943) Teori Fuzzy: Lukacewick (1930an) Fuzzy Sets: Lotfi Zadeh (1965) Genetic Algorithm: Teori Darwin Konsep GA dalam Evolutionary Computation (EC): Holland (1975)

11


Contoh: Kontrol Fuzzy pada Low Level Control r

u

e

+ -

Sistem Robot

y

Kontrol Fuzzy Posisi, kecepatan atau akselerasi

e INPUTS mu OUTPUTS n


Penggunaan Kontrol Cerdas pada High Level Control • Pendekatan Model-Plan-Act (MPA), • Pendekatan Behavior-based, dan • Pendekatan Finite State Machine (FSM).

12


Metode: Model-Plan-Act camera Baca Sensor

Lingkungan/ Environment (Medan Kerja Robot)

Model

Pemodelan

Plan

Perencanaan Gerak

Act

Action (aktuasi)

Gerak Aktuator


Metode: Model-Plan-Act (Kasus: Robot Vision pada Micromouse)

camera

START GOAL

13



PMID1 PC1

camera

START GOAL


Metode: Model-Plan-Act (Kasus: Robot Vision pada Micromouse) camera PC3 PMID1 PMID3

PC1

PC2 START

PMID2 GOAL

14


Metode: Model-Plan-Act (Kasus: Robot Vision pada Micromouse) camera PC3 PMID1 PMID3

PC1

PC2 PMID2

START

PC4

PMID4 GOAL



PC3 PMID1 PMID3

PC1

PC2 START

PC5 PMID2

PC4 PMID4

GOAL

camera

15



PC3 PMID1 PMID3

PC1

PMID4 PC2 PC3

PMID2

START

GOAL



PC3 PMID1 PMID3

PC1

PC2 START

PC5 PMID2

PMID4A PMID4B

PC4A

GOAL

16



PC3 PMID1 PMID3

PC1

PC2 START

PC5 PMID2

PMID4A PMID4B

PC4A

GOAL


Metode: Behavior Based Stimuli

Respon

Behavior

Spesifikasi BEHAVIOR: • Tanpa memori • Tanpa initial condition • Tanpa pemodelan internal sistem • Tanpa perlu memberikan pengetahuan secara simbolik • Tanpa perlu reasoning dalam melakukan aksi

17


Metode: Behavior Based Behavior-N

Behavior-2 Behavior-1

Lingkungan/Environment (Medan Kerja Robot)


Metode: Behavior Based

BEHAVIOR Melihat batu Memungut batu & melempar Melihat anjing mengejar

Lari

berjalan

S2

S1

KAKI KITA

18


Metode: Behavior Based (Kasus: Robot Penangkap Bola)

solenoid pintu bola SOL

bola Switch bemper kanan SBR

Switch bemper kiri SBL

Infrared range-finder Kanan: PSDR

Infrared range-finder Kiri: PSDL

Motor + roda kanan

Motor + roda kiri

Switch detektor bola DB roda bebas

Kamera (K)


Metode: Behavior Based (Kasus: Robot Penangkap Bola) BEHAVIOR Mencari GOAL

Detektor Sentuh Bola (DB)

Kamera (K)

Bemper (SBL & SBR) Infrared (PSDL & PSDR)

Memegang Bola

S5

Pintu Bola

Mencari Bola

Mundur & Belok

S4

Menghindar

Jelajah

S3

S2

S1

Motor Kiri/Kanan

19


Metode: Finite State Machine

halangan dalam jarak ≤20cm

tidak ada halangan

halangan dalam jarak ≤20cm

BELOK KANAN 45˚

MAJU 10cm tidak ada halangan


Neural Network Control untuk Line-Tracer/Route Runner Robot

Jalur PUTIH di lantai GELAP

Robot Neural Network ROUTE RUNNER

PB3 PB2 PB1 PB0 Motor Kiri DAC1

Motor Kanan DAC0

20


Korelasi fungsi I/O pada robot Route Runner Sensor (1:gelap 0:putih)

