gn intro to robotics vision control - gunadarma...

1

Robotic Control:Introduction to Robotic Vision

Dr. Ir. Endra Pitowarno, M.EngPENS-ITS

Seminar “New Concept Robotics: Robot Vision”

22 Februari 2007Universitas Gunadarma - Jakarta

Endra Pitowarno ©2007

Sistem Robot dan orientasi

fungsi

Sistem Kontroler

Sistem Aktuator

Mekanik Robot

Sistem Roda

Sistem Kaki

Sistem Tangan

Untuk Navigasi (gerak berpindah)

Untuk Manipulasi (gerak penanganan)

• Mengikuti jalur • Berdasarkan obyek statik atau

bergerak (menuju obyek, menghindari obyek/halangan) berbasis vision, proximity, dll.

• Berdasarkan urutan perintah (referensi trajektori)

Ujung tangan (posisi TIP): • Mengikuti referensi trajektori • Mengikuti obyek (berbasis vision,

proximity, dll.) • Memegang, mengambil,

mengangkat, memindah atau mengolah obyek

Sensor Aktuator

Real world

Mata Kamera

Mata Kamera

Sistem Robot

vision


2

Sistem Robot dengan kontroler berbasis prosesor

Rangkaian prosesor

(CPU)

Robot Sensor Aktuator

Analog dan atau Digital

Analog dan atau Digital


Kontroler berbasis prosesor dengan user interface

Rangkaian prosesor

(CPU)

1/0

analog

sistem bus (shaft encoder,

vision)

1/0

analog

Keypad/ keyboard

Monitor (LCD, CRT, etc.)

Wireless communications (blue tooth, Wi-Fi, etc.)


Serial commcamera

3

Instalasi Kontroler: PC or Embedded Controller

SLOT EISA atau PCI

ROBOT

Analog Analog

Digital Digital

Sensor Aktuator

Komputer

Data Acquisition

Card

Kabel panjang via konektor

Kontroler


Proximity sensor, camera,

etc.

Environment, Workspace,Object, Obstacle, etc.

(or) Embedded Controller

Diagram Sistem Kontrol Robotik

Kontroler Robot

Referensi Gerak

Robot

Referensi Gerak

Kontroler

Hasil Gerak sesungguhnya (dibaca oleh

sensor)

Gerak aktual

+

-

Error = Gerak referensi – Gerak aktual


kontrol robot loop terbuka

kontrol robot loop tertutup

4

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

Sensor Internal:sensor posisi,

sensor kecepatan, dan sensor percepatan,

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.

Low-level control

High-level control


Close Loop ON/OFF Controlsederhana

Robot Kontroler

ON/OFF

1/0 1/0 1/0 1/0

+ -

Robot

Referensi Gerak

Kontroler ON/OFF

Roda kiri-kanan

TRACK

Sistem Robot

Sensor infra-merah ON/OFF

Motor DC kiri-kanan ON/OFF


5

High-Low Level of Control

PerintahGerak Aktuator

LingkunganRobot

Sensor Internal

Sensor Eksternal

Low-level Control

High-level Control


Low Level Control

Motor DC

Kp (y)

actθ& (rpm)

+

-

e

u Sensor

kecepatan

Poros motor

Sinyal aktuasi

(r)

refθ& (rpm)

error

sKi

+

+

∫ −+−⋅=t

actrefactref dtttKittKptu0

))()(())()(()( θθθθ &&&&


6

Low Level Control:Motor DC Servo

Motor DC-MP

Kecepatan

Referensi, refθ&

Kontrol PID +

-

Kecepatan

aktual, actθ&

Motor DC Servo dengan kontrol kecepatan

Skema ekivalen Motor DC Servo dengan kontrol kecepatan


High Level Control(classic sensor: proximity)

Robot

ReferensiGerak

KontrolerON/OFF

Roda kiri-kanan

TRACK

Sistem Robot

Sensor infra-merah ON/OFF

Motor DC Servo kiri-kanan

Servo(kontrol

Kecepatan)

