Controle Com Logica Fuzzy e Neurofuzzy

Universidade do Estado do Rio de Janeiro
Instituto Politcnico
Felipe Sert Abicalil
Controle com lgica Fuzzy e Neurofuzzy aplicada anlise e

programao de robs mveis com visualizao e simulao 3D
Nova Friburgo
2007

Dissertao apresentada como requisito

parcial para obteno do ttulo de Mestre,
ao Programa de Ps-Graduao em
Modelagem Computacional do Instituto
Politcnico, da Universidade do Estado do
Rio de Janeiro.
Orientador: Prof. Carlos Alberto Fialho Thompson Leite
Nova Friburgo
2007
CATALOGAO NA FONTE
UERJ/REDE SIRIUS/BIBLIOTECA CTC/E
A148
Abicalil, Felipe Sert.

Controle com lgica Fuzzy e Neurofuzzy aplicada
anlise e programao de robs mveis com visualizao
e simulao 3D / Felipe Sert Abicalil. - 2007.
108 f.: il.
Orientador: Carlos Alberto Fialho Thompson Leite.
Dissertao (Mestrado) - Universidade do Estado do
Rio de Janeiro, Instituto Politcnico.
1. Robtica - Teses. 2. Lgica difusa Teses.
3. Imagem tridimensional Teses. 4. Inteligncia
artificial Teses. .I. Leite, Carlos Alberto Fialho
Thompson. II. Universidade do Estado do Rio de
Janeiro. Instituto Politcnico. III. Ttulo.
CDU 007.52
Autorizo, apenas para fins acadmicos e cientficos, a reproduo total ou parcial desta
dissertao.
_________________________________________
Assinatura
_______________________
Data

Dissertao apresentada como requisito

parcial para obteno do ttulo de Mestre,
ao Programa de Ps - Graduao em
Modelagem Computacional do Instituto
Politcnico, da Universidade do Estado do
Rio de Janeiro.
Aprovada em 30 de agosto de 2007
Banca examinadora:
______________________________________
Carlos Alberto Fialho Thompson Leite, Ph.D. (Orientador)
Universidade do Estado do Rio de Janeiro. Instituto Politcnico
______________________________________
Washington Braga Filho, Ph.D.
Pontifcia Universidade Catlica do Rio de Janeiro
______________________________________
Carlos Frederico Estrada Alves, D.Sc.
Universidade do Estado do Rio de Janeiro. Instituto Politcnico
Nova Friburgo
2007
DEDICATRIA
Dedico este trabalho minha Me Lourdinha e

ao meu irmo Fbio, pelo apoio imprescindvel
para a concluso deste trabalho.
AGRADECIMENTOS
Agradeo a Deus por me dar fora e perseverana nos momentos mais difceis.
minha famlia pelo apoio, durante a elaborao deste trabalho.
Ao meu orientador, Ph.D. Carlos A. Thompson , pela oportunidade e por todo o
conhecimento compartilhado que permitiu a realizao deste trabalho.
Aos funcionrios da Secretaria da PGMC-IPRJ/UERJ pela ateno e a sempre presente
disposio de ajudar.
Aos funcionrios da biblioteca do IPRJ, pelo bom atendimento as necessidades.
Aos colegas de trabalho, por todo o apoio dado.
A todos os que direta ou indiretamente contriburam para a realizao
deste trabalho.
RESUMO
ABICALIL, Felipe Sert. Controle com lgica Fuzzy e Neurofuzzy aplicada anlise e
programao de robs mveis com visualizao e simulao 3D. 2007. 108 f. Dissertao
(Mestrado em Modelagem Computacional) Instituto Politcnico, Universidade do Estado do
Rio de Janeiro, Nova Friburgo, 2007.
Este trabalho tem como objetivo o estudo de uma rea da robtica chamada robtica mvel.
Um rob mvel deve realizar uma navegao segura e esta a principal motivao deste
trabalho. Para tal foi desenvolvido um simulador de robtica mvel com visualizao em 3D.
Um dos grandes interesses na rea de robtica mvel a utilizao de algoritmos de
inteligncia artificial. O objetivo deste trabalho a utilizao e simulao de inteligncia
artificial para o controle destinado ao desvio de obstculos. As simulaes so dinmicas, ou
seja, o rob no tem informao previa do cenrio. Os algoritmos de inteligncia artificial
implementadas neste trabalho so lgica Fuzzy e Neurofuzzy. As contribuies do simulador
so: a simulao e visualizao em 3D com o cenrio modelado em um programa CAD/3D,
permite testar diversas configuraes antes de testar o rob real, simula o rudo de sensores,
utiliza lgica fuzzy e neurofuzzy para o desvio de obstculos. Os resultados mostram a
capacidade do sistema fuzzy para lidar com os dados ruidosos dos sensores assim como a
influncia das variveis antecedentes e conseqentes do sistema fuzzy de no comportamento
do rob mvel para o desvio de obstculos alm da capacidade do sistema neurofuzzy de
aprender a partir dos dados de treinamento mostrando uma melhoria no resultado das
simulaes.
PALAVRAS-CHAVE: Robtica mvel; Lgica Fuzzy; Lgica Neurofuzzy; Visualizao 3D.
ABSTRACT
This work has as objective the study of an area of the robotics named mobile robotics. A
mobile robot must navigate in a safe way and this is the main motivation of this work. To do
that a mobile robotics simulator with 3D visualization was developed. One of the great
interests in mobile robotics is using artificial intelligence algorithms. The main point of this
work is using and simulate artificial intelligence applied in obstacle avoidance control. The
simulations are dynamics it means that the robot do not have previous information about the
scenery. The artificial intelligence algorithms developed in this work are Fuzzy and
Neurofuzzy logics. The simulator contributions are that the simulation and 3D visualization
where the scenery is a 3D model from a CAD/3D software besides allows to test many
configurations before testing the real robot and simulates noise from sensors and uses fuzzy
and neurofuzzy logics to obstacle avoidance. The results show the fuzzy system capability to
deal with the noisy data from sensors and how fuzzy variables influences the mobile robot
behavior in obstacle avoidance besides the ability of neurofuzzy system to learn from training
data showing improvements in the simulation results.
Keywords: Mobile robotics; Fuzzy logic; Neurofuzzy logic; 3D visualization.
LISTA DE FIGURAS
Figura 1 Esquema grfico da inferncia crisp-fuzzy .................................................