No

Motor (0÷5)V

PB3

PB2

PB1

PB0

ML

1

0

0

0

0

1.0

MR

2

0

0

0

1

4.5

0

3

0

0

1

0

4.5

1.2

4

0

0

1

1

4.5

2.7

5

0

1

0

0

1.2

4.5

6

0

1

0

1

1.2

4.0

7

0

1

1

0

4.6

4.6

8

0

1

1

1

4.6

4.5

9

1

0

0

0

0

4.5

10

1

0

0

1

3.0

3.0

11

1

0

1

0

1.2

4.5

12

1

0

1

1

4.5

3.0

13

1

1

0

0

2.7

4.5

14

1

1

0

1

3.0

4.5

15

1

1

1

0

0

4.5

16

1

1

1

1

0

0

1.0


Disain BP-NN dengan Struktur 4-5-2

wij

Sensor

PB3

PB2 PB1

j=1

wjk i=1

i=2

Motor

j=2 k=1

ML

k=2

MR

j=3

i=3 j=4

PB0

Output layer

i=4 Input layer

j=5 Hidden layer

21


Disain BP-NN dengan Struktur 4-5-2 ⎡0 ⎢ 0 PB = ⎢ ⎢0 ⎢ ⎣0

0 0 0 0 0 0 0 1 1 1 1 1 1 1 1⎤ ⎥ 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1⎥ 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1⎥ ⎥ 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1⎦

⎡1.0 4.5 4.5 4.5 1.2 1.2 4.6 4.6 0.0 3.0 1.2 4.5 2.7 3.0 0.0 0.0⎤ M=⎢ ⎥ ⎣1.0 0.0 1.2 2.7 4.5 4.0 4.6 4.5 4.5 3.0 4.5 3.0 4.5 4.5 4.5 0.0⎦



22



wH

1.1446 0.31589 − 0.30463⎤ ⎡ 0.067357 ⎢ ⎥ 8 . 8533 7 . 4435 6.63 0.7325 ⎥ ⎢ = ⎢ 0.19508 7.9029 0.018374 − 6.0928 ⎥ ⎢ ⎥ ⎢− 24.3449 16.3039 − 10.7116 − 7.5697 ⎥ ⎢ − 0.12292 − 0.65177 − 0.44677 0.15491 ⎥ ⎣ ⎦

⎡− 62.0012 − 0.21555 8.5084 2.6415 − 102.4279 ⎤ w out = ⎢ ⎥ − 6.9181 3.366 − 1.3478 − 9.4454 ⎦ ⎣ − 6.2514

⎡ 0.33687 ⎤ ⎢ ⎥ ⎢− 23.6095⎥ b H = ⎢− 0.46388⎥ ⎢ ⎥ ⎢ 17.1907 ⎥ ⎢− 0.79925⎥ ⎣ ⎦

bout = [− 46.0134 − 7.3654]


Evaluasi fungsi I/O pada robot NN Route Runner Sensor (1:gelap 0:putih]

Motor (0÷5)V Target

Output NN

PB3

PB2

PB1

PB0

0

0

0

0

1.0

1.0

0.9998

0.98506

0

0

0

1

4.5

0

4.5008

0.001066

ML

MR

ML

MR

0

0

1

0

4.5

1.2

4.4994

1.2138

0

0

1

1

4.5

2.7

4.4997

2.6993

0

1

0

0

1.2

4.5

1.2072

4.3958

0

1

0

1

1.2

4.0

1.193

4.1073

0

1

1

0

4.6

4.6

4.5917

4.684

0

1

1

1

4.6

4.5

4.6104

4.3922

1

0

0

0

0

4.5

0.0032461

4.4852

1

0

0

1

3.0

3.0

2.9982

3.0094

1

0

1

0

1.2

4.5

1.1977

4.5151

1

0

1

1

4.5

3.0

4.5014

2.9912

1

1

0

0

2.7

4.5

2.701

4.5272

1

1

0

1

3.0

4.5

2.9967

4.4935

1

1

1

0

0

4.5

1.1123e-006

4.5

1

1

1

1

0

0

1.6049e-006

9.6619e-007

23


END

24

Robotic Control: Introduction to Robotic Vision

Recommend Documents