Diseo e implementacin de un sistema de control, basado en Redes Neuronales

Artificiales no supervisadas y Arreglo De Compuertas Reconfigurable (FPGA),

para la resolucin de trayectorias tipo laberinto por parte de un robot mvil

Ivn Callejas1, Juan David Pieros1, Juan Rocha1, Ferney Hernndez1 y Fabio Delgado1

1 Programa Profesional de Ingeniera Electrnica

GPM&C, Universidad INCCA de Colombia

11001000 Bogot (Colombia)

Telef:+571 470 3947,

e-mail:

icallejass@uincca.edu.co, jpinerose@uincca.edu.co, jrochan@uincca.edu.co, whernandezo@uincca.edu.co,

ingfaderi@gmail.com

Resumen. Este articulo presenta el diseo y la implementacin de un sistema de control mediante la

utilizacin de Redes Neuronales Artificiales (RNA) con

aprendizaje no supervisado tipo SOM (Self-Organizing Maps) o Mapas Auto-Organizados de Kohonen, en una Arreglo de

Compuertas Reprogramable (FPGA) Spartan 6, con el propsito

de determinar los efectos que tiene dicho sistema en el

comportamiento de un robot mvil en la resolucin de trayectorias tipo laberinto. Para ello, fue necesario realizar una

etapa de exploracin, en la cual el robot recopila la informacin

del entorno a travs de sus sensores, enviando los datos

adquiridos a un computador mediante comunicacin inalmbrica (mdulos de comunicaciones XBEE), con el fin de

efectuar el entrenamiento de la RNA, obteniendo los pesos

sinpticos necesarios para que el mvil pueda cumplir con su

objetivo. Estos procesos son controlados y visualizados por una interfaz grfica de usuario o GUI desarrollada en Matlab,

denominada ZiggyLab Interface, permitiendo al usuario

supervisar el mvil a medida que evoluciona su aprendizaje en

los diferentes entornos en los que se moviliza. Finalmente, los resultados obtenidos evidencian el aprendizaje del robot al

momento de resolver una trayectoria tipo laberinto como

principal efecto en su comportamiento, debido a la

implementacin del sistema.

Palabras llave

Red Neuronal Artificial (RNA), Arreglo de Compuertas

Reprogramable (FPGA), Robot mvil, Mapa Auto-

Organizativo (SOM), Comunicacin inalmbrica

(XBEE).

1. Introduccin En el campo de la robtica mvil, en lo que hace

referencia a la navegacin y ejecucin de tareas

especficas, se observa que actividades tan simples para

una persona normal como: evadir obstculos, seguir una

trayectoria sin problema, o un poco ms complicadas

como salir de un laberinto lo ms rpido posible, se

convierten en un desafo para la robtica al querer

imitarlas de manera ptima. Es por ello, que algunas

universidades, grupos de investigacin, empresas, entre

otros [1] , han diseado sistemas de control para robots

mviles que tratan de realizar las labores mencionadas,

partiendo generalmente de la implementacin de sistemas

de control secuencial basados en microcontroladores

(tipo PIC, Atmel, dsPIC, entre otros), evolucionando a

sistemas que usan algoritmos genticos, lgica difusa y

Redes Neuronales Artificiales (RNA) [2] , que permiten

emular al cerebro humano en algunas tareas.

En este punto juegan un papel importante las FPGA

como uno de los dispositivos que permiten un alto grado

de integracin con las tcnicas de control mencionadas,

especialmente con la RNA debido a su caracterstica de

paralelismo, algo que con otras tecnologas

(procesamiento secuencial) no se podra aplicar de una

manera eficiente, prueba de ello se evidencia en el trabajo

titulado Reconfigurable Self-Organizing Neural Network

Design and it's FPGA Implementation [3], donde se

realiza una comparacin en el tratamiento de imgenes

entre un computador (Pentium4, 2.26GHz, 248MB

RAM) y una FPGA (Spartan-3) que concluye con la

eficiencia en el tiempo de respuesta del procesamiento

paralelo frente al secuencial.

