دوره 11، شماره 4 - ( مجله کنترل، جلد 11، شماره 4، زمستان 1396 )
جلد 11 شماره 4,1396 صفحات 24-13 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Alamiyan harandi F, Derhami V. Feature Extraction from Depth Data using Deep Learning for Supervised Control of a Wheeled Robot . JoC 2018; 11 (4) :13-24
URL: http://joc.kntu.ac.ir/article-1-467-fa.html
URL: http://joc.kntu.ac.ir/article-1-467-fa.html
اعلمی یان هرندی فریناز، درهمی ولی. استخراج ویژگی از داده‌های عمق با استفاده از روش یادگیری عمیق برای کنترلِ باناظر ربات چرخ‌دار. مجله کنترل. 1396; 11 (4) :13-24
1- دانشگاه یزد
چکیده: (17569 مشاهده)
این مقاله چارچوبی از یادگیری عمیقِ با ناظر را جهت ناوبری ربات چرخ‌دار در زمین‌های هموار با محوریت وظایف پیگیری دیوار و اجتناب از موانع ارائه می‌نماید. در اینجا، فرض بر این است که ربات تنها به یک سیستم بینایی (دوربین کینکت) مجهز است. چالش اصلی در هنگام استفاده از تصاویر عمق، ابعاد بالای تصاویر و استخراج ویژگی‌های مناسب از آنها با هدف کاهش ابعاد ورودی کنترلگر می‌باشد. برای این منظور در این مقاله از یادگیری عمیق بهره‌برداری شده و ویژگی‌های مناسبی بدست می‌آیند که بازنمایی تصاویر عمق هستند. چهار معماری با استفاده از این ویژگی‌ها و سابقه‌های فرمان کنترلی برای کنترلگر ارائه می‌شود. این معماری‌ها در محیط شبیه‌ساز ویبات با یکدیگر مقایسه می‌شوند. آزمایش‌های انجام شده نشان می‌دهد معماری بهره برنده از چهار دسته ورودی شامل: ویژگی‌های بازنمایی شده از داده‌های عمق، ویژگی‌های لحظه‌ی قبل، موقعیت خط سیر در تصویر رنگی، و سابقه‌ی فرمان‌های پیشینِ کنترلگر می‌تواند به خوبی کنترل ربات را در محیط‌های هموار و با مانع به انجام برساند.
فهرست منابع
1. Hanafi, D., Abueejela, Y. M., & Zakaria, M. F., 2013, "Wall follower autonomous robot development applying fuzzy incremental controller". Intelligent Control and Automation, 4(1), 18. [DOI:10.4236/ica.2013.41003]
2. Ye, C., Yung, N. H., & Wang, D., 2003, "A fuzzy controller with supervised learning assisted reinforcement learning algorithm for obstacle avoidance". IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 33(1), 17-27. [DOI:10.1109/TSMCB.2003.808179]
3. Fathinezhad, F., Derhami, V., & Rezaeian, M., 2016, "Supervised fuzzy reinforcement learning for robot navigation". Applied Soft Computing, 40, 33-41. [DOI:10.1016/j.asoc.2015.11.030]
4. Fathinezhad, F., & Derhami, V., 2012, "A Novel Supervised Fuzzy Reinforcement Learning for Robot Navigation", [Research]. Journal of Control, 6(3), 1-10.
5. Carelli, R., & Freire, E. O., 2003, "Corridor navigation and wall-following stable control for sonar-based mobile robots". Robotics and Autonomous Systems, 45(3), 235-247. [DOI:10.1016/j.robot.2003.09.005]
6. Karakuş, M. Ö., & Orhan, E., 2013, "Learning of robot navigation tasks by probabilistic neural network". Learning.
7. Zhou, Z., Chen, T., Wu, D., & Yu, C., 2011, "Corridor navigation and obstacle distance estimation for monocular vision mobile robots". JDCTA: Int. J. of Digital Content Technology and its Applications, 5(3), 192-202.
8. Jafar, F. A., Zakaria, N. A., & Yokota, K., 2014, "Visual Features Based Motion Controller for Mobile Robot Navigation". International Journal of Simulation Systems, Science & Technology, 15(1), 7-14.
