Seminario di logica Fuzzy
Transcript of Seminario di logica Fuzzy
Seminario di logica Fuzzy(G. Ulivi, S. Panzieri)
Applicazioni alla robotica mobile:Applicazioni alla robotica mobile:Costruzione di mappe
LocalizzazioneObstacle avoidance
Roma TRE – DIA – S. Panzieri 2
Applicazioni e Aree di Ricerca
Esplorazione spazialeEsplorazione spazialeMonitoraggio delle aree pericoloseMonitoraggio delle aree pericoloseSorveglianza di grandi aree Sorveglianza di grandi aree Pulitura di ampie superficiPulitura di ampie superficiAGV industrialiAGV industrialiDistribuzione della posta negli ufficiDistribuzione della posta negli ufficiIrrorazione di campi coltivati e serreIrrorazione di campi coltivati e serreAssistenza ai disabiliAssistenza ai disabiliNuove funzionalitNuove funzionalitàà automobilisticheautomobilistiche
Controllo Controllo ““ClassicoClassico”” & & ““IntelligenteIntelligente””Problemi di StimaProblemi di StimaProblemi di MeccanicaProblemi di Meccanica
Task planningTask planningPath planningPath planningTrajectory trackingTrajectory trackingSensing and sensor fusionSensing and sensor fusionEnvironment mapping Environment mapping LocalizationLocalizationObstacle avoidanceObstacle avoidanceServo controlServo control
An intelligent system has the ability to act appropriately in an uncertain environment... (Antsaklis)
Roma TRE – DIA – S. Panzieri 3
La Percezione del mondo ed i Sensori
OstacoloOstacolo
Ester. Ester. senssens..
MappaMappa
Propr. sens.
Sensori EsterocettiviEsterocettivi•Usati per misurare distanze dagli ostacoli
•Poca risoluzione
Sensori PropriocettiviPropriocettivi•Usati per misurare lo spazio percorso
•Gli errori si accumulanoMappaMappa
•Una struttura di dati in cui l’informazione spaziale è ricavata dalle misure oppure fornita a priori
Roma TRE – DIA – S. Panzieri 4
Alcuni casi tipici di Navigazione
Ambiente• Noto• Sconosciuto• Statico• Dinamico
Sensori• Esatti• Reali
Roma TRE – DIA – S. Panzieri 5
Ambiente noto & Sensori Esatti
FunzionalitFunzionalitàà richiesterichieste
Path Planning• Trovare il miglior
percorso
Trajectory tracking• Rimanere sul percorso
pianificato
!!
Roma TRE – DIA – S. Panzieri 6
Ambiente Statico e noto & Sensori Reali
FunzionalitFunzionalitàà richiesterichieste
Path planning
Stima della posizione del Robot (Localizzazione)
• Comparando le misure esterocettive attuali con quelle attese dall’ambiente (di cui si ha una mappa)
Trajectory tracking
Roma TRE – DIA – S. Panzieri 7
Amb. Statico e sconosciuto & Sensori Esatti
FunzionalitFunzionalitàà richiesterichieste
Percezione• Stima della posizione degli
ostacoli
Costruzione di Mappe• Mappa composta passo
dopo passo
Planning parziale
Trajectory tracking• (nell’area conosciuta)
iterare
Roma TRE – DIA – S. Panzieri 8
Ambiente statico sconosciuto & Sensori Reali
Un problema apertoSoluzioni euristiche e parziali
Roma TRE – DIA – S. Panzieri 9
Ambiente Dinamico
Alcune aree possono modificarsi, e.g.: Porta che si apre
• Mappe dinamiche
Ostacoli inattesi• Obstacle avoidance
In genere un modulo di Obstacle Avoidance è sempre presente per rendere il sistemadi navigazione più robusto.
Roma TRE – DIA – S. Panzieri 10
Problemi connessi alla Navigazione
La coordinazione e sincronizzazione di tutte le funzioni sono un problema successivo
…gestione del caricopianificazione del compito e della missionesicurezzaMMI
Localization
Map building
Path planning
Trajectory tracking
Obstacle avoidance
Servo control
sens
ori
Este
roce
ttivi
sens
ori
Prop
rioce
ttivi
Roma TRE – DIA – S. Panzieri 11
Quando il Controllo Intelligente?