Por otro lado, al utilizar RNA para el control de

navegacin de robots mviles, es muy comn observar

trabajos en los cuales sobresale el uso de RNA

supervisadas, algunas implementadas en FPGA y otras

en microcontroladores como es el caso [4] y [5]

respectivamente, pero es poco comn el uso de RNA no

supervisadas implementadas en dispositivos

reprogramables para el control de la navegacin de un

robot mvil, especialmente en Colombia.

Por consiguiente, la investigacin realizada se orient a

la utilizacin de redes no supervisadas tipo SOM

implementadas en una FPGA como sistema de control,

con el propsito de encontrar los efectos que tiene en el

comportamiento de un robot mvil que resuelve

trayectorias tipo laberinto. Para ello, se realiz una serie

de pruebas del robot frente al entorno (laberinto),

observando y analizando las variaciones de las

trayectorias que este segua en cada etapa.

2. Metodologa

De acuerdo con lo anterior, en la Fig. 1, se presentan las

diferentes partes y etapas del diseo general del proyecto

Fig. 1. Diagrama de bloques del sistema desarrollado

A continuacin, se realiza una descripcin de cada uno de

los bloques de la figura anterior:

A. ZiggyLab (GUI)

Es la interfaz grfica de usuario desarrollada en Matlab

2010b (ver figura 2) que contiene las principales partes

del proyecto, y la cual mediante comunicacin

inalmbrica permite el control y monitoreo de los

procesos realizados por el robot mvil para la resolucin

de trayectorias tipo laberinto, principalmente el

desarrollo y evaluacin de su aprendizaje a medida que

se va entrenando.

Fig. 2. ZiggyLab Interface

La interfaz grfica est dividida de la siguiente forma:

1) Recoleccin de datos. Se realiza mediante la recepcin de datos del entorno, transmitidos por

el robot inalmbricamente de acuerdo a la

lectura de los sensores, para esto se utilizan dos

mdulos XBEE. Adems, en esta parte se

permite cargar datos recolectados anteriormente

los cuales fueron guardados como variables .mat

con el fin de realizar simulaciones.

2) Grafico del recorrido. Se permite realizar una visualizacin en 2D y 3D del entorno por donde

se moviliza el robot, con el propsito de

observar la posicin en la cual se encuentra y

determinar el trayecto realizado, para monitorear

la evolucin de su aprendizaje.

3) Entrenamiento de la red SOM. Se presentan los parmetros que pueden ser modificados para

realizar el proceso de aprendizaje de la red

neuronal: funcin distancia, topologa de la red,

radio de vecindad y nmero de iteraciones.

Igualmente, almacena y visualiza los pesos

sinapticos de la RNA que posteriormente son

enviados al robot.

4) Bloque de modelamiento de entornos basado en acciones (AEM, por sus siglas en ingles Action-

based Environmental Modeling). Su funcin

principal es traducir las seales de salida de la

RNA en tres acciones que el robot mvil debe

realizar para la resolucin de trayectorias tipo

laberinto, las cuales son: giro a la izquierda, giro

a la derecha, y adelante.

5) Control o mando inalmbrico. Permite controlar el movimiento del robot mvil por medio del

teclado del PC.

B. Robot Mvil

El robot mvil (ver Fig. 3) consta de las siguientes

especificaciones: un peso de 500 gr; unas dimensiones de

20cm*20cm*8cm; un sistema de alimentacin

conformado por un arreglo de bateras de ion litio que

suministra un voltaje de 12V y una corriente 2.2Ah, para

la etapa de potencia donde se encuentran dos (2)

reguladores LM7805, uno para el puente H (L293D) que

es el encargado de accionar el sistema mecnico de

traccin diferencial (locomocin) que tiene dos

motorreductores de 300 rpm con sus respectivas ruedas y

dos Ball Casters, y el otro para suministrar el voltaje

requerido para el sistema de control, basado en una

tarjeta de desarrollo Nexys 3 conformada por una FPGA

Spartan 6.

Fig. 3. ZiggyLab

Prosiguiendo, se encuentra la etapa sensorica que consta

de un arreglo de sensores QTR-8 y tres (3) sensores de

proximidad GP2Y0D810ZOF alimentados con un voltaje

de 3.3v provenientes de la FPGA. Finalmente, la etapa de

comunicacin est conformada por un mdulo XBEE que

permite interactuar con la interfaz grfica.