Figura 2 - Diagrama Esquemtico de um Sistema Neurofuzzy ...................................
Figura 3 Imagem de Prottipo de Rob Mvel .........................................................
Figura 4 - Representao das Entradas do Sistema de Controle ..................................
Figura 5 - Representao do Obstculo e Reao do Rob .........................................
Figura 6 - Varivel Antecedente Distncia de Entrada 28 ...........................................
Figura 7 Varivel Antecedente ngulo de Entrada 28 .............................................
Figura 8 Varivel Conseqente Velocidade de Sada 29 ..........................................
Figura 9 Varivel Conseqente Velocidade Angular de Sada 29 ............................
Figura 10 Simulao 01 ............................................................................................
Figura 11 Simulao 02 ............................................................................................
Figura 12 Simulao 03 ............................................................................................
Figura 13 Simulao 04 ............................................................................................
Figura 14 Distncia percorrida nas simulaes de 1-4 .............................................
Figura 15 Velocidade Mdia nas simulaes de 1-4 ................................................
Figura 16 Velocidade Angular Mdia nas simulaes de 1-4 ..................................
Figura 17 Iteraes nas simulaes de 1-4 ...............................................................
Figura 18 Trajetrias das simulaes de 1-4 ............................................................
Figura 19 - Simulao 05 .............................................................................................
Figura 20 - Simulao 06 .............................................................................................
Figura 21 - Simulao 07 .............................................................................................
Figura 22 - Simulao 08 .............................................................................................
Figura 23 - Simulao 09 .............................................................................................
Figura 24 Distncia percorrida nas simulaes de 5-9 .............................................
Figura 25 Velocidade Mdia nas simulaes de 5-9 ................................................
Figura 26 Velocidade Angular Mdia nas simulaes de 5-9 ..................................
Figura 27 - Iteraes nas simulaes de 5-9 ................................................................
Figura 28 Trajetrias das simulaes de 5-9 ............................................................
Figura 29 - Simulao 10 .............................................................................................
Figura 30 - Varivel Antecedente Distncia de Entrada ..............................................
Figura 31 - Simulao 11 .............................................................................................
Figura 32 Varivel Antecedente Distncia de Entrada .............................................
Figura 33 - Simulao 12 .............................................................................................
Figura 35 - Simulao 13 .............................................................................................
Figura 37 - Simulao 14 .............................................................................................
Figura 39 Distncia percorrida nas simulaes de 10-14 .........................................
Figura 40 Velocidade Mdia nas simulaes de 10-14 ............................................
Figura 41 Velocidade ngular Mdia nas simulaes de 10-14 ..............................
Figura 42 Iteraes nas simulaes de 10-14 ...........................................................
Figura 43 Trajetrias das simulaes de 10-14 ........................................................
Figura 44 Varivel Antecedente ngulo de Entrada ................................................
Figura 45 - Simulao 15 .............................................................................................
15
17
20
22
22
28
28
29
29
32
32
33
34
34
35
35
36
37
38
39
39
40
41
41
42
42
43
44
45
45
46
46
47
48
49
49
50
50
51
51
52
52
53
54
55
55
Figura 47 - Simulao 16 .............................................................................................

