Instituto Politcnico
Nova Friburgo
2007
Nova Friburgo
2007
CATALOGAO NA FONTE
UERJ/REDE SIRIUS/BIBLIOTECA CTC/E
A148
CDU 007.52
Autorizo, apenas para fins acadmicos e cientficos, a reproduo total ou parcial desta
dissertao.
_________________________________________
Assinatura
_______________________
Data
Banca examinadora:
______________________________________
Carlos Alberto Fialho Thompson Leite, Ph.D. (Orientador)
Universidade do Estado do Rio de Janeiro. Instituto Politcnico
______________________________________
Washington Braga Filho, Ph.D.
Pontifcia Universidade Catlica do Rio de Janeiro
______________________________________
Carlos Frederico Estrada Alves, D.Sc.
Universidade do Estado do Rio de Janeiro. Instituto Politcnico
Nova Friburgo
2007
DEDICATRIA
AGRADECIMENTOS
Agradeo a Deus por me dar fora e perseverana nos momentos mais difceis.
minha famlia pelo apoio, durante a elaborao deste trabalho.
Ao meu orientador, Ph.D. Carlos A. Thompson , pela oportunidade e por todo o
conhecimento compartilhado que permitiu a realizao deste trabalho.
Aos funcionrios da Secretaria da PGMC-IPRJ/UERJ pela ateno e a sempre presente
disposio de ajudar.
Aos funcionrios da biblioteca do IPRJ, pelo bom atendimento as necessidades.
Aos colegas de trabalho, por todo o apoio dado.
A todos os que direta ou indiretamente contriburam para a realizao
deste trabalho.
RESUMO
ABICALIL, Felipe Sert. Controle com lgica Fuzzy e Neurofuzzy aplicada anlise e
programao de robs mveis com visualizao e simulao 3D. 2007. 108 f. Dissertao
(Mestrado em Modelagem Computacional) Instituto Politcnico, Universidade do Estado do
Rio de Janeiro, Nova Friburgo, 2007.
Este trabalho tem como objetivo o estudo de uma rea da robtica chamada robtica mvel.
Um rob mvel deve realizar uma navegao segura e esta a principal motivao deste
trabalho. Para tal foi desenvolvido um simulador de robtica mvel com visualizao em 3D.
Um dos grandes interesses na rea de robtica mvel a utilizao de algoritmos de
inteligncia artificial. O objetivo deste trabalho a utilizao e simulao de inteligncia
artificial para o controle destinado ao desvio de obstculos. As simulaes so dinmicas, ou
seja, o rob no tem informao previa do cenrio. Os algoritmos de inteligncia artificial
implementadas neste trabalho so lgica Fuzzy e Neurofuzzy. As contribuies do simulador
so: a simulao e visualizao em 3D com o cenrio modelado em um programa CAD/3D,
permite testar diversas configuraes antes de testar o rob real, simula o rudo de sensores,
utiliza lgica fuzzy e neurofuzzy para o desvio de obstculos. Os resultados mostram a
capacidade do sistema fuzzy para lidar com os dados ruidosos dos sensores assim como a
influncia das variveis antecedentes e conseqentes do sistema fuzzy de no comportamento
do rob mvel para o desvio de obstculos alm da capacidade do sistema neurofuzzy de
aprender a partir dos dados de treinamento mostrando uma melhoria no resultado das
simulaes.
ABSTRACT
This work has as objective the study of an area of the robotics named mobile robotics. A
mobile robot must navigate in a safe way and this is the main motivation of this work. To do
that a mobile robotics simulator with 3D visualization was developed. One of the great
interests in mobile robotics is using artificial intelligence algorithms. The main point of this
work is using and simulate artificial intelligence applied in obstacle avoidance control. The
simulations are dynamics it means that the robot do not have previous information about the
scenery. The artificial intelligence algorithms developed in this work are Fuzzy and
Neurofuzzy logics. The simulator contributions are that the simulation and 3D visualization
where the scenery is a 3D model from a CAD/3D software besides allows to test many
configurations before testing the real robot and simulates noise from sensors and uses fuzzy
and neurofuzzy logics to obstacle avoidance. The results show the fuzzy system capability to
deal with the noisy data from sensors and how fuzzy variables influences the mobile robot
behavior in obstacle avoidance besides the ability of neurofuzzy system to learn from training
data showing improvements in the simulation results.
LISTA DE FIGURAS
15
17
20
22
22
28
28
29
29
32
32
33
34
34
35
35
36
37
38
39
39
40
41
41
42
42
43
44
45
45
46
46
47
48
49
49
50
50
51
51
52
52
53
54
55
55
56
56
57
57
58
58
59
60
61
61
62
62
63
63
64
64
65
66
67
67
68
68
69
69
70
70
71
72
73
74
75
75
76
77
79
79
80
80
81
82
83
84
85
85
86
87
88
88
89
90
90
91
91
92
93
103
104
104
105
105
106
107
107
108
SUMRIO
20
23
27
97
98
APNDICE ...................................................................................................................
99
Captulo 1 INTRODUO
veculos autnomos inteligentes. Por exemplo, sistemas de freio ABS, que impedem o
bloqueio completo das rodas durante a frenagem, devem analisar as informaes
fornecidas pelo sistema (velocidade, fora de acionamento dos pedais de freio, etc.) e
produzir resultados (frenagem que ser efetivamente aplicada a cada uma das rodas) em
uma pequena frao de tempo.
A robtica uma rea do conhecimento que tem evoludo de forma muito rpida
nos ltimos anos, entretanto, o estudo, o projeto e a implementao de robs e autmatos
vm sendo desenvolvidos h algumas dcadas.
Os primeiros robs eram, na verdade, autmatos complexos, verdadeiras obras de
arte mecnicas, que executavam tarefas de modo repetitivo. Estes sistemas deram origem
aos atuais braos manipuladores de base fixa, que atualmente so largamente adotados na
indstria (e.g. indstria automotiva). Somente mais recentemente surgiram os robs
mveis, que se caracterizam pela sua capacidade de se deslocar de modo guiado, semiautnomo ou totalmente autnomo.
Portanto, o desenvolvimento da robtica evoluiu dos autmatos, passando pelos
robs manipuladores de base fixa, pelos dispositivos mveis guiados a distncia,
chegando mais recentemente aos robs mveis semi-autnomos e mesmo os totalmente
autnomos.
Funcionalidade:
Tipos de Aplicaes [11]
Mobilidade:
Dispositivos de Locomoo [11]
Autonomia:
Grau de Inteligncia do Rob [11]
Em meio a tantos tipos distintos de robs e veculos, conforme descrito acima, com
diferentes recursos e nveis de autonomia, importante que se busque identificar e
organiz-los em categorias outros aspectos importantes de um rob mvel so descritos
logo abaixo [11].
Locomoo: A maneira como o rob ir se deslocar no ambiente. Os dispositivos de
locomoo so de grande importncia na caracterizao de um rob mvel;
10
11
12
13
Ai (et ) B j (e&t ),
f ij =
Min{ Ai (et ), B j (e&t )},
Mtodo Produto-soma
(i I,j J)
(2.1)
Mtodo Min-max
f u
=
f
ij ij
ut
i, j
(2.2)
ij
i, j
14
Segue abaixo uma simulao do clculo de uma inferncia fuzzy para um sistema
com duas regras tendo duas variveis de entrada(distancia de entrada e ngulo de entrada)
e duas de variveis de sada(velocidade linear e velocidade angular), sendo as sadas do
tipo crisp. Para uma distncia de entrada de 40% e um ngulo de entrada de -70o a
P
0,7
Ang. de Entrada IS
AND
Pertinncia
Regra 1
Pertinncia
Dist. de Entrada IS
MN
0,5
Vel. Linear IS
30
THEN
0,7
AND
Pertinncia
Regra 2
Pertinncia
0,3
LN
30
100
40%
30
AND
90
THEN
Vel. Angular IS
-100
100
80
AND
90 100
30
-100
80 100
-70
15
16
17
Suponha a sada da regra i, dado por i, defino pelo operador produto de Larsen
B
18
pela frmula
Ai ( x) = e b ( x a1 )
19
O Rob Mvel
20
21
ZN
ZP
MN
MP
LN
LP
MN
Regras Fuzzy
22
Por meio do conhecimento humano podem ser formuladas regras para incorporar
inteligncia ao sistema de robtica mvel que utiliza controle fuzzy. As regras foram
formuladas conforme descrito abaixo para o sistema de controle do tipo desvio de
obstculos.
Programa Computacional
24
Vantagens do Simulador
25
26
Captulo 3 RESULTADOS
27
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
MN - Medium Negative
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
MP - Medium Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10
10
30
50
70
90
ngulo
28
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
Pertinncia
0,8
LN - Large Negative
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
MP - Medium Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
Regras Fuzzy
29
30
Simulaes
A simulao 16 est descrita com mais detalhe no Apndice B para ilustrar passo
a passo o funcionamento do programa durante as simulaes de Robtica Mvel.
31
Figura 10 Simulao 01
Figura 11 Simulao 02
32
Figura 12 Simulao 03
33
Figura 13 Simulao 04
Distncia
Distncia percorrida
167,95
167,9
167,85
167,8
167,75
167,7
167,65
167,6
167,55
167,5
167,45
1
Simulao n
34
Velocidade Mdia
0,23
Velocidade Mdia
0,2295
0,229
0,2285
0,228
0,2275
0,227
1
Simulao n
Simulao n
35
Iteraes
Iteraes
739
738
737
736
735
734
733
732
731
730
729
1
Simulao n
36
Figura 19 - Simulao 05
38
Figura 20 - Simulao 06
Figura 21 - Simulao 07
39
Figura 22 - Simulao 08
40
Figura 23 - Simulao 09
Distncia
Distncia percorrida
224
222
220
218
216
214
212
210
208
206
5
Simulao n
41
Velocidade Mdia
0,215
Velocidade Mdia
0,21
0,205
0,2
0,195
0,19
0,185
0,18
0,175
5
Simulao n
Na simulao 9 devido ao alto rudo faz com que em boa parte do tempo as
velocidade seja mais baixa como se houvesse um obstculo mais prximo ainda que o
real.
Velocidade Angular Mdia
0,5
0,4
0,3
0,2
0,1
0
5
Simulao n
42
Iteraes
1180
1160
Iteraes
1140
1120
1100
1080
1060
1040
5
Simulao n
43
Figura 29 - Simulao 10
Distncia de entrada
1
Pertinncia
0,8
0,6
N - Near
0,4
F - Far
M - Medium
0,2
0
0
20
40
60
80
100
Distncia
Figura 31 - Simulao 11
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
46
Figura 33 - Simulao 12
47
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
48
Figura 35 - Simulao 13
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
Figura 37 - Simulao 14
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
50
Distncia percorrida
356
Distncia
354
352
350
348
346
344
342
10
11
12
13
14
Simulao n
Velocidade Mdia
0,197
Velocidade Mdia
0,1965
0,196
0,1955
0,195
0,1945
0,194
0,1935
0,193
10
11
12
13
14
Simulao n
51
0,24
0,235
0,23
0,225
0,22
0,215
10
11
12
13
14
Simulao n
Iteraes
1810
Iteraes
1800
1790
1780
1770
1760
1750
10
11
12
13
14
Simulao n
52
150
100
Posio Y
traj10
traj11
traj12
50
traj13
traj14
target
0
-60
-40
-20
20
40
-50
-100
-150
Posio X
Figura 43 Trajetrias das simulaes de 10-14
53
Pertinncia
0,8
MN - Medium Negative
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
MP - Medium Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10
10
30
50
70
90
ngulo
54
Figura 45 - Simulao 15
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
MN - Medium Negative
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
MP - Medium Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10 10
30
50
70
90
ngulo
A varivel antecedente ngulo de entrada neste caso foi modificada de modo que
as funes de pertinncia sejam mais prximas do ngulo 0. Deste modo uma pequena
mudana de ngulo pode acionar outra regra, por exemplo da funo ZP para ZN ou para
MP com apenas aproximadamente 20.
Dados da Simulao 16:
Arquivo de interface fuzzy = interface_rob007.dat
Arquivo dos sensores = sens3.txt
Seleo de sensores = menor valor
Escala dos sensores = 0.7
Percentual da distncia para inferncia fuzzy(%) = 95%
Velocidade linear = 0.25
Velocidade angular = 1.8
55
Figura 47 - Simulao 16
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
MN - Medium Negative
0,6
ZN - Zero Negative
ZP - Zero Positive
0,4
MP - Medium Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10 10
30
50
70
90
ngulo
A varivel antecedente ngulo de entrada neste caso foi modificada de modo que
as funes de pertinncia sejam mais afastadas do ngulo 0. Deste modo maiores
ngulos so necessrios para atingir o maior valor de pertinncia das funes como ZP e
MP.
56
Distncia
Distncia percorrida
344,8
344,6
344,4
344,2
344
343,8
343,6
343,4
343,2
343
13
14
15
16
Simulao n
Velocidade Mdia
0,1956
0,1954
0,1952
0,195
0,1948
0,1946
0,1944
0,1942
13
14
15
16
Simulao n
57
0,236
0,235
0,234
0,233
0,232
0,231
0,23
0,229
13
14
15
16
Simulao n
Iteraes
Iteraes
1774
1772
1770
1768
1766
1764
1762
1760
1758
1756
13
14
15
16
Simulao n
58
150
100
Posio Y
traj13
traj15
50
traj16
target
0
-40
-20
20
40
-50
-100
-150
Posio X
Figura 53 Trajetrias das simulaes 13,15 e 16
59
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
60
Figura 55 - Simulao 17
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
61
Figura 57 - Simulao 18
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
62
63
64
150
100
Posio Y
traj10
traj17
50
traj18
target
0
-60
-40
-20
20
40
-50
-100
-150
Posio X
Figura 63 Trajetrias das simulaes 10,17 e 18
65
Pertinncia
0,8
LN - Large Negative
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
MP - Medium Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
66
Figura 65 - Simulao 19
Pertinncia
0,8
LN - Large Negative
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
MP - Medium Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
67
Figura 67 - Simulao 20
Pertinncia
0,8
LN - Large Negative
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
MP - Medium Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
68
69
70
150
100
Posio Y
traj10
traj19
50
traj20
target
0
-60
-40
-20
20
40
-50
-100
-150
Posio X
Figura 73 Trajetrias das simulaes 10,19 e 20
Tendo como base a trajetria 10 possvel perceber que a trajetria 19 segue mais
externa e a simulao 20 mais interna.
Neurofuzzy
71
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
72
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
MN - Medium Negative
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
MP - Medium Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10
10
30
50
70
90
ngulo
73
Figura 76 - Simulao 21
Figura 77 - Simulao 22
Distncia de Entrada
1
Pertinncia
N - Near
M - Medium
F - Far
0,5
0
0
20
40
60
80
100
Distncia
75
ngulo de Entrada
1
LN - Large Negative
Pertinncia
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
0,5
MP - Medium Positive
LP - Large Positive
0
-90
-70
-50
-30
-10
10
30
50
70
90
ngulo
76
Figura 80 - Simulao 23
78
Figura 81 - Simulao 24
Distncia percorrida
172
Distncia
171
170
169
168
167
166
21
22
23
24
Simulao n
79
Velocidade Mdia
0,25
0,2
0,15
0,1
0,05
0
21
22
23
24
Simulao n
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
21
22
23
24
Simulao n
80
Iteraes
Iteraes
1800
1600
1400
1200
1000
800
600
400
200
0
21
22
23
24
Simulao n
81
Posio Y
traj21
40
traj22
traj23
20
traj24
0
0
10
15
20
-20
-40
-60
-80
Posio X
Figura 86 Trajetrias das simulaes 21, 22, 23 e 24
82
Treinamento Neurofuzzy
70
60
Erro
50
erro23 cons 1
40
erro23 cons 2
30
erro24 cons 1
erro24 cons 2
20
10
0
0
100
200
300
400
500
Epochs
83
Figura 88 - Simulao 25
84
Distncia de Entrada
1
Pertinncia
N - Near
M - Medium
F - Far
0,5
0
0
20
40
60
80
100
Distncia
ngulo de Entrada
1
LN - Large Negative
Pertinncia
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
0,5
MP - Medium Positive
LP - Large Positive
0
-90
-70
-50
-30
-10
10
30
50
70
90
ngulo
85
Figura 91 - Simulao 26
Figura 92 - Simulao 27
87
Distncia de Entrada
1
Pertinncia
N - Near
M - Medium
F - Far
0,5
0
0
20
40
60
80
100
Distncia
ngulo de Entrada
1
LN - Large Negative
Pertinncia
MN - Medium Negative
ZN - Zero Negative
ZP - Zero Positive
0,5
MP - Medium Positive
LP - Large Positive
0
-90
-70
-50
-30
-10
10
30
50
70
90
ngulo
88
Figura 95 - Simulao 28
89
Distncia percorrida
171,4
Distncia
171,3
171,2
171,1
171
170,9
170,8
22
23
24
25
26
27
28
Simulao n
Velocidade Mdia
0,185
0,18
0,175
0,17
0,165
0,16
22
23
24
25
26
27
28
Simulao n
90
0,35
0,345
0,34
0,335
0,33
0,325
0,32
0,315
0,31
22
23
24
25
26
27
28
Simulao n
Iteraes
1060
1040
Iteraes
1020
1000
980
960
940
920
900
22
23
24
25
26
27
28
Simulao n
91
Posio Y
traj22
traj25
40
traj26
traj27
20
traj28
0
0
10
15
20
25
-20
-40
-60
-80
Posio X
Figura 100 Trajetrias das simulaes 22, 25, 26, 27 e 28
92
Treinamento Neurofuzzy
14
12
Erro
10
erro26 cons 1
erro26 cons 2
erro28 cons 1
erro28 cons 2
4
2
0
0
100
200
300
400
500
Epochs
93
Captulo 4 CONCLUSES
Por meio das simulaes nmero 01 at 09 pode-se concluir que o sistema fuzzy
tem uma grande capacidade de trabalhar com dados ruidosos e mesmo no caso de maior
rudo o rob mvel no colidiu com os obstculos.
A respeito da varivel antecedente distncia de entrada nas simulaes 10 at 14
possvel dizer que ela determina o ponto onde o sensor atua determinadas regras.
Avanando a funo M as regras associadas ao M podem atuar geralmente relacionadas a
uma velocidade de sada M(medium). O mesmo com a funo N cujas regras geralmente
associam uma velocidade menor de sada. A simulao 14 apresenta uma maior
velocidade media devido a sua funo de pertinncia M ser trapezoidal ou seja em uma
regio maior a distncia considerada mdia.
A respeito da varivel antecedente ngulo de entrada os grficos mostram que no
houve modificao significativa no comportamento nas simulaes. Tal fato se deve ao
fato que as regras tanto para ngulos mdios quanto para ngulos menores apresentam a
mesma ao para distncias mdias. Tais regras (2 e 4) so ilustradas abaixo em negrito
para ngulos positivo:
Regra 1: N AND ZP THEN N AND MN
Regra 2: M AND ZP THEN M AND MN
Regra 3: N AND MP THEN N AND ZN
Regra 4: M AND MP THEN M AND MN
A simulao 16 apresenta uma trajetria uma pouco mais externa indicando uma
menor reatividade aos obstculos.
94
95
96
97
Referncias Bibliogrficas
[1] Mizumoto, M., Realization of PID Controls by Fuzzy Control Methods, Proceedings of IEEE
International Conference on Fuzzy Systems, San Diego, pp. 709-715, 1992.
[2] Fayad, C., Optimized Fuzzy Logic Based Algorithm for a Mobile Robot Collision Avoidance
in an Unknown Enviroment, University of Nottingham,UK, 2000.
[3] Kawamura, K., Application of Fuzzy Control to a Sonar-Based Obstacle Avoidance Mobile
Robot, Proceedings of 2000 IEEE International Conference on Control Aplications, Alaska, , pp.
425-430.
[4] Webb, P., The Integration of an Optimized Fuzzy Logic Navigation Algorithm into a SemiAutonomous Robot Control System, University of Nottingham,UK, 2000.