En Fig. 4, se aprecia el diagrama de bloques

correspondiente al robot mvil descrito anteriormente.

Fig. 4. Diagrama de bloques del robot mvil.

C. Exploracin

Es la etapa de recoleccin de informacin del entorno a

partir de los sensores que tiene el robot, enviando los

datos adquiridos a un computador mediante

comunicacin inalmbrica (mdulos de comunicaciones

XBEE), con el fin de efectuar el entrenamiento de la

RNA y de generar el mapa del recorrido efectuado

(visualizado en 2D o 3D). Para esto, es necesario que el

usuario seleccione entre dos opciones, que tipo de

exploracin desea realizar, ya que el robot mvil debe

realizar la trayectoria paralelamente a una de las paredes

izquierda o derecha del entorno, es decir, que de acuerdo

a la lectura de los sensores siempre tenga prelacin en

realizar el giro a la izquierda o derecha segn el caso

escogido.

D. Entrenamiento

Las redes neuronales artificiales SOM, son un modelo de

redes neuronales auto-organizativas propuestas por

Teuvo Kohonen en 1984 [6], este tipo de red preserva las

similitudes que tienen los datos de entrada entre s,

reflejndolas como grupos de elementos con

caractersticas similares (Clustering). Estas redes

neuronales constan de una capa de m nodos de entrada y

una capa de n nodos de salida, cada uno de estos nodos

tiene un vector de pesos sinpticos de m dimensiones

permitiendo de esta forma la conexin entre cada uno de

ellos con la entrada, como se aprecia en Fig. 5.

Fig. 5. Red Neuronal SOM de 1X4 Neuronas

Para el diseo de la RNA SOM, se utilizo una capa de

salida de 4 neuronas, esto con el propsito de obtener una

neurona ganadora por cada una de las acciones que puede

ejecutar el mvil (Adelante, giro a la izquierda, giro a la

derecha y giro 180).

Con el fin, de determinar las neuronas que presentan

mayor actividad, es decir, aquellas ms cercanas al patrn

de entrada, de acuerdo a los parmetros seleccionados en

la interfaz grfica de usuario:

1) Funcion distancia. Influye en el proceso en el cual la red neuronal da una salida de acuerdo a

un patron de entrada, permitiendo encontrar

similitudes entre el vector presentado y cada uno

de los pesos de las neuronas de salida con el fin

de hallar la neurona ganadora que es aquella que

tiene mayor relacion con los datos de entrada.

Se han trabajado diferentes formas para

encontrar estas similitudes atendiendo criterios

de distancia, algunas comnmente utilizadas se

presentan en la tabla I.

TABLA I.- Funciones de similitud

Funcin Distancia

Expresin Matemtica

Distancia Euclidiana

Linkdist

Distancia

Manhattan

2) Topologia de la vecindad. O el tipo de relacin de vecindad, la cual es fundamental para

observar como afectara la neurona ganadora a

sus vecinas, en otras palabras, es la geometra de

tomar este vecindario. Las principales

topologas son la cuadrada y hexagonal como se

observan en Fig. 6, obviando la aleatoria.

Fig. 6. Topologa de la vecindad

3) Radio de vecindad. Es la amplitud del alcance de las neuronas vecinas, el cual se modifica de

acuerdo al nmero de iteraciones, manteniendo

una relacin inversamente proporcional, en otras

palabras, el radio disminuye a medida que las

iteraciones aumentan.

4) Nmero de iteraciones. Es el nmero de veces que el algoritmo de entrenamiento se va a

ejecutar.

Una vez diseada la red neuronal se procede a realizar el

entrenamiento mediante el ToolBox de RNA de Matlab

2010b con los datos obtenidos en la etapa de exploracin,

presentndolos a la red como entradas para que de esta

forma encuentre similitudes entre los datos de entrada, a

travs de un proceso de aprendizaje que permite la

variacin de los pesos sinpticos que determinan el

comportamiento del robot mvil en la trayectoria tipo

N

Out N

Out

N

Out

N

Out

N

In N

In

N

In

laberinto, sin necesidad de patrones predefinidos por el

programador, lo cual define el aprendizaje no

supervisado.