Figura 49 Distncia percorrida nas simulaes 13,15 e 16 .......................................
Figura 50 Velocidade Mdia nas simulaes 13,15 e 16 ..........................................
Figura 51 Velocidade ngular Mdia nas simulaes 13,15 e 16 ............................
Figura 52 Iteraes nas simulaes 13,15 e 16 .........................................................
Figura 53 Trajetrias das simulaes 13,15 e 16 ......................................................
Figura 54 Varivel Conseqente Velocidade de Sada ..............................................
Figura 55 - Simulao 17 .............................................................................................
Figura 56 Varivel Conseqente Velocidade de Sada .............................................
Figura 57 - Simulao 18 .............................................................................................
Figura 58 Varivel Conseqente Velocidade de Sada .............................................
Figura 64 Varivel Conseqente Velocidade Angular de Sada ...............................
Figura 65 - Simulao 19 .............................................................................................
Figura 67 - Simulao 20 .............................................................................................
Figura 74 - Varivel Antecedente Distncia de Entrada ..............................................
Figura 76 - Simulao 21 .............................................................................................
Figura 77 - Simulao 22 .............................................................................................
Figura 80 - Simulao 23 .............................................................................................
Figura 81 - Simulao 24 .............................................................................................
Figura 82 Distncia percorrida nas simulaes 21, 22, 23 e 24 ................................
Figura 83 Velocidade Mdia nas simulaes 21, 22, 23 e 24 ...................................
Figura 84 Velocidade Angular Mdia nas simulaes 21, 22, 23 e 24 .....................
Figura 85 Iteraes nas simulaes 21, 22, 23 e 24 ..................................................
Figura 86 Trajetrias das simulaes 21, 22, 23 e 24 ...............................................
Figura 87 Treinamento neurofuzzy ...........................................................................
Figura 88 - Simulao 25 .............................................................................................
Figura 91 - Simulao 26 .............................................................................................
Figura 92 - Simulao 27 .............................................................................................
56
56
57
57
58
58
59
60
61
61
62
62
63
63
64
64
65
66
67
67
68
68
69
69
70
70
71
72
73
74
75
75
76
77
79
79
80
80
81
82
83
84
85
85
86
87
88
88
Figura 95 - Simulao 28 .............................................................................................

Figura 96 Distncia percorrida nas simulaes 22, 25, 26, 27 e 28 ..........................
Figura 97 Velocidade Mdia nas simulaes 22, 25, 26, 27 e 28 .............................
Figura 98 Velocidade ngular Mdia nas simulaes 22, 25, 26, 27 e 28 ...............
Figura 99 Iteraes nas simulaes 22, 25, 26, 27 e 28.............................................
Figura 100 Trajetrias das simulaes 22, 25, 26, 27 e 28 .......................................
Figura 101 Treinamento neurofuzzy .........................................................................
Figura B.1 Simulao 16 ...........................................................................................
Figura B.2 Simulao 16 ...........................................................................................
Figura B.3 Simulao 16 ...........................................................................................
Figura B.4 Simulao 16 ...........................................................................................
Figura B.5 Simulao 16 ...........................................................................................
Figura B.6 Simulao 16 ...........................................................................................
Figura B.7 Simulao 16 ...........................................................................................
Figura B.8 Simulao 16 ...........................................................................................
Figura B.9 Simulao 16 ...........................................................................................
89
90
90
91
91
92
93
103
104
104
105
105
106
107
107
108
SUMRIO
Captulo 1 INTRODUO ......................................................................................
1.1 - A Robtica Mvel .................................................................................................
1.2 - Lgica Fuzzy Aplicada Robtica Mvel .......................................................... 10

Captulo 2 FUNDAMENTAO TERICA ......................................................... 13
2.2 A Lgica Neurofuzzy .............................................................................................. 16
2.3 Lgica Fuzzy aplicada ao Rob Mvel .................................................................
20
2.4 O Simulador de Robtica Mvel ...........................................................................
23
Captulo 3 RESULTADOS .......................................................................................
27
Captulo 4 CONCLUSES ....................................................................................... 94

Captulo 5 TRABALHOS FUTUROS .....................................................................
97
Referncias Bibliogrficas ...........................................................................................
98
APNDICE ...................................................................................................................
99
Captulo 1 INTRODUO
1.1 - A Robtica Mvel

A difuso dos computadores pessoais ocorrida nas ltimas duas dcadas
aproximou as mais diversas pessoas e profisses de uma nova ferramenta de interao
com o mundo ao seu redor. A princpio, os programas seguiam os modelos pr-existentes,
tal como o processamento de texto segue a mquina de escrever ou o desenho
arquitetnico e tcnico por computador (CAD) segue o desenho tradicional a duas
dimenses com o qual era dimensionado. Contudo, com a difuso dos computadores,
outros modos de representao e operao com a realidade surgiram, ultrapassando
largamente tudo o que se conhecia at ento. Entre muitos exemplos possveis, destacamse os jogos de computador e a realidade virtual. Ao mesmo tempo, a Robtica tem
evoludo a um ritmo ainda mais rpido, embora menos visvel, e hoje possvel construir
robs sofisticados, com um grau de controle autnomo notvel a partir de uma caixa de
um brinquedo, por exemplo, ou enviar um rob mvel a Marte capaz de administrar
sozinho a sua misso e enviar dados para a base. O terceiro elemento desta revoluo
tecnolgica foi a banalizao de equipamentos eletrnicos de qualidade superior e
computadores com poder de clculo cada vez maior, o que permite trazer o
processamento de imagens a trs dimenses (3D) em tempo real para os computadores
domsticos. A Internet estendeu tornou o acesso informao independente da distncia.
Os modelos 3D descrevem um ambiente como um conjunto de superfcies
adjacentes. Cada superfcie descrita pela sua posio no espao euclideano. Alm da
posio, a descrio das superfcies contm texturas que reproduzem o aspecto
1
fotogrfico das mesmas. Depois de muito tempo, plantas e perspectivas que s os