Complessità del Task
Incertezze
Elevato costo della conoscenza quantitativa
Metodi“Rule based” o “Algoritmici”( fuzzy )
La conoscenza qualitativa è disponibile ed utile?
Approcci ad Apprendimento (Learning)( Neural and genetic )
Si
No
Task ben posti
Modelli affidabili
Conoscenza quantitative
Metodi di Controlloclassici
•manutenzione
•leggibilità
•aggiornamento
•Richiesta ampia conoscenza
•Scrittura e adattamento delle regole
Controllo intelligente
Roma TRE – DIA – S. Panzieri 12
Elaborazione Fuzzy della Percezione
• Costruzione di Mappe Fuzzy GlobaliMappe Fuzzy Globali a partire da sensori ad ultrasuoni
• Pianificazione di un percorso ottimo su mappe fuzzy
• Estrazione della struttura di un ambiente (mappa topology-based)
• Costruzione di Mappe Fuzzy LocaliMappe Fuzzy Locali• Localizzazione all’interno di una mappa topology-
based
• Costruzione dell’Orizzonte FuzzyOrizzonte Fuzzy• Obstacle avoidance
Roma TRE – DIA – S. Panzieri 13
Ambienti “mappabili”
Un robot mobile spesso necessita di una mappa per costruire un percorso dallo start al goal.
Ostacolo
Percezione
MappaS
G
Per avere una vera autonomia dobbiamo assumere che nessuna conoscenza “a priori” sia disponibile e che il robot debba affidarsi completamente ai suoi sensori
Roma TRE – DIA – S. Panzieri 14
Il Sensore Ultrasonico
Un “wave burst” è trasmessoe l’eco è ricevuta
La distanza è calcolata in base al tempo di volo
T
R
Spesso è usato un solo trasduttore∆t
Passaggiomancato!
Nessuna eco!Positione?
Roma TRE – DIA – S. Panzieri 15
Modellazione fuzzy del sensore Ultrasonico
Quando il sensore fornisce una misura di distanza abbiamo
• una certezza di occupazione
• una certezza di vuoto
esse svaniscono• Con la distanza ρ• Con l’angolo θ dall’asse
del sensore
1
1
ρd
1
1
θMa il sensore è soggetto a false riflessioni !
ρ
ρ
∀ θ
∀ θ
∀ θ
∀ ρ
Roma TRE – DIA – S. Panzieri 16
Fuzzy set dello spazio occupato
Combinando (con il prodotto - intersezione) i precedenti concetti:
d
Lobo di radiazione
Roma TRE – DIA – S. Panzieri 17
Fuzzy set dello spazio vuoto
Combinando (con il prodotto - intersezione) i precedenti concetti:
d
Roma TRE – DIA – S. Panzieri 18
Mappe & Fuzzy SetsPer motivi computazionali l’ambiente èdiscretizzato in celle
L’ambiente coincide con l’insieme bidimensionale di tutte le celle (U)
Vogliamo definire
•l’insieme delle celle vuote (E)
•l’insieme delle celle occupate (O)
Vogliamo anche definire una mappa di navigazione (N) che contenga tutte le informazioni utili a muoversi nell’ambiente
Nel caso ideale ogni cella dovrebbe essere vuota o occupata
(vuota = 0 = bianca, occupata = 1 = nera)
L’incertezza sensoriale produce gray-levelmaps
Roma TRE – DIA – S. Panzieri 19
Approccio con i Fuzzy sets (1)
Per ogni cella, le varie misure forniscono evidenza alle due proposizioni:
• Questa cella appartiene all’insieme fuzzy delle celle vuote• Questa cella appartiene all’insieme fuzzy delle celle occupate
Mettendo in OR (unione) i risultati delle varie misure si ottiene la mappa delle delle celle vuote (E) e la mappa delle celle piene (O)
La mappa di navigazione più semplice può quindi essere ottenuta come
Naturalmente: µE(Ci) + µO(Ci) ≠ 1
N O E= ∩
Roma TRE – DIA – S. Panzieri 20
Approccio con i fuzzy sets (2)
•Celle ambigue• Piene e occupate
•Celle indeterminate• Ne piene ne occupate
•Celle sicure• Quelle “molto” vuote meno le
occupate e le indeterminate
•Celle insicure• Quelle non sicure
A E O= ∩
I E O= ∩
2S E O A I= ∩ ∩ ∩
M S=
Roma TRE – DIA – S. Panzieri 21
Approccio Probabilistico (1)
Inizialmente introdotto da Moravec (1988) ed Elfes (1990).Ogni cella ha solo due stati mutuamente esclusivi:s(C)=E oppure s(C)=O; P[s(C)=E] = 1- P[s(C)=O]
Il sensore è modellato da p[d|r], la densità di probabilità di una lettura d, supposto che l’ostacolo più vicino sia ad una distanza r.Le false riflessioni sonomodellate come outliers
r d
Roma TRE – DIA – S. Panzieri 22
Approccio Probabilistico (2)
La mappa di navigazione è data da 1-P[s(C)=O] ed è ottenuta dalla applicazione sequenziale della regola di regola di BayesBayes:
P s(Ci ) = O d[ ]=P d s(Ci ) = O[ ]p s(Ci ) = O[ ]
P d s(Ci ) = O[ ]p s(Ci ) = O[ ]+ P d s(Ci ) = E[ ]p s(Ci ) = E[ ]
ma questo non è il modello del sensoreAssumendo un sensore perfetto, una singola misura afferma che
- le celle 1, 2, 3 sono vuote- la cella 4 è occupata- le celle 5, 6, ... sono indeterminate
Deve essere usato Il teorema di teorema di KolmogorovKolmogorovper reperire le probabilità condizionali necessarie.Questo costituisce un carico computazionale elevato!
1 2 3 4 5 6 celle
Roma TRE – DIA – S. Panzieri 23
Approccio Probabilistico (3)
Il processo è avviato ipotizzando uno stato di massima entropia:
P[s(C)=E] = P[s(C)=O] = 0.5Inoltre, ogni cella è assunta indipendente da quelle adiacenti.Queste assunzioni possono produrre delle situazioni paradossali:
• C’è un ostacolo adiacente al robot con probabilità 0.5• La probabilità della esistenza di un ostacolo di una data
dimensione dipende dalla dimensione delle celle
1 2 3 4 5 6 celle
0.5 0.5 0.25
Questi effetti svaniscono con un rate pari a k/√n (Hill, Spall, SMC 2, 94)
Roma TRE – DIA – S. Panzieri 24
Commenti
Vincoli
Approccio Fuzzy sets• nessuno
Approccio Probabilistico• P(E)=1-P(O)
Aggiornamento della base di conoscenza
Approccio Fuzzy logic• Qualsiasi operatore di
aggregazione
Approccio Probabilistico• Regola di Bayes
Roma TRE – DIA – S. Panzieri 25
Comparazioni (Fuzzy sets vs. Probabilistico)
0
0.2
0.4
0.6
0.8
1
0 0.5 1 1.5 20
0.2
0.4
0.6
0.8
1
0 0.5 1 1.5 2
•Consideriamo solo distribuzioni radiali•Dopo 9 misure "corrette" (0.5m), c’è una false riflessione (1m).
Approccio fuzzy logic Approccio probabilistico
µ P(O)
1
1
9910
10
O EU
Dopo solo una misura, questa area risulta vuota
Questo èperso dopo un solo outlier
sconosciuto
unknown
Roma TRE – DIA – S. Panzieri 26
Map by Probability
Roma TRE – DIA – S. Panzieri 27
Map by Fuzzy Logic
Roma TRE – DIA – S. Panzieri 28
Commenti
Approccio Probabilistico• Complesso e “time consuming”• Troppo sensibile agli outliers• Lento nella convergenza partendo da completa
ignoranza
Approccio Fuzzy sets• Ampia (troppo?) scelta di operatori• Una specie di normalizzazione dovrebbe essere
introdotta man mano che la conoscenza si accumula• Buoni risultati• Implementazione veloce
Roma TRE – DIA – S. Panzieri 29
Utilizzo delle mappe Fuzzy
• Pianificazione del cammino ottimo• A*
• Analisi degli ambienti e deduzione di mappe con elementi topologici
• Morfologia matematica• Topologia digitale fuzzy
• Localizzazione• Fuzzy local map
Roma TRE – DIA – S. Panzieri 30
Pianificazione del cammino con A*
• E’ possibile trovare un percorso non solo “collisioncollision freefree” ma anche “a rischio minimoa rischio minimo” che connettesse lo start con il goal
• Si possono minimizzareminimizzare:• la somma dei rischi
delle celle attraversate• Il massimo rischio
sopportato
Roma TRE – DIA – S. Panzieri 31
Mappe “topology-based”Estrazione dell’informazione sulla struttura dello spazio applicando concetti di topologia generaleDescrizione dell’ambiente in termini di forma dello spazio:
spazi aperti connessi da passaggi strettiL’informazione iniziale sullo spazio libero è rappresentata da una mappa a griglia, che può essere considerata come un’ immagine
A
B
C D
A
B C D
Roma TRE – DIA – S. Panzieri 32
AlgoritmoCostruzione della mappa a griglia
Trasformazione della mappa iniziale per trovare spazi aperti connessi da passaggi stretti (morfologia matematica)
Segmentazione della mappa in componenti connesse fuzzy (topologia digitale)
Costruzione del grafoA D
B EC
Roma TRE – DIA – S. Panzieri 33
Morfologia matematica binariaEstrae informazioni sulla forma nell’immagine Si basa sui seguenti concetti
• Elemento strutturante ES: definisce la forma da studiare
• Filtraggio dell’immagine con l’EStraslato in tutte le locazioni
Gli operatori fondamentali sono la Dilatazionee l’Erosione
Tutte le operazioni possono essere definite a partire da un opportuno ES e da una sequenza di operatori fondamentali
D
E
Roma TRE – DIA – S. Panzieri 34
Morfologia matematica: Apertura e Chiusura
Combinando dilatazione ed erosione è possibile ottenere trasformazioni più complesse
Per esempio l’operatore AperturaAperturaè definito come una Erosioneseguita da una Dilatazione con lo stesso elemento strutturante
Notiamo che l’apertura cancella i buchi bianchi più piccoli del disco
Roma TRE – DIA – S. Panzieri 35
Morfologia matematica: Binaria FuzzyFuzzy gridmap I and fuzzy structural element k
In the binary case the formal definition of dilation isD(I,k)(x)=1 iff ∃ y∈ Nk(x): (µ(y) ∧ ν(y-x))
Fuzzy extension D(I,k)(x)= supy∈ N(x) min (µ(y), ν(y-x))
In the binary case the formal definition of erosion isE(I,k)(x)=1 iff ∀ y∈ Nk(x): (ν(y-x) → µ(y) )
Fuzzy extensionE(I,k)(x)= infy∈ N(x) max (µ(y), 1-ν(y-x))
We can interpret a fuzzy transformation as a stacking of binarytransformations, level by level
Roma TRE – DIA – S. Panzieri 36
Morfologia matematica Fuzzy
Trovare il grado di “spaziosità”(clearance) di ogni vano può essere effettuato applicando una erosione con un elemento strutturante fuzzy
Un elemento strutturante conicofornisce la clearance usando la distanza euclidea
Un elemento strutturante piramidalesi basa sulla distanza “chessboard”
Roma TRE – DIA – S. Panzieri 37
Topologia digitale: Binaria Fuzzy
La topologia digitale studia le proprietà topologiche di immagini a livelli di grigio, adattando concetti dalla topologia generale ad insiemi finitiNozioni importanti
• Intorno• Cammino• Componente connessa fuzzy• Adiacenza tra
componenti connesse
Roma TRE – DIA – S. Panzieri 38
Risultati sperimentaliAmbiente interno tipo ufficioLa fuzzy gridmap è ottenuta a partire da dati sonar (Oriolo, Ulivi e Vendittelli, 1996)
A B
CD
FE G
H
I L
Roma TRE – DIA – S. Panzieri 39
CommentiUso di trasformazioni morfologiche per lo studio di forma dello spazio
E’ robusto rispetto ai parametri (no thresholding)Il metodo può essere esteso al caso di differenti sensori o ambienti
Complessità computazionale: per estrarre la topologia da una mappa di (180x150) celle, sono necessari 390 ms su un Pentium2 a 450 Mhz
Direzioni correnti• Arricchire il grafo con informazione geometrica utile per la
navigazione e la localizzazione• Uso del grafo per la pianificazione di strategie di
navigazione
Roma TRE – DIA – S. Panzieri 40
Usando due mappe: una Topology Based...End-
corridor(go out)
Corridor(follow)
T-junction(turn left)
Corridor(no action)
Corridor(follow)
left right
Corner(turn)
Corridor(stop)
End-corridor
(no action)
Un grafo dove i nodisono posti e gli archiconnettono due nodi se sono adiacenti nella realtàI nodi sono marcaticon
o Strategie di movimento
o Attributi (metriche approssimate o numero di porte)
Home
Gol
Roma TRE – DIA – S. Panzieri 41
... e una Mappa Fuzzy Locale (FLM)
Una rappresentazione localedel modo attorno al robot• è una grid map (mappa metrica)• ma anche una mappa fuzzy
Alcuni vantaggi di una fuzzy local map• Limitato uso di memoria
(all’interno del range dei sensori)• Valutazione della affidabilità delle
misure• Consente la fusione sensoriale
(ultrasuoni, laser, visione)
Campo di visione del Robotcon sensori ad ultrasuoni
Roma TRE – DIA – S. Panzieri 42
FLM
CorridoioCorridoio
Strettoia=Strettoia=CorridoioCorridoio
Incrocio a TIncrocio a T
AngoloAngolo
Roma TRE – DIA – S. Panzieri 43
World Mark (WM)Una rappresentazione fuzzy dell’orizzonte intorno al robot
Dalla FLM è estratto, per ogni direzione, il massimo valore di “occupancy”Per migliorare la localizzazione il WM ècalcolato a partire dal centro di massa della FLM
e.g. : corridor
emptyempty
full full
empty
Roma TRE – DIA – S. Panzieri 44
Fuzzy sets di riferimento
Corridor
CoRner
T-junction
End corridor
Open space
Roma TRE – DIA – S. Panzieri 45
Primo Riconoscimento: Similitudine FuzzyUna similitudine deve soddisfare le seguenti regole:• Un oggetto deve essere simile a se stesso• Se A è simile a B allora B è simile ad A con lo stesso grado• Se A è simile a B e B è simile a C nonnon segue che A è simile a C
Per calcolare il grado di matching tra due fuzzy sets può essere usata, ad esempio, la funzione di similarità di Sokal and Michener:
sim card cardcard card card
( ) ( ) ( )( ) ( ) ( )
M LM L M L
M L M L U, =
∩ + ∩∩ + ∩ +
U insieme universaleM world markL fuzzy set di riferimento
L deve ruotare per ottenere
Il valore massimo per “sim(M,L)”
Roma TRE – DIA – S. Panzieri 46
Localizzazione1. Collezione dei dati
• Sensori ad ultrasuoni• Laser e visione• FLM
2. Primo Riconoscimento• Costruzione del World mark• Fuzzy sets di riferimento (per esempio)• Valutazione della Similitudine
3. Riconoscimento combinato• Per combinare l’informazione passata con
quella corrente e con quella che può provenire da altri agenti indipendenti
Roma TRE – DIA – S. Panzieri 47
Esempio: Corridor
Fuzzy map World mark
similitudine
Roma TRE – DIA – S. Panzieri 48
Applicazione della Morfologia Fuzzy alle FLM
Roma TRE – DIA – S. Panzieri 49
Metodi alternativi
Dal lavoro iniziale di Shafer (1976) che forniva un modello matematico per trattare e quantificare l’incertezza (belief functions+Dempster’s rule of combination) due grossi filoni:
• The upper and lower probability model• Basato sull’idea che per ogni proposizione esiste una
probabilità ma di questa si conoscono solo i limiti superiore ed inferiore (posto anche in lavori precedenti di Good, Smith e Dempster)
• The transferable belief model (TBM)• Un modello che non usa alcun concetto della
probabilità (Smets)
Roma TRE – DIA – S. Panzieri 50
AssiomatizzazioneAssiomatizzazione Teoria della PossibilitTeoria della Possibilitàà
• Assiomi Costruzione di una teoria matematicaMigliore comprensione delle operazioni
• Assiomi Maggiore distanza dalle condizioni sperimentali
• L’assiomatizzazione della teoria della possibilità- si basa sulle misure fuzzy - porta ai fuzzy sets come distribuzioni di possibilità- comprende come caso particolare la probabilità
Roma TRE – DIA – S. Panzieri 51
L’Universo del Discorso
Sia fissata una algebra Booleana finita di proposizioni Ω sulle quali costruiremo una serie di “belief” (giudizio di veridicità)
Alcune proposizioni saranno più “believed” di altre.
Normalmente le proposizioni non comprese in Ω sono dichiarate impossibili
In realtà per ogni possibile proposizione abbiamo 3 casi possibili:• KP known as possible• UP unknon propositions (vuoto nell’approccio Bayesiano )• KI known impossible (non finiscono in Ω)
Quindi due alternative• Closed-world UP vuoto• Open-world UP non vuoto
Roma TRE – DIA – S. Panzieri 52
Quantificazione del grado di belief e TBM
Sia KP una algebra Booleana finita di proposizioni ΩSia ∆ l’insieme di proposizioni elementari appartenenti ad ΩNormalmente Ω è il power set di ∆
Supponiamo di avere una evidenza che ci induca a supporre vera alcune proposizioni A di Ω: postuliamo allora che esista una quantità di belief complessivo (una massa normalizzata ad 1) che possa essere distribuita tra le varie proposizioni A
La massa m(A) che viene allocata alla proposizione A è chiamata basic belief mass e definisce una funzione detta basic beliefassignement:
m: Ω [0,1]
Roma TRE – DIA – S. Panzieri 53
Le proposizioni possono essere esiti di una Le proposizioni possono essere esiti di una misuramisura
• Se conoscessimo le probabilità dei singoli eventi elementariavremmo la minima incertezza (eventi dissonanti), Ma solo ∆ èvisibile.
• Le letture possibili non sono necessariamente disgiunte, - lo stesso evento può produrre misure diverse, - noi non siamo in grado di mettere in relazione certa eventi e misure (incertezza)
A BC∆ :A,B,C
U: ui=
Spazio delle Misure
Eventi Elementari:Singletons
Roma TRE – DIA – S. Panzieri 54
Basic belief assignement
Abbiamo definito la funzione detta basic belief assignement:
m: Ω [0,1]
Per questa vale
Dove la somma è fatta su tutte le proposizioni A di Ω che supportino la tautologia 1Ω (la disgiunzione di tutti gli elementi di ∆)
Il modello di Shafer include il seguente requisito:
m(0Ω)=0 (massa dell’insieme vuoto)
che, secondo Smets, conduce a dei risultati non soddisfacenti nel momento in cui si fa l’ipotesi di Open-world e quindi la rimuove nel TBM
1( ) 1
Am A
Ω→
=∑
Roma TRE – DIA – S. Panzieri 55
Definizione di Belief e Plausability
Il grado di belief dato alla proposizione A di Ω è quantificato dalla funzione di belief
bel:Ω [0,1]con
Il grado di plausability dato ad una proposizione è definito, invece,
0
( ) ( )
(0 ) 0
B AB
bel A m B
belΩ
→≠
Ω
=
=
∑
( ) ( ) (1 ) ( )B A
pl A m B bel bel AΩ→ ¬
= = − ¬∑
Roma TRE – DIA – S. Panzieri 56
Misure fuzzy e Misure fuzzy e beliefbelief
: P( ) [0,1]g ∆ →Una funzione è una misura fuzzy (FM) se:∆, non Ω !
( ) 0 ( ) 1g g∅ = ∆ =Condizioni al contorno:
, P( ), ( ) ( )A B A B g A g B∀ ∈ ∆ ⊆ ⇒ ≤Monotonicità
g(A∪B) ≥ max g(A),g(B)[ ]g(A∩B) ≤ min g(A),g(B)[ ]
n.b. “+” > “max”“*” < “min”
Continuità (si applica se Ω ha infiniti elementi, molto tecnica)
Warnings: gli insiemi sono crispstiamo completamente abbandonando l’idea di frequenzaovvero di probabilità a posteriori.
Roma TRE – DIA – S. Panzieri 57
BeliefBelief e e PlausibilityPlausibility
• All’incirca: Belief è la minima certezza supportata dai fattiPlausibility è la massima certezza che non contrasta coi fatti
• Assiomi per Shafer e conseguenze per Smets (versione per 2 insiemi)
• Commento: Se gli insiemi sono disgiunti la prima assomiglia alla probabilità
• Altre proprietà:
( ) ( ) ( ) ( )( ) ( ) ( ) ( )
bel A B bel A bel B bel A Bpl A B pl A pl B pl A B
∪ ≥ + − ∩∩ ≥ + − ∪
( ) ( ) 1; ( ) ( ) 1( ) 1 ( ); ( ) 1 ( )
bel A bel A pl A pl Apl A bel A bel A pl A
+ ¬ ≤ + ¬ ≥= − ¬ = − ¬
Roma TRE – DIA – S. Panzieri 58
Misure di probabilitMisure di probabilitàà
• Rafforzando la condizione sull’unione,
si arriva alla probabilità convenzionale.