E. Resolucin de trayectorias tipo laberinto

Para la resolucin de trayectorias tipo laberinto, se

implemento en la FPGA Spartan-6 la RNA tipo SOM

descrita. Para ello, fue necesario desarrollar en VHDL

una memoria RAM, capaz de almacenar el vector de

pesos sinpticos recibidos del entrenamiento. De esta

forma se tiene entrenada la RNA en la FPGA, con el fin

de determinar la distancia entre el dato de entrada y el

vector de pesos. Para determinar esta distancia se utilizo

la distancia Manhattan (ver Tabla I).Una vez obtenida

esta distancia se procede a determinar cul es la distancia

mnima entre el dato de entrada y las neuronas

comparando la sumatoria de los pesos de cada neurona,

para as obtener la neurona ganadora, como se aprecia en

Fig. 7.

Fig. 7. Esquema de la RNA tipo SOM implementada en

la FPGA.

El bloque denominado SOM, internamente contiene la

memoria RAM y el algoritmo capaz de determinar la

distancia Manhattan, generando la sumatoria de los pesos

de cada neurona para su posterior proceso de

comparacin. Se puede apreciar en Fig. 8, la simulacin

en ISE 13.4 de Xilinx de la respuesta de la RNA a

diferentes patrones de entrada, que son datos de tres bits,

este comportamiento se logra al recibir los pesos

sinpticos mostrados en la Tabla II.

Fig. 8. Comportamiento de RNA en la FPGA

Adems se observa como la seal winner (identificada

en la figura con color rojo), cambia su estado de acuerdo

a las variaciones en la seal input (color azul). La seal

winner representa cul de las cuatro neuronas de la red

neuronal SOM es la ganadora, siendo la variacin de esta

seal entre 0 y 3.

TABLA II. -Pesos Sinpticos enviados a la FPGA.

Neurona 1 0 100 0

Neurona 2 0 35 71

Neurona 3 100 100 18

Neurona 4 100 0 50

Para lograr que el robot mvil pueda realizar la

trayectoria es necesario traducir las seales de la RNA a

seales que permitan el movimiento de los motores, esto

es posible mediante el bloque AEM.

En caso de no obtener los resultados esperados es

necesario volver a la etapa de entrenamiento hasta que

perfeccione su aprendizaje. Para ello, es necesario hacer

la concatenacin de los nuevos datos con los ya

obtenidos en el recorrido anterior.

3. Anlisis de Resultados

La Fig. 9, se observa el entorno tipo laberinto utilizado

para el entrenamiento del robot mvil. Para ello se realizo

la etapa de exploracin con el propsito de recolectar

informacin del entorno.

Fig. 9. Entorno tipo laberinto No.1.

Una vez recolectada la informacin del entorno, se

realiza el procesamiento de esta informacin en la

Interfaz Grafica de Usuario ZiggyLab Inteface (ver Fig.

10), para poder representar grficamente la trayectoria

que efecto el robot en la etapa de exploracin,

consecuentemente se entrena la RNA con dicha

informacin, obteniendo los pesos sinpticos que sern

transmitidos al robot mvil. Asimismo, se selecciona

automticamente el bloque AEM que se utilizara durante

la etapa de aprendizaje.

Fig. 10. Resultados obtenidos de la etapa de Exploracin,

entorno No.1

Obtenidos estos resultados y transmitida la informacin

necesaria al robot mvil, se inicia nuevamente el

recorrido con el robot entrenado, con el fin de observar

grficamente en 2D o 3D la trayectoria seguida por el

robot mvil y determinar los avances en su aprendizaje.

En Fig. 11, se puede apreciar como el robot realizo un

trayecto menor comparndolo con la etapa de

exploracin y realizndolo en menor tiempo.

Adicionalmente se obtiene una evidencia del 99% debido

a que el mvil llega al final de la trayectoria propuesta.

Fig. 11. Resultados obtenidos con el primer

entrenamiento, entorno No.1

Se realizaron pruebas modificando el entorno de Fig. 8,

identificndolo como entorno No.2, obteniendo en la

etapa de exploracin diferentes resultados a los obtenidos

en el entorno anterior (ver Fig. 12), resaltando la

variacin en los pesos, las neuronas ganadoras para cada

estado de los sensores y la configuracin del bloque

AEM.