arquitetos e engenheiros percebiam como um volume tridimensional com objetos,
criaram-se finalmente ferramentas que permitem ao usurio comum visualizar o espao
tridimensional de uma forma mais completa. possvel usar estes modelos 3D como base
de informao espacial de um sistema de Realidade Virtual.
A robtica tem cada vez mais aplicaes. Muitos prottipos e novos mtodos de
controle tm sido utilizados. Testes de laboratrio demandam tempo e risco de colises e
acidentes com os robs. O desenvolvimento de softwares de simuladores de robtica traz
uma grande ferramenta para novas aplicaes. Com os simuladores possvel testar
novos algoritmos de controle e a inteligncia artificial aos robs. A robtica mvel uma
rea de grande importncia para o desenvolvimento tecnolgico.
Uma das principais aes que um rob mvel autnomo deve ser capaz de
realizar desviar de obstculos enquanto navega por um ambiente. Sensores podem
permitir a identificao de obstculos e a tomada de decises para evitar possveis
colises. Atualmente, novas aplicaes na robtica tm surgido exigindo cada vez mais
autonomia, mobilidade, adaptabilidade e interao dos robs com o ambiente e com
outros agentes. Para isso, os robs mveis devem ser capazes de navegar e se localizar no
ambiente, evitando obstculos enquanto se movimentam. O sistema de navegao de um
rob mvel deve chegar ao seu destino final evitando acidentes ocasionados por colises
ou quedas. Normalmente, os obstculos encontrados podem ser fixos (paredes, mesas,
armrios) ou mveis (pessoas que se deslocam no ambiente). Realizar uma navegao
segura a principal motivao deste trabalho. A inteno implementar um mtodo de
desvio de obstculos baseado em sensores de distncia que possa ser adicionado a
estratgias de navegao.
Um sistema embarcado pode ser considerado um sistema computacional com
propsitos especficos, normalmente construdo em dimenses reduzidas, que deve
funcionar de forma autnoma. Um requisito normalmente exigido de sistemas
embarcados a execuo em tempo real, em especial quando a aplicao envolve
veculos autnomos inteligentes. Por exemplo, sistemas de freio ABS, que impedem o
bloqueio completo das rodas durante a frenagem, devem analisar as informaes
fornecidas pelo sistema (velocidade, fora de acionamento dos pedais de freio, etc.) e
produzir resultados (frenagem que ser efetivamente aplicada a cada uma das rodas) em
uma pequena frao de tempo.
A robtica uma rea do conhecimento que tem evoludo de forma muito rpida
nos ltimos anos, entretanto, o estudo, o projeto e a implementao de robs e autmatos
vm sendo desenvolvidos h algumas dcadas.
Os primeiros robs eram, na verdade, autmatos complexos, verdadeiras obras de
arte mecnicas, que executavam tarefas de modo repetitivo. Estes sistemas deram origem
aos atuais braos manipuladores de base fixa, que atualmente so largamente adotados na
indstria (e.g. indstria automotiva). Somente mais recentemente surgiram os robs
mveis, que se caracterizam pela sua capacidade de se deslocar de modo guiado, semiautnomo ou totalmente autnomo.
Portanto, o desenvolvimento da robtica evoluiu dos autmatos, passando pelos
robs manipuladores de base fixa, pelos dispositivos mveis guiados a distncia,
chegando mais recentemente aos robs mveis semi-autnomos e mesmo os totalmente
autnomos.
Tipos de Autmatos, Robs e Veculos Robticos
Funcionalidade:
Tipos de Aplicaes [11]
Mecanismos eletro-mecnicos com movimento repetitivo pr-definido e fixo

(autmatos)
Manipuladores: Braos de base fixa (e.g. robs industriais)
Manipuladores: Braos de base mvel (e.g. gruas robticas)
Robs Mveis (terrestres, aquticos, explorao espacial, dentre outros)

3
Mobilidade:
Dispositivos de Locomoo [11]
Robs mveis com deslocamento com rodas
Robs mveis com deslocamento com esteiras
Robs com deslocamento por propulso (e.g. no ar, na gua)
Robs com deslocamento por pernas (e.g. animats, bpedes)
Autonomia:
Grau de Inteligncia do Rob [11]
Totalmente comandados a distncia (e.g. carro de controle remoto = telecomandado, tele-operado)
Veculos guiados: dependem de informaes externas, sem as quais no podem

operar (AGV Automated Guided Vehicle)
Veculos semi-autnomos: operam controlados remotamente, mas possuindo um

certo grau de autonomia (e.g. podem parar de modo a evitar o choque com
obstculos)
Veculos autnomos: operam sem interveno humana, de forma totalmente

automatizada. Uma vez iniciada sua operao, executam tarefas de modo
autnomo.
Em meio a tantos tipos distintos de robs e veculos, conforme descrito acima, com
diferentes recursos e nveis de autonomia, importante que se busque identificar e
organiz-los em categorias outros aspectos importantes de um rob mvel so descritos
logo abaixo [11].
Locomoo: A maneira como o rob ir se deslocar no ambiente. Os dispositivos de
locomoo so de grande importncia na caracterizao de um rob mvel;
Percepo: Como o rob ir perceber o ambiente (e.g. sensores de contato bumpers - e