[5] Shaw, I., Godoy, M., Controle Modelagem Fuzzy, Editora Edgard Blcher Ltda.
[6] Mizrahi, V., Treinamento em Linguagem C++ mdulo 2, MAKRON Books do Brasil Editora
Ltda.
[7] Schildt, H., C Completo e Total, MAKRON Books do Brasil Ltda, 1991.
[8] Stroustrup, B., The C++ Programming Language, Addison-Wesley Publishing Company, 2a
ed.,1991.
[9] Fullr, R., Neural Fuzzy Systems, bo Akademis tryckeri, bo, 1995.
[10] Sert, F., Thompson, C. PhD, Controles Moderno e Fuzzy, IPRJ-UERJ, Nova
Friburgo.
[11] Jung, C., Computao Embarcada : Projeto e Implementao de Veculos
Autnomos Inteligentes, XXV Congresso da Sociedade Brasileira de Computao,
UNISINOS, So Leopoldo.
[12] Thompson, M., Lgica Neuro-Fuzzy: Aplicao na Identificao do Perfil do
Investidor, Universidade Cndido Mendes.
98
APNDICE
A: Desenvolvimento Matemtico da Lgica Neuro-Fuzzy
No captulo sobre lgica Neurofuzzy as derivadas abaixo no foram desenvolvidas no
capitulo 2.2 e o desenvolvimento baseia-se nas referncias [9] e [12]
As correes dos parmetros a e b da funo de pertinncia A1 so:
B
baixo:
sendo
erro = (o k y k )
o
E k o k
E k erro
E k
= erro k
=
=
a1
erro a1
a1 erro a1
n
n
i zi
i
n
n
n
i =1
i =1
i
i z i a
z
ok
a1
i =1 i i i =1
i =1
1
n
=
=
2
n
a1 a1
i
i
i =1
i =1
sendo
n
soma _ fu = i z i
i =1
sendo
99
soma = i
i =1
E sendo
A1 ( x) = e b1 ( x a1 )
i zi
i =1
a1
1
b ( x a1 ) 2
Onde nra1 o nmero de regras que possuem a funo de pertinncia A1 e com o ndice
B
i
i =1
a1
1
b ( x a1 ) 2
Onde nra1 o nmero de regras que possuem a funo de pertinncia A1 e com o ndice
B
logo
a1 (t + 1) = a1 (t )
E k
=
a1
(soma _ fu nra1 2b( x a1).( 1 + ...) ) ( z1 soma nra1 2b( x a1).( 1 + ...) )
(o k y k )
soma 2
100
baixo:
o
E k
E k erro
E k o k
=
=
= erro k
b1
b1 erro b1
erro b1
n
n
i zi
i
n
n
n
i =1
i =1
i
i z i b
z
ok
b1
i =1 i i i =1
i =1
1
n
=
=
2
b1 b1
n
i
i
i =1
i =1
sendo
n
soma _ fu = i z i
i =1
sendo
n
soma = i
i =1
E sendo
A1 ( x) = e b1 ( x a1 )
i zi
i =1
b1
1
b ( x a1 ) 2
Onde nra1 o nmero de regras que possuem a funo de pertinncia A1 e com o ndice
B
101
= e b ( xa1 ) ( x a1) 2 .
i =1
b1
b ( x a1 ) 2
Onde nra1 o nmero de regras que possuem a funo de pertinncia A1 e com o ndice
B
E k
=
b1
) (
soma 2
102
103
Obstculo esquerda do rob detectado e sua reao uma rotao para a direita.
Obstculo direita rob detectado e sua reao uma ligeira rotao para a esquerda.
104
Obstculo direita e a frente do rob detectado e sua reao uma rotao para a
esquerda.
105
Obstculo esquerda e a frente do rob detectado e sua reao uma rotao para a
direita.
Obstculo esquerda do rob detectado e sua reao uma rotao para a direita.
106
Obstculo esquerda do rob detectado e sua reao uma rotao para a direita.
107
Obstculo esquerda do rob detectado e sua reao uma ligeira rotao para a
direita.
Objetivo atingido o rob mvel chega ao seu destino sem colises em 1772 iteraes.
108