Fig.12. Resultados obtenidos de la etapa de Exploracin,

entorno No.2.

Con los datos obtenidos en la exploracin del entorno

No.2, el robot mvil realiza el recorrido que se aprecia en

Fig. 13, obteniendo el mismo trayecto que realizo en la

etapa de exploracin, las mismas neuronas ganadoras,

aunque una leve variacin en los pesos sinpticos.

Fig. 13. Resultados obtenidos con el primer

entrenamiento, entorno No.2

Se observo que si se entrena la RNA con los resultados

obtenidos con el primer entrenamiento, se obtiene una

leve variacin en los pesos sinpticos y el robot mvil

realiza el mismo recorrido, igualmente sucede si se sigue

entrenando con los datos obtenidos del siguiente

entrenamiento.

En Fig. 14 y Fig. 15, se observa el robot mvil

desenvolvindose en el entorno No.1 y No.2

respectivamente, luego de realizar el proceso de

aprendizaje (exploracin y entrenamiento).

Fig. 14. Robot mvil, luego del proceso de aprendizaje en

el entorno No. 1.

Fig. 15. Robot mvil, luego del proceso de aprendizaje en

el entorno No. 2.

4. Conclusiones

Se obtiene un robot mvil con las siguientes

caractersticas: unas dimensiones de 20 cm x 20 cm x 8

cm con un peso de 500gr, con una geometra circular la

cual es una de las ms recomendadas para trayectorias

tipo laberinto, tres (3) sensores de proximidad

GP2Y0D810ZOF, un sensor de deteccin de lnea QTR-

8A, dos motorreductores de 300 rpm, una rueda libre, un

sistema de alimentacin basado en bateras recargables

tipo ion-litio de 12v a 2 A y un sistema de control

implementado en una FPGA Spartan 6.

El sistema de control est basado en un Mapa Auto-

organizativo de Kohonen (SOM) con aprendizaje no

supervisado, el cual al ser entrenado mediante Matlab

permite obtener los pesos sinpticos que determinan el

comportamiento del robot para la resolucin de una

trayectoria tipo laberinto.

Igualmente, se puede ver que el comportamiento del

robot mvil al resolver la trayectoria tipo laberinto, tiene

variaciones notables dependiendo del entrenamiento

realizado, es decir, de los pesos sinpticos utilizados que

van cambiando a medida que el robot aprende.

Demostrando la evolucin de su aprendizaje en cada uno

de los entrenamientos realizados por el robot mvil y su

capacidad en la toma de decisiones.

Finalmente, la interfaz grfica ZiggyLab Interface facilita

un control y monitoreo de los procesos que requiere el

robot mvil para su adecuado desempeo en la resolucin

de trayectorias tipo laberinto. Estos procesos son:

recoleccin de datos, entrenamiento de la red SOM y un

control de movimientos del robot mvil.

Referencias

[1] P. Atapuma, J. Bernal, N. Moheisen, Diseo y construccin de un robot limpiavidrios, Trabajo de grado Ingeniera Electrnica. Bogot: Universidad

INCCA de Colombia. Facultad de Ingeniera,

Administracin y Ciencias Bsicas, p. 15, 2010.

[2] H. Guerrero, J. Delgado, Evolucin de chip ADN emulado con algoritmo gentico en FPGA para

control de navegacin de un robot mvil, Unillanos, Vol. 12, pp 117-129, 2008.

[3] Y. Basma, M. Basil, A. Fakhraldeen,

Reconfigurable Self-Organizing Neural Network Design and it's FPGA Implementation, Al- Rafidain Engineering, Vol. 17, June 2009.

[4] M. Muoz, G. Rodrguez, J. Garcia, Sistema de desarrollo de redes neuronales sobre FPGA, 2001.

[5] C. Guzman, J. Neira, J. Villamizar, V. Castro,

Diseo E Implementacin De Una Red Neuronal En Un Dspic Para El Control De Trayectoria De

Un Robot Detector De Obstculos, Revista Tecnologas de Avanzada, Vol. 2, 2008.

[6] T. Kohonen, The Self-Organizing Map, Proceedings of the IEEE,

Vol. 17, pp 1464- 1480, June 2009.