de distncia em relao a obstculos) e inclusive monitorar parmetros prprios dele e de
seu comportamento (e.g. carga da bateria, odometria);
Controle e Inteligncia: Como o rob ir transformar suas percepes e conhecimentos
prvios adquiridos (e.g. mapa do ambiente) em aes, ou seqncias de aes, a serem
executadas;
Comunicao: Como o rob ir se comunicar com um operador humano, ou mesmo com
outros dispositivos robticos;
As pesquisas em robtica mvel tm avanado na direo de uma maior
integrao e aperfeioamento destes 4 aspectos descritos acima, cuja meta principal o
desenvolvimento de modelos cada vez mais sofisticados e robustos dos chamados RMAs
- Robs Mveis Autnomos. Os RMAs possuem portanto, como caractersticas
fundamentais, as capacidades de locomoo e de operao de modo semi ou
completamente autnomo. Tambm deve ser considerado que maiores nveis de
autonomia sero alcanados a medida de que o rob passe a integrar 2 outros aspectos
considerados da maior importncia: robustez (capacidade de lidar com as mais diversas
situaes) e inteligncia (de modo a resolver e executar tarefas por mais complexas que
sejam).
Os robs e veculos mveis devem ser dotados de atuadores, que sero os
responsveis pela execuo de suas aes e, principalmente, pelo seu deslocamento no
ambiente. Existem diferentes tipos de dispositivos usados na locomoo dos robs, e
conforme a soluo/implementao adotada o veculo ter diferentes tipos de
comportamento. Podem ser citados como exemplo os robs providos com duas rodas
laterais e acionadores independentes acoplados a cada uma delas, obtendo-se, assim, um
veculo de trao diferencial.
A percepo um dos componentes principais dos robs mveis, pois atravs

dos sensores que pode ser garantido ao sistema um maior nvel de autonomia e robustez.
Os sensores empregados junto robtica mvel so de diferentes tipos, onde alguns
servem para se ter uma realimentao mais direta do resultado de uma ao, como por
exemplo, os encoders. A ordem de execuo de um comando no garante que o
resultado perfeito e completo desta ao seja atingido, por exemplo, uma mesma tenso
de acionamento aplicada a um motor, durante um mesmo perodo de tempo, poder ser
afetada pela inclinao do terreno, em termos da distncia total percorrida (isto sem
considerar questes relacionadas curva de resposta a acelerao e o torque do motor). O
uso de um encoder permite que seja medido o real deslocamento (leia-se giro) das rodas
de um rob mvel. Os principais dispositivos sensores so descritos abaixo:
Encoder (de rodas): Mede o nmero de rotaes das rodas, e permite que se obtenha
informaes de odometria (medida de deslocamento).
Sensor de Infravermelho: Mede a distncia entre o sensor e um obstculo posicionado em
frente a ele, atravs da estimativa da distncia calculada em funo do retorno da reflexo
da luz na superfcie (medida de distncia).
Sensor Laser: Mede a distncia entre o sensor e um obstculo posicionado em frente
sensor direcional de alta preciso (medida de distncia).
Sonar (ultra-som): Estima a distncia entre o sensor e os obstculos ao seu redor, atravs
da reflexo sonora. um sensor mais sensvel a perturbaes, obtendo medidas
aproximadas (medida de distncia).
Sensores de Contato (bumbers): Identifica quando ocorre uma coliso entre o veculo
(sensor) e um ponto de contato (medida de contato/presso).
Bssola Eletrnica: Identifica a orientao do veculo em relao ao campo magntico da
terra (medida de orientao posio relativa).
GPS: Identifica a posio absoluta do veculo no globo terrestre, baseando-se na rede de

satlites GPS Global Positioning System (medida de posicionamento absoluto).
Viso Artificial: O uso de imagens permite que sejam adquiridas a partir de uma ou mais
cmeras (viso monocular, estreo ou omnidirecional) descries do ambiente (imagem
monocromtica ou colorida). As imagens permitem que se implemente tcnicas de
determinao de posicionamento relativo, posicionamento absoluto, deteco e estimativa
de deslocamento, assim como deteco de obstculos. Outros sensores Acelermetros,
Giroscpios, Sensores de Inclinao, Radar, dentre outros.
O adequado uso dos sensores, bem como a correta interpretao dos dados
fornecidos por estes (modelo sensorial, incluindo preciso, distncia alcanada,
suscetibilidade ao rudo), que permitir a correta implementao, ou simulao, de
sistemas RMA (Robs Mveis Autnomos) mais robustos. Um outro tema de grande
relevncia na robtica a integrao de sensores (fuso sensorial), de modo a integrar e
explorar a complementaridade entre os diferentes sensores, que possuem diferentes
escalas de sensibilidade e confiabilidade (e.g. fuso de dados de um radar, sonar e sensor
laser).
Um sistema robtico mvel pode ter diferentes nveis de autonomia e inteligncia,
o que ser definido pelo tipo de sistema de controle integrado ao sistema. Existem
sistemas RMAs que possuem um nvel de autonomia e inteligncia extremamente
limitado, como por exemplo os AGVs convencionais industriais. Um AGV (Automated
Guided Vehicle) industrial um rob mvel que usualmente segue uma marcao
preestabelecida (e.g. uma faixa pintada no solo), e mesmo se este possui integrada uma
capacidade de se deslocar de modo autnomo (locomoo) e de perceber o ambiente
(sensor da faixa), seu sistema de controle depende desta informao para poder continuar
atuando. Se um pedao da faixa for danificado, o rob usualmente no ter como
prosseguir sua tarefa e dever parar de se movimentar. O mesmo acontece caso este rob
detecte um obstculo em seu caminho, ele ir parar e aguardar que o obstculo seja
removido. Nota-se que os nveis de robustez, autonomia e inteligncia de um veculo

deste tipo so bastante reduzidos, no sendo capaz de suportar falhas na marcao ou de
desviar de obstculos e retornar para a execuo de sua tarefa. Em funo disto, as
pesquisas em robtica mvel autnoma [11] tm avanado na direo de propor sistemas
de controle, que incluam comportamentos inteligentes, de modo a tornar os robs mais
confiveis, robustos e menos dependentes da interveno de seres humanos. Este
comportamento inteligente implementado atravs de sistemas de controle que devem,
entre outras funes, realizar tarefas como as descritas a seguir:
Garantir a preservao da integridade fsica dos seres humanos, bem como no

causar danos ao ambiente onde est inserido;
Garantir a preservao da integridade fsica do rob: evitar colises contra

pessoas e objetos (obstculos estticos ou mveis);
Garantir a manuteno de informaes que permitam uma melhor execuo das

tarefas, o que pode incluir: construo e atualizao de um mapa do ambiente,
determinao da localizao do rob em relao a este mapa, definio de
trajetrias que permitam que ele se desloque de um ponto a outro (considerando o
mapa disponvel);
Integrar as informaes provenientes de diferentes sensores, interpretando estas

informaes e levando em considerao problemas de rudo e erros associados s
mesmas;
Gerar os comandos, na seqncia correta, de modo a realizar passo-a-passo as

tarefas que lhe so atribudas;
Definir solues alternativas para situaes imprevistas que se apresentem e que

por ventura possam prejudicar a execuo das aes que estavam planejadas;
Capacidade de se adaptar, aprender com as experincias passadas e corrigir seus

erros e, quem sabe no futuro, ter a capacidade de evoluir.
A tecnologia drive-by-wire representa uma nova era, na qual solues mecnicas
sero substitudas por solues eletro-mecnicas. A possibilidade de se dirigir um veculo

a partir de sinais eletrnicos permite o uso de computadores embarcados atuando como
8
co-pilotos e ajudando o motorista em situaes de emergncia, ou na execuo de tarefas,

tais como estacionar um veculo.
Atravs dos equipamentos, como scanners a laser, ultra-som, radar e viso
estereoscpica, diferentes obstculos podem ser detectados, fazendo com que o veculo
pare ou desvie, evitando assim colises, que representam o principal tipo de acidente de
trnsito com vtimas. Ter a reduo dos acidentes nas estradas, com a conseqente
reduo no nmero de vtimas como meta, mostra a importante contribuio que o
desenvolvimento de tecnologias para a automao veicular pode trazer para a sociedade.
Os sensores de navegao, como bssola, GPS, giroscpio, acelermetros e sensores de
velocidade das rodas, garantem, por sua vez, que os sistemas mecatrnicos existentes na
base hierrquica da estrutura de controle permitam o veculo trafegar de forma segura e
controlada, mantendo sua estabilidade dinmica e o seguimento seguro da trajetria
previamente determinada.
O sistema computacional de controle deve executar tarefas como: preservar a
integridade do veculo, preservar a integridade dos objetos e entes presentes no ambiente
onde este veculo atua, planejar/executar/encontrar solues para a execuo de tarefas, e
em alguns casos deve inclusive interagir com outros sistemas. As caractersticas de um tal
sistema de controle nos remete ao estudo de tcnicas que vem sendo abordadas junto ao
domnio da Inteligncia Artificial (I.A.).
As arquiteturas computacionais de controle de veculos autnomos so as mais
diversas, podem ser citadas algumas das arquiteturas de controle que se tornaram as mais
conhecidas e reconhecidas pelas suas caractersticas e potencialidades: controle reativo,
controle deliberativo e controle hierrquico. O presente trabalho trata de simular um
veculo autnomo utilizando controle reativo para desviar de obstculos utilizando lgica
fuzzy.
O controle reativo consiste de um sistema de reao sensorial-motora, onde este
tipo de controle normalmente o mais simples de ser implementado (reativo puro), no
necessitando de muitos recursos computacionais para sua implementao. No controle

reativo existe um lao de: (i) leitura dos sensores; (ii) imediato processamento destas
informaes; (iii) gerao de um comando de resposta para os atuadores. Usualmente um
esquema de controle reativo considera apenas as leituras sensoriais realizadas no presente
para fins de tomada de deciso e gerao de comandos de ao. Um sistema reativo
bastante til para implementar comportamentos como: desviar de obstculos (avoid
collision behaviour: reage a presena de um obstculo), e seguir um objeto (wallfollowing/lane-follow behaviour: acompanhar um elemento guia). Pode ser considerado
como um sistema de controle reativo, caso da tomada de deciso do agente-rob no se
utilize de mapas, de memria, ou de outras informaes adicionais, fazendo uso apenas
das informaes sensoriais a fim de gerar uma nova ao.
A melhoria e a construo de simuladores robustos de veculos e robs autnomos
vm sendo buscados por inmeros grupos de pesquisa no mundo inteiro. Tanto no meio
acadmico, quanto abordagens como a da NASA nos EUA, vm buscando o
desenvolvimento da pesquisa em veculos autnomos atravs do uso de simuladores e do
aperfeioamento dos sistemas computacionais de controle destes veculos.
1.2 - Lgica Fuzzy Aplicada Robtica Mvel

Os robs esto sendo cada vez mais empregados na indstria, na rea de pesquisa
e at nas casas. Interagir com ambientes cada vez mais dinmicos um dos grandes
desafios que pode permitir uma maior difuso da robtica. A movimentao o grande
passo que aumenta a aplicabilidade de sistemas robticos. A robtica mvel a rea que
estuda e desenvolve em sistemas robticos a capacidade de lidar com ambientes
dinmicos de forma eficiente e com o mnimo risco para a vida humana. Em funo disso
a robtica mvel um campo da cincia de grande crescimento e estudo. Novos
prottipos de robs moveis so lanados com a capacidade de interagir com um
determinado ambiente. Por exemplo, as pesquisas espaciais necessitam de robs que
possam interagir em ambientes, com informaes imprecisas ou cuja modelagem
10
matemtica complexa, de forma a facilitar e mesmo tornar possvel a operao a

distncia ou mesmo se tornar um sistema autnomo. A lgica fuzzy utilizada para
representar situaes vagas e imprecisas cuja soluo pode ser alcanada por diferentes
caminhos. Existem diversas maneiras de se percorrer um determinado caminho e por
meio de uma construo e modelagem mais natural e intuitiva, a lgica fuzzy no
necessita de um modelo matemtico do sistema. Tratando-se de metodologia fuzzy o
operador do sistema cujo modelo est sendo identificado enquanto ele est controlando o
sistema [5].
O mapeamento da varivel numrica para simblica atravs de uma
funo(fuzzyficao). O sistema fuzzy permite o raciocnio sobre bases simblicas
(regras nebulosas). O processo de re-mapeamento de simblica para numrica (defuzzyficao).
Um rob mvel que emprega lgica fuzzy para o desvio de obstculos utiliza de
uma base de conhecimento (regras fuzzy) para obter tal comportamento. O desvio de
obstculos uma das funes mais importantes de um rob mvel. Os sensores do rob
mvel so as leituras do ambiente ao redor do rob mvel. O controle do tipo desvio de
obstculos obtm uma entrada vinda dos sensores indicando um possvel obstculo
crtico e sua localizao aproximada. A localizao do obstculo fornece a informao
que o sistema fuzzy necessita para que por meio de sua base de conhecimento possa
produzir uma sada que como reagir ao obstculo em questo. A sada pode ser por
exemplo um comando para os sistemas de controle de velocidade do rob mvel. O
entendimento sobre o funcionamento deste tipo de sistema de controle fundamental no
desenvolvimento de uma aplicao real que o rob mvel.
O objetivo deste trabalho a utilizao e simulao de inteligncia artificial para

o controle estinado ao desvio de obstculos. As simulaes so dinmicas, ou seja, o rob
no tem informao previa do cenrio. As tcnicas de inteligncia artificial
implementadas neste trabalho so lgica Fuzzy e Neurofuzzy. Os resultados das
11
simulaes apresentam a influencia das configuraes do controle, nas caractersticas e

no comportamento do rob mvel.
12
Captulo 2 FUNDAMENTAO TERICA
2.1 Lgica Fuzzy
Muitas estruturas de controladores fuzzy baseados nos vrios mtodos de

inferncia que vm sendo apresentados. Dentre eles os mtodos mais comumente usados
na prtica esto [5]: o mtodo proposto por Mamdani o qual associara a regra de
composio min-max baseado na interpretao das regras de controle como um conjunto
de antecedentes e conseqentes, j o mtodo produto-soma proposto por Mizumoto que
sugeriu introduzir o produto e a mdia aritmtica como operadores de agregao para
substituir o AND lgico (mnimo) e o OU lgico (mximo) na composio das regras de
inferncia do mtodo min-max. No algoritmo de um controlador fuzzy, o clculo da
defuzzificao uma tarefa complicada e que consome tempo. Takagi e Sugeno [5]
propuseram um modelo do tipo crisp (definido) no qual a parte conseqente das regras de
controle so representaes funcionais crisp ou nmeros reais crisp no caso mais simples
ao invs de conjuntos fuzzy. Com o modelo de nmeros reais crisp de sada, o conjunto
fuzzy conseqente de inferncia ser um conjunto discreto com um finito nmero de
pontos, isso pode simplificar o clculo do algoritmo de defuzzificao.
Os sistemas fuzzy so baseados em regras como
IF Distancia N AND ngulo ZP THEN vel_saida IS M AND velocidade angular IS MN
13
Ou seja, se a distncia N(near) e o ngulo ZP (zero positive) ento a velocidade

de sada M e a velocidade angular MN. Sendo a distncia e o ngulo variveis de
entrada (antecedentes) e a velocidade de sada e a velocidade angular variveis de sada
(consequentes).
A varivel distncia possui funes de pertinncia ou funes membro para
representar seus valores fuzzy como: N (Near), M (Medium) e F (Far).
A parte consequente das regras fuzzy podem ser funes de pertinncia ou crisp.
O desenvolvimento abaixo [1] mostra a inferncia para conseqentes crisp, para
referencias sobre conseqentes com funes, membro ver referencia [5] .
Suponha que as funes membro Ai e Bj so Ai( e ) e Bj( e& ). Em uma certa
B
instncia de controle t , os valores observados de e e e& so et e e&t ,respectivamente, ento

os valores reais de Ai e Bj so Ai( et ) e Bj( e&t ) (i I,j J). O valor da parte antecedente da
B
regra de controle vai ser:
Ai (et ) B j (e&t ),
f ij =
Min{ Ai (et ), B j (e&t )},
Mtodo Produto-soma
(i I,j J)
(2.1)
Mtodo Min-max
Argumentando da parte antecedente para a parte conseqente vai gerar um

subconjunto concluso o qual denominados como C. C ser um subconjunto discreto com
finitos nmeros de pontos. No caso do mtodo produto-soma, C = { fij / uij , | i I,j J },
onde uij no necessariamente diferente dos outros. Usando o mtodo do centride para
defuzzificar o conjunto C, o valor real de sada do controlador ut dado por:
f u
=
f
ij ij
ut
i, j
(2.2)
ij
i, j
E desta forma se obtm o valor de sada de um sistema crisp-fuzzy.
14
Segue abaixo uma simulao do clculo de uma inferncia fuzzy para um sistema
com duas regras tendo duas variveis de entrada(distancia de entrada e ngulo de entrada)
e duas de variveis de sada(velocidade linear e velocidade angular), sendo as sadas do
tipo crisp. Para uma distncia de entrada de 40% e um ngulo de entrada de -70o a
P
inferncia calculada conforme ilustra a figura abaixo:
0,7
Ang. de Entrada IS
AND
Pertinncia
Regra 1
Pertinncia
Dist. de Entrada IS
MN
0,5
Vel. Linear IS
30
THEN
0,7
AND
Pertinncia
Regra 2
Pertinncia
0,3
LN
30
100
40%
30
AND
90
THEN
Vel. Angular IS
-100
100
80
AND
90 100
30
-100
80 100
-70
Figura 1 Esquema grfico da inferncia crisp-fuzzy
Para se calcular as sadas do sistema crisp-fuzzy considerando apenas as duas

regras acima se procede da seguinte forma:
Velocidade _ Linear _ de _ Sada =
min(0.7,0. 5) 30.0 + min(0.7,0. 3) 90.0

= 52 .50
0 .5 + 0 .3
Velocidade _ Angular _ de _ Sada =
min(0.7,0.5) 30.0 + min(0.7,0.3) 80.0

= 48.75
0.5 + 0.3
15
2.2 A Lgica Neurofuzzy

A lgica Neurofuzzy uma das tecnologias de inteligncia. A lgica neurofuzzy
combina a lgica fuzzy com o aprendizado e capacidades adaptativas de redes neurais.
Isto significa que o usurio pode inicializar a rede neural usando conhecimento apurado
expressado com regras fuzzy, e ento trein-la usando dados numricos. Aps treinar a
rede, as regras podem ser avaliadas e editadas para melhorar alguma caracterstica no
controlador no incorporado pelos dados de treinamento.
A lgica neurofuzzy traz os benefcios tanto de sistemas de redes neurais quanto
de sistemas de lgica fuzzy.
Diferentes arquiteturas de sistemas neurofuzzy tm sido investigadas. Tais
arquiteturas tm sido utilizadas em muitas aplicaes, especialmente no controle de
processos.
Redes neurais e sistemas fuzzy tm sido intensamente aplicados a muitos
problemas incluindo identificao de sistema, predio, classificao e controle.
Redes neurais so sistemas "black box" que podem aprender a predizer e se
adaptar ao mundo real.
Um sistema neurofuzzy um sistema que utiliza um algoritmo de aprendizado
derivado ou inspirado em teoria de redes neurais para determinar seus parmetros,
conjuntos e regras fuzzy, atravs do processamento de exemplos de dados.
Um sistema neurofuzzy est baseado em um sistema fuzzy que treinado por um
algoritmo de aprendizagem. Um sistema neurofuzzy pode ser sempre interpretado como
um sistema de regras fuzzy.
16
Sistemas neurofuzzy combinam os atributos positivos de lgica fuzzy e redes

neurais produzindo sistemas fuzzy com habilidade de aprender e se adaptar ao mundo
real.
Um sistema fuzzy e neurofuzzy consiste de algumas camadas como mostra a figura
abaixo.
Figura 2 - Diagrama Esquemtico de um Sistema Neurofuzzy
A diferena entre o Fuzzy e o Neurofuzzy que no Neurofuzzy as suas sadas

durante treinamento so comparadas a targets ou sadas esperadas para uma dada
entrada para computar um erro que deve ser minimizado por um algoritmo de
aprendizagem.
Para a aprendizagem do sistema Neurofuzzy necessrio um conjunto de dados
de treinamento, ou seja, um conjunto de dados de entradas e sadas esperadas. Os dados
de treinamento so selecionados em geral de forma randmica ou pseudo-randmica. O
erro entre a sada esperada e a sada do sistema neurofuzzy minimizada por meio de
modificaes nos parmetros do sistema neurofuzzy. Um loop percorre o nmero de
padres e cada loop denominado poca. calculado o erro para os padres de
aprendizado a cada poca e a parada do algoritmo de aprendizagem neurofuzzy
geralmente feito quando o erro minimizado ou quando se passarem um determinado
nmero de pocas. O ajuste dos parmetros mostrado no desenvolvimento abaixo de
acordo com uma taxa de aprendizado.
Desenvolvimento Matemtico Neurofuzzy
17
Suponha um mapeamento no-linear no conhecido a ser