9. Saeedi, P., Lawrence, P. D., & Lowe, D. G., 2006, "Vision-based 3-D trajectory tracking for unknown environments". IEEE transactions on robotics, 22(1), 119-136. [DOI:10.1109/TRO.2005.858856]
10. Yang, Y., Fu, M., Zhu, H., Xiong, G., & Changsheng, S., 2010, "Control methods of mobile robot rough-terrain trajectory tracking", Control and Automation (ICCA), 2010 8th IEEE International Conference on.
Hoffmann, G. M., Tomlin, C. J., Montemerlo, M., & Thrun, S., 2007, "Autonomous automobile trajectory tracking for off-road driving: Controller design, experimental validation and racing", American Control Conference.
Oliver, A., Kang, S., Wünsche, B. C., & MacDonald, B., 2012, "Using the Kinect as a navigation sensor for mobile robotics", Proceedings of the 27th Conference on Image and Vision Computing New Zealand.
Correa, D. S. O., Sciotti, D. F., Prado, M. G., Sales, D. O., Wolf, D. F., & Osorio, F. S., 2012, "Mobile robots navigation in indoor environments using kinect sensor", Second Brazilian Conference on Critical Embedded Systems (CBSEC).
11. Yung, N. H., & Ye, C., 1999, "An intelligent mobile vehicle navigator based on fuzzy logic and reinforcement learning". IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 29(2), 314-321. [DOI:10.1109/3477.752807]
12. Jang, J., Sun, C., & Mizutani, E., 1997, "Neuro-Fuzzy and Soft Computing, Prentice-Hall, upper Sanddle River".
13. Riedmiller, M., 2005, "Neural fitted Q iteration–first experiences with a data efficient neural reinforcement learning method", European Conference on Machine Learning. [DOI:10.1007/11564096_32]
14. Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., . . . Ostrovski, G., 2015, "Human-level control through deep reinforcement learning". Nature, 518(7540), 529-533. [DOI:10.1038/nature14236]
15. Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N. M. O., Erez, T., Tassa, Y., . . . Wierstra, D. P., 2016, "Continuous control with deep reinforcement learning": Google Patents.
16. Ondruska, P., & Posner, I., 2016, "Deep tracking: Seeing beyond seeing using recurrent neural networks". The Thirtieth AAAI Conference on Artificial Intelligence (AAAI).
17. Bengio, Y., Courville, A., & Vincent, P., 2013, "Representation learning: A review and new perspectives". IEEE transactions on pattern analysis and machine intelligence, 35(8), 1798-1828. [DOI:10.1109/TPAMI.2013.50]
18. Courville, I. G. a. Y. B. a. A., Deep Learning: MIT Press, 2016.
19. Bengio, Y., 2009, "Learning deep architectures for AI". Foundations and trends® in Machine Learning, 2(1), 1-127.
20. Hinton, G. E., & Salakhutdinov, R. R., 2006, "Reducing the dimensionality of data with neural networks". Science, 313(5786), 504-507. [DOI:10.1126/science.1127647]
21. Lee, H., Grosse, R., Ranganath, R., & Ng, A. Y., 2009, "Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations", Proceedings of the 26th annual international conference on machine learning. [DOI:10.1145/1553374.1553453]
22. Liu, J. N., Hu, Y., You, J. J., & Chan, P. W., 2014, "Deep neural network based feature representation for weather forecasting", Proceedings on the International Conference on Artificial Intelligence (ICAI).
23. Günther, J., Pilarski, P. M., Helfrich, G., Shen, H., & Diepold, K., 2016, "Intelligent laser welding through representation, prediction, and control learning: An architecture with deep neural networks and reinforcement learning". Mechatronics, 34, 1-11. [DOI:10.1016/j.mechatronics.2015.09.004]
24. Williams, D., & Hinton, G., 1986, "Learning representations by back-propagating errors". Nature, 323(6088), 533-538. [DOI:10.1038/323533a0]
25. Vincent, P., Larochelle, H., Lajoie, I., Bengio, Y., & Manzagol, P.-A., 2010, "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion". Journal of Machine Learning Research, 11(Dec), 3371-3408.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