Low Level ControlHigh Level Control


7

Contoh: Robot Route Runner

PB1 PB0

Motor Kanan PA0

Motor Kiri PA1

Jalur PUTIH di lantai GELAP

Robot ROUTE RUNNER

Keterangan : PA1 dan PA0 adalah motor Kiri & Kanan

Limit Switch parallel PB7

PB1 dan PB0 adalah sensor Kiri & Kanan


Keterangan: * = 0 atau 1 INPUT: 1 = PUTIH0 = HITAM

11111

10011

01101

00001

00**0

PA0PA1PB0PB1PB7

OUTPUTyang dikehendaki

INPUTReferensi

Motor DC Servo (low level control)

High Level Control(visual sensor: camera)

Robot

ReferensiGerak

ImageProcessing

(visual-basedControl)

Roda kiri-kanan

TRACK

Sistem Robot

Sensor kamera-

Motor DC Servo kiri-kanan

Servo(kontrol

Kecepatan)

Low Level Control

High Level Control


8

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

∫∞ −=0

)()}({ dtetftfL st

jika )()}({ sXtxL =maka )()}({ ssXtxL =& ))(()}({ ssXstxL =&&

percepatan/akselerasi

s1

s1

kecepatan posisi

)(tx&& )(tx& )(tx

s(s X(s)) s X(s) X(s)


Dasar Low Level ControlContoh: Robot Tangan Satu Sendi

Robot (lengan tunggal)

Aktuator (Motor DC)

Sensor posisi (potensiometer)

θ

X

Y

+

-

Error = refθ – actθ

Amplifier s1

s1 Sendi

Robot Motor DC actθ&& actθ& actθrefθ

Sistem Robot

τIKtn

Kontrol

Sistem Kontroler

tact ∆∆

=θθ&

tact ∆∆

=θθ&

&&


9

Low Level ControlMetoda Kontrol Klasik (P)

H(s) r Kp y +

-

e u

eKpu ⋅=


Low Level Control

Metoda Kontrol Klasik (I)

H(s) r

sKi

y +

-

e u

KidTTetut

⎥⎦⎤

⎢⎣⎡= ∫0 )()(


10

Low Level Control

Metoda Kontrol Klasik (P-I)

H(s) r

sKi

y +

-

e u

Kp +

+

sKiKpsG +=)(


Low Level Control

Metoda Kontrol Klasik (D)

H(s) r Kds ⋅

y +

-

e u

eKdu &⋅= teKdu

∆∆⋅=


11

Low Level Control

Metoda Kontrol Klasik (P-I-D)

H(s) r

Kds ⋅

y +

-

e u +

+

Kp

sKi +


Penggunaan Kontrol Cerdaspada Low Level Control

Sistem Robot

r Kontroler berbasis

AI

y +

-

e u

• 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)


Posisi, kecepatan atau akselerasi

12

Contoh: Kontrol Fuzzypada Low Level Control

Sistem Robot

r y +

-

e u

Kontrol Fuzzy


Posisi, kecepatan atau akselerasi

ne INPUTS

mu OUTPUTS

Penggunaan Kontrol Cerdaspada High Level Control


• Pendekatan Model-Plan-Act (MPA),• Pendekatan Behavior-based, dan• Pendekatan Finite State Machine (FSM).

13

Metode: Model-Plan-Act

Pemodelan

Action (aktuasi)

Baca Sensor

Lingkungan/ Environment (Medan Kerja

Robot)

Perencanaan Gerak

Model

Plan

Act

Gerak Aktuator

camera


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

GOAL

START


camera

14


GOAL

START

PMID1 PC1


camera


GOAL

PC1

START PMID2

PMID3

PMID1

PC2

PC3


camera

15


GOAL

PC1

START PMID2

PMID3

PMID1

PC2

PC3

PMID4 PC4


camera


PC1

START PMID2

PMID3

PMID1

PC2

PC3

GOAL

PC4 PMID4

PC5


camera

16


GOAL

PC1

START PMID2

PMID3

PMID1

PC2

PC3

PMID4

PC3



PC1

START PMID2

PMID3

PMID1

PC2

PC3

GOAL

PC4A PMID4A PC5

PMID4B


17


PC1

START PMID2

PMID3

PMID1

PC2

PC3

GOAL

PC4A PMID4A PC5

PMID4B


Metode: Behavior Based

Behavior

Spesifikasi BEHAVIOR: • Tanpa memori • Tanpa initial condition • Tanpa pemodelan internal sistem • Tanpa perlu memberikan

pengetahuan secara simbolik • Tanpa perlu reasoning dalam

melakukan aksi

Stimuli Respon


18


Lingkungan/Environment (Medan Kerja Robot)

