Self Walking Robot: 7 steg

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:45

Vad gjorde jag?

● En bot som kan tränas för att gå (gå framåt) på olika ytor. Boten visar en enkel varelse med 4 ben utan knä som kämpar för att gå framåt. Det vet att det bara kan orientera vart och ett av benen på tre möjliga sätt. Nu måste den ta reda på de bästa möjliga stegen den kan ta för att fortsätta röra sig. Eftersom dess rörelse också beror på friktion med ytan tror vi att för varje annan yta den går kommer det att finnas en annan (inte nödvändigtvis unik men sannolikt liknande) steg för att maximera sin ansträngning att gå vidare.

Vad används det till?

● Den används bäst för att visualisera mönstren för att gå för en AI ROBOT.

Steg 1: Flödesschemat

Här en sammanfattning av hela projektet. I stort sett är projektet i två delar elektronik med mekanisk struktur av roboten och den andra är algoritmen som körs över pc och kod som körs över arduino.

Steg 2: STORA KOMPONENTER INVOLVERADE:

Elektronik

Arduino UNO (!)

Ultraljudssensor

Servomotorer

Bluetooth -modul

Kodning

Arduino IDE

Teraterm

Jupyter anteckningsbok

Q-lärande algoritm

Steg 3: MODUL V1:

Förstärkningslärning: Med ANN (Artificial Neural Network) planerade vi att träna vår robot och vi kom fram till två möjliga metoder.

Begränsningar: Varje ben (servomotor) är begränsat till att endast ta 3 möjliga positioner 60, 90 och 120 grader. Antaganden: Vi anser att botrörelsen kommer att utgöra 4 tillstånd (ett tillstånd är en viss orientering för alla fyra servon), det vill säga det kommer att finnas 4 olika tillstånd för roboten som vi kommer att betrakta som 4 steg som ger oss en rörelsecykel, i som boten kommer att flytta en bit framåt. Denna cykel kommer att upprepas ad infinitum för att hålla boten i rörelse.

Men enda problemet var antalet iterationer som skulle bedömas - Vi har 3 möjliga orienteringar för varje motor och det finns 4 olika motorer som gör det till 3^4 = 81 tillstånd där roboten kan existera i ett enda steg eller tillstånd. Vi måste ta 4 olika steg för att slutföra en komplex rörelse, vilket innebär 81^4 = 43, 046, 721 möjliga kombinationer som ska kontrolleras för maximal effektivitet för en rörelsecykel. Antag att det tar 5 sekunder att träna en enda stat det skulle ta 6.8250 år att slutföra utbildningen!

Steg 4: MODUL V2:

Q-lärande algoritm

En tidig förstärkningsinlärningsalgoritm utvecklad för att träna saker med ändligt tillstånd och hitta de kortaste vägarna. källa:

Algoritmens matematik: Det finns 81 möjliga tillstånd för varje steg som bot kan vara i, vi benämner dessa tillstånd som siffror från 1 till 81 och nu är det vi vill veta övergångsvärdet, vilket betyder förändringen av robotens position (flyttat avstånd) medan det rör sig från ett slumpmässigt tillstånd s1 till ett annat tillstånd s2 (s1, s2 från de 81 tillstånden). Vi kan se det som en matris med 81 rader och 81 kolumner där ett element i matrisen kommer att vara lika med värdet på avståndet det flyttade från motsvarande dess rad och kolumnnummer. Dessa värden kan vara positiva eller negativa beroende på robotens handling i verkliga ord. Nu kommer vi att hitta en sluten slinga av tillstånd där avståndet den färdas alltid är positivt. Vi kommer att utvärdera 81x81 matrisvärden som är 81^2 = 6561, nu om vi tar 5 sekunder att få dessa värden lagrade i matrisen kommer det att ta 9.1125 timmar bara för att göra en hel matris och sedan kan du enkelt räkna ut en slinga med steg för att maximera rörelseeffektiviteten.

Steg 5: PROBLEM INVOLVED -

1. För vissa tillstånd var botrörelsen mycket ojämn och påverkade sensorvärdet för ultraljud, bot skulle luta och plocka upp avstånd från en avlägsen vägg.
2. Problemet med att koppla bort från bärbar dator och starta om arduino var att göra det att träna från 0 -värde var mycket irriterande.
3. Att titta på robottåget under kontinuerliga 5 timmar var mycket uttömmande.

Steg 6: MODUL A1 och A2:

• Mekanisk del inkluderar chassikortet med fyra servon fästa på det. Vi använde glasspinnar för att göra ben.
• Vår principuppgift - att hålla reda på botens avstånd från dess ursprungliga position.
• Vårt första tillvägagångssätt var att använda gyrosensor och använda botens acceleration när den rör sig för att extrahera dess hastighet och därefter dess position.
• Problem - Det visade sig vara för komplicerat att genomföra! Alternativ - Vi begränsade botens rörelse till endast 1 dimension och använde ultraljudssensor för att mäta avståndet från en vägg rakt fram framför.
• HC05-Bluetooth-modulen användes under utbildningsperioden för att överföra avståndsövergångshastighet mellan två steg till PC och där lagrades data i en matris.

Steg 7: Länk till videor:

Babysteg:

Träningsskott:

Nästan rak:

Dansande robotvideo:

Final Vide0: