DeepRL-Based Motion Planning for Indoor Robot Navigation

Detalhes bibliográficos
Autor(a) principal: Palaio, Daniel Silva
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/98470
Resumo: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_795bb4fb92b6148c1157bc32674f6b6b
oai_identifier_str oai:estudogeral.uc.pt:10316/98470
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling DeepRL-Based Motion Planning for Indoor Robot NavigationPlaneamento de Caminho para Navegação de Robôs em Ambientes Interiores Baseado em DeepRLPlaneamento de CaminhoNavegação Robótica Autónoma InteriorDeep Reinforcement LearningRedes Neuronais ArtificiaisCostmapsMotion PlanningAutonomous Indoor Robot NavigationDeep Reinforcement LearningArtificial Neural NetworksCostmapsDissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaRobôs, impulsionados por consideráveis avanços tecnológicos, têm vindo a ser progressivamente integrados nas mais diversas áreas, contrariando a conceção de serem apenas ferramentas de suporte industrial. De entre as várias subdivisões da robótica, a robótica móvel - encarregue da criação de plataformas com a habilidade de navegar em ambientes interiores e exteriores - é uma das que mais tem contribuído para a expansão e disseminação de aplicações robotizadas. No que se refere a navegação robótica autónoma, o planeamento de caminho é a premissa responsável pela definição de um trajeto entre um ponto inicial/atual até um ponto final. No entanto, em ambientes desconhecidos ou não mapeados, a complexidade de definir um caminho aumenta significativamente, sendo necessário recorrer a informação sensorial para estabelecer um princípio de navegação local. Nesta dissertação é apresentada uma estratégia de planeamento de caminho, projetada para ambientes interiores inexplorados, baseada em Deep Reinforcement Learning (DeepRL). Contrariando as aplicações de navegação DeepRL que utilizam imagens do ambiente circundante diretamente como entrada das suas Redes Neuronais Artificiais, o método sugerido pré-processa os dados recolhidos em representações normalizadas do ambiente, denominadas costmaps. Numa tentativa de criar uma abordagem independente do tipo de sensor usado, tanto a rede neuronal como os restantes modelos computacionais empregados foram concebidos de raiz para atender às variações implementadas e aos requisitos do sistema. O algoritmo de planeamento de caminho apresentado pode ser decomposto em dois estágios distintos: treino e teste. Na fase de treino, um robô sob a influência do método de navegação local desenvolvido aprende, através de tentativa e erro, que ações deve eleger para atingir o seu ponto objetivo sem colidir com obstáculos. Durante o processo de treino é gerado, otimamente, um modelo regulado da rede neuronal responsável por suster, numa fase de testes posterior, a tomada de decisões de vertente navegacional do robô. Com o intuito de validar o planeador de caminho proposto, uma plataforma virtual apelidada de Turtlebot foi aplicada em vários ambientes de simulação, com e sem obstáculos. Adotando o algoritmo de planeamento de caminho concebido, o Turtlebot evidenciou comportamentos bastante promissores nos mais diversos meios virtuais, legitimando deste modo o sistema de navegação DeepRL desenvolvido.Robots, driven by substantial technological advances, are no longer confined to executing industrial-related duties. Among the several subclasses of the widespread robotics field, mobile robotics - answerable for developing non-stationary platforms capable of navigating indoor and outdoor environments - has been one of the extents responsible for the diffusion of robot applications across various domains. Within robot navigation, motion planning is the primitive that establishes a route from an initial to a target point. In uncharted environments, however, the path definition can be a significantly more challenging task. Due to the inability to delineate a course based on map knowledge, a local navigation resolution is settled instead, with short-term paths being outlined according to the observed surrounding environment. This dissertation presents an original local motion planning strategy for unexplored indoor environments based on Deep Reinforcement Learning (DeepRL), a contemporary Machine Learning field. Typically, DeepRL navigation applications use raw environment data directly as input to their framework's Artificial Neural Networks (ANNs), which may format them towards the intrinsic properties of the robot's onboard cameras/lasers. Contrarily, in an effort to create a sensor-agnostic navigation approach, the proposed method pre-processes the collected sensory data into normalized environment representations named costmaps. To comply with the implemented variations and system requirements, the employed ANNs and complementary models were designed from scratch. The introduced path planning algorithm is partitioned into two distinct stages: training and testing. In the training phase, an intelligent mobile platform learns, via trial-and-error, which actions must be adopted to attain its target without colliding with obstacles. Optimally, training generates at least one fine-tuned model, further tested in an online stage, that empowers the robot to effectively perform a collision-free motion. To validate the presented local motion planning approach, a virtual robot - the Turtlebot - was applied in multiple simulation environments, with and without obstacles. Using the developed framework to sustain the Turtlebot's decision-making, promising results were yielded over several trials in both types of domains.2021-11-25info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/98470http://hdl.handle.net/10316/98470TID:202920348engPalaio, Daniel Silvainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-02-04T21:43:06Zoai:estudogeral.uc.pt:10316/98470Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:16:17.566086Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv DeepRL-Based Motion Planning for Indoor Robot Navigation
Planeamento de Caminho para Navegação de Robôs em Ambientes Interiores Baseado em DeepRL
title DeepRL-Based Motion Planning for Indoor Robot Navigation
spellingShingle DeepRL-Based Motion Planning for Indoor Robot Navigation
Palaio, Daniel Silva
Planeamento de Caminho
Navegação Robótica Autónoma Interior
Deep Reinforcement Learning
Redes Neuronais Artificiais
Costmaps
Motion Planning
Autonomous Indoor Robot Navigation
Deep Reinforcement Learning
Artificial Neural Networks
Costmaps
title_short DeepRL-Based Motion Planning for Indoor Robot Navigation
title_full DeepRL-Based Motion Planning for Indoor Robot Navigation
title_fullStr DeepRL-Based Motion Planning for Indoor Robot Navigation
title_full_unstemmed DeepRL-Based Motion Planning for Indoor Robot Navigation
title_sort DeepRL-Based Motion Planning for Indoor Robot Navigation
author Palaio, Daniel Silva
author_facet Palaio, Daniel Silva
author_role author
dc.contributor.author.fl_str_mv Palaio, Daniel Silva
dc.subject.por.fl_str_mv Planeamento de Caminho
Navegação Robótica Autónoma Interior
Deep Reinforcement Learning
Redes Neuronais Artificiais
Costmaps
Motion Planning
Autonomous Indoor Robot Navigation
Deep Reinforcement Learning
Artificial Neural Networks
Costmaps
topic Planeamento de Caminho
Navegação Robótica Autónoma Interior
Deep Reinforcement Learning
Redes Neuronais Artificiais
Costmaps
Motion Planning
Autonomous Indoor Robot Navigation
Deep Reinforcement Learning
Artificial Neural Networks
Costmaps
description Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2021
dc.date.none.fl_str_mv 2021-11-25
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/98470
http://hdl.handle.net/10316/98470
TID:202920348
url http://hdl.handle.net/10316/98470
identifier_str_mv TID:202920348
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134058906648576

Registros relacionados