Behavior-N

Behavior-2

Behavior-1



Memungut batu & melempar

Lari

berjalan

BEHAVIOR

KAKI KITA

Melihat batu

Melihat anjing mengejar S2

S1


19

Metode: Behavior Based(Kasus: Robot Penangkap Bola)

bola

Switch bemper kiri SBL

Motor + roda kanan

Infrared range-finder Kiri: PSDL

Kamera (K)

solenoid pintu bola SOL

Switch detektor bola DB

Motor + roda kiri

Switch bemper kanan SBR

roda bebas

Infrared range-finder Kanan: PSDR


Metode: Behavior Based(Kasus: Robot Penangkap Bola)

Mencari GOAL

Memegang Bola

Mencari Bola

BEHAVIOR

Motor Kiri/Kanan

Kamera (K)

Detektor Sentuh Bola (DB) S5

Mundur & Belok

Menghindar

Jelajah S3 S2

S4

S1

Bemper (SBL & SBR)

Infrared (PSDL & PSDR)

Pintu Bola


20

Metode: Finite State Machine

MAJU 10cm

BELOK KANAN

45˚

halangan dalam jarak

≤20cm halangan

dalam jarak ≤20cm

tidak ada halangan

tidak ada halangan


Neural Network Controluntuk Line-Tracer/Route Runner Robot

PB0

Motor Kanan

Motor Kiri DAC1

Jalur PUTIH di lantai GELAP

Robot Neural Network

ROUTE RUNNERPB1

PB2PB3

DAC0


21

Korelasi fungsi I/O pada robot Route Runner

00111116

4.50011115

4.53.0101114

4.52.7001113

3.04.5110112

4.51.2010111

3.03.0100110

4.5000019

4.54.611108

4.64.601107

4.01.210106

4.51.200105

2.74.511004

1.24.501003

04.510002

1.01.000001

MRMLPB0PB1PB2PB3

Motor (0÷5)VSensor (1:gelap 0:putih)No


Disain BP-NN dengan Struktur 4-5-2

Hidden layer

Output layer

Input layer

i = 3

i = 1

i = 2

i = 4

j = 1

j = 2

j = 3

j = 4

k = 1

k = 2

PB1

PB3

PB2

PB0

ML

wij wjk

j = 5

MR

Sensor

Motor


22


⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

=

1010101010101010110011001100110011110000111100001111111100000000

PB

⎥⎦

⎤⎢⎣

⎡=

0.05.45.45.40.35.40.35.45.46.40.45.47.22.10.00.10.00.00.37.25.42.10.30.06.46.42.12.15.45.45.40.1

M


Disain BP-NN dengan Struktur 4-5-2Endra Pitowarno ©2007

23


⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡

−−−−−−−

−

=

15491.044677.065177.012292.05697.77116.103039.163449.240928.6018374.09029.719508.0

7325.063.64435.78533.830463.031589.01446.1067357.0

Hw

⎥⎦

⎤⎢⎣

⎡−−−−−−−

=4454.93478.1366.39181.62514.64279.1026415.25084.821555.00012.62

outw

⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡

−

−−

=

79925.01907.1746388.0

6095.2333687.0

Hb [ ]3654.70134.46 −−=outb


Evaluasi fungsi I/O pada robot NN Route Runner

9.6619e-0071.6049e-006001111

4.51.1123e-0064.500111

4.49352.99674.53.01011

4.52722.7014.52.70011

2.99124.50143.04.51101

4.51511.19774.51.20101

3.00942.99823.03.01001

4.48520.00324614.500001

4.39224.61044.54.61110

4.6844.59174.64.60110

4.10731.1934.01.21010

4.39581.20724.51.20010

2.69934.49972.74.51100

1.21384.49941.24.50100

0.0010664.500804.51000

0.985060.99981.01.00000

MRMLMRML

Output NNTargetPB0PB1PB2PB3

Motor (0÷5)VSensor (1:gelap 0:putih]


24

END


gn intro to robotics vision control - gunadarma...

Documents