• Theo: una misura bel su Ω è una misura di probabilità ssel’assegnazione dei valori è fatta sui singletons ui, e su tutti gli altri (unioni di singletons) è nulla (dati dissonanti).
• bel e P coincidono, infatti:
essendo p(u) una distribuzione di probabilità (perché la somma su ∆ è 1)
• In generale, invece,
P(A ∪B) = P(A) + P(B) iff A ∩B = ∅
( ) ( ) ( ) ( )i
iu A
P A p u Pl A Bel A∈
= = =∑
( ) P( ) ( )bel A A pl A≤ ≤
Roma TRE – DIA – S. Panzieri 59
Combinazione dei belief
Supponiamo di avere due belief function bel1 e bel2 indotte da due distinte evidenzeCome si definisce la belief function che combina le due precedenti?
bel12=bel1⊕bel2Dempster’s rule of combination
Per Shafer, che postula m(0Ω)=0, bisogna introdurre un fattore di normalizzazione e dividere per un fattore
1,2 1 2( ) ( ) ( )X Y A
m A m X m Y∩ =
= ⋅∑
1,2 1 21 (0 ) 1 ( ) ( )X Y
m m X m YΩ∩ =∅
− = − ⋅∑
Roma TRE – DIA – S. Panzieri 60
TransferableTransferable BeliefBelief Model (Model (SmetsSmets and and KennesKennes))
Combine past and current information coming from fuzzy similarity
Add robustness w.r.t. disturbancies due toMultiple reflectionsUnexpected obstacles (furniture, walking people)
Definition of the Universal set∆=Corridor, coRner, T-junction, End-corridor, Open-space
Definition of the set of all the possible events (atomic or not) on wich a Boolean Algebra R is defined
Ω = Power(∆) = CR T E O ... CRTEO(Ω R): propositional space
Roma TRE – DIA – S. Panzieri 61
Transferable Belief Model (Smets and Kennes)
Credal levelLet’s consider an agent T giving a belief about the “true” universe
A basic mass assignement m(F) specifies how the belief of anagent T supports the event F member of Ω
In our case the agent T is the static recongnition stage
Many possible BMAs! E.g.:Each similarity supports with its value the atomic event L and withits negate both the complementary and the unknow events:
sim(L) L(1-sim(L))/2 not L(1-sim(L))/2 CRTEO
Roma TRE – DIA – S. Panzieri 62
Basic Mass Assignment
Alternatively:• The higher similarity
level supports the associated atomicelement as far asthe second level
supports C
supportsunknown
Roma TRE – DIA – S. Panzieri 63
Transfer of Belief and Pignistic level
To update the past BMA mk-1(F) and combine it with the new BMA mk(F) we use the Smets rule of combination:
o “The product of two bbm m1(X) e m2(Y) coming from two distinctagents supports X∩Y”
m A m X YX Y A
12 1( ) ( )= ⋅∩ =∑ ( ) m 2
The probability function BetP, used to make decisions, can be writtenas
o A possible approach is to equally distribute the mass of event A among its atoms:
BetP ( )( ):
x m AAA A x
=∩ ≠
∑0
Roma TRE – DIA – S. Panzieri 64
Determinazione della Determinazione della ““possibilepossibile”” featurefeature tramite il TBMtramite il TBM
Calcolo delle “basic belief masses” per le credibilità degli eventi atomici e non atomici
Integrazione dei belief con i valori precedenti (per filtrare eventuali errori e per avere un passaggio più dolce)
Calcolo valori di scommessa BetP solo per gli eventi atomici A (distribuendo le masse)
Roma TRE – DIA – S. Panzieri 65
Navigazione
Roma TRE – DIA – S. Panzieri 66
Evitare gli ostacoli
• Obstacle Avoidance is essential for a mobile robot in anunstructured environment
• OA modifies desired heading and speed on the basis of obstacle perception to reduce risks
• A tradoff is neededbetween high reactivity and smooth behavior, soadd some local memory
• Implementation must be very efficient, soavoid rules based systems
• As no planning is involved and OA is local, use an egocentric representation
Roma TRE – DIA – S. Panzieri 67
Semplice modello cinematico
cos( )sin( )
x uy u
ϑϑ
ϑ ω
=⎧⎪ =⎨⎪ =⎩
x
y
θθ
O
• Modello tempo continuo dell’uniciclo
x
y
θθ
O
Roma TRE – DIA – S. Panzieri 68
Comportamento di “Obstacle Avoidance”Usiamo dei sensori ad ultrasuoni
5 “wide beam” range finders con un cono di radiazione di circa 70°• Grandi spazi con un numero di sensori ridotto• Elevata incertezza nella collocazione degli ostacoli• Riflessioni multiple
Tecnica basata sulla Fuzzy logic: “Metodo degli Orizzonti”• Input:
• Direzione di navigazione desiderata θdes e velocità desiderata vdes
• Letture sonar• Informazioni odometriche fornite dagli encoder montati sugli assi dei motori
• Output:• Direzione di navigazione di riferimento θref e velocità vref che garantiscano
una navigazione priva di collisioni nella direzione più vicina possibile a quella desiderata
Roma TRE – DIA – S. Panzieri 69
Orizzonti Fuzzy
• Gli Orizzonti Fuzzysono fuzzy setsdefiniti su 360°
• Possono essere usati per rappresentare differenti caratteristichedell’ambiente intorno al robot
0° 360°Esempio: il rischio di
prendere una direzione!
Roma TRE – DIA – S. Panzieri 70
Quali caratteristiche?
Per ogni direzione è possibile valutare le seguenti quantità:• Compatibilità con la direzione desiderata• Rischio di collisione• Compatibilità con i vincoli cinematici del robot
Queste definiscono le funzioni di appartenenza di un fuzzy set chiamato “orizzonte”L’algoritmo inizia con la valutazione, ad oggni passo, dei tre orizzonti:
• attrattivo A• repulsivo R• cinematico K
Combinando questi tre si può valutare il costo del movimento in ogni direzione e calcolare un nuovo orizzonte D
Roma TRE – DIA – S. Panzieri 71
Orizzonti Attrattivo e Cinematico• Orizzonte Attrattivo
• Un fuzzy set triangolare centrato nella direzione di movimento desiderata
• La larghezza è“proporzionale” alla libertà di scelta.
• Orizzonte Cinematico• Molto simile ma
centrato nella direzione attuale di moto
• Rende i cambi di direzione meno accettabili
0° 360°
Roma TRE – DIA – S. Panzieri 72
Orizzonte Repulsivo
Stessa misura di distanza Nessuna eco
• I sensori hanno una scarsa risoluzione angolare
• Possono addirittura mancare un ostacolo
30°
• Il rischio indotto da un ostacolo ad una distanza d è modellato da un FS triangolare con una altezza pari a min(1,k/d)
• I rischi sono fusi (messi in OR) attraverso l’operatore di “Bounded Sum” in un unico fuzzy set
Roma TRE – DIA – S. Panzieri 73
Orizzonte repulsivo in un caso reale
-400
-300
-200
-100
0
100
200
300
400
Dopo 4 -400
-300
-200
-100
0
100
200
300
400
Dopo 8 misremisure
Verde: proiezioni degli ostacoli Rosso: l’orizzonte di rischio
L’ostacolo è di fronte a destra Rimane un passaggio sufficiente a sinistra
Roma TRE – DIA – S. Panzieri 74
Metodo degli Orizzonti
vref è invece calcolata come
θref è calcolata minimizzando D, la funzione di appartenenza calcolata come
v vD
Dref desref
th
= −RST
UVWmax , (
( ))0 1
θD A R K( ) ( ) ( ) ( )θ θ θ θ= ∪ ∪
D
A
R
180
1
θref-180
Roma TRE – DIA – S. Panzieri 75
Aggiungendo un po’ di memoria…• Le letture sensoriali possono cambiare enormemente
durante il movimento del robot a causa del largo cono di radiazione
• Come conseguenza, il percorso del robot può essere “vagabondante”
• Ricordare un certo numero di letture passate riduce questo fenomeno, ma rende l’OA più lenta nella reazione
• Le vecchie letture sono pesate con la loro età: più vecchie, meno attendibili
• Le misure più vecchie devono essere rimappatesull’orizzonte attuale tenendo conto anche del movimento del robot
Roma TRE – DIA – S. Panzieri 76
Modulo di Obstacle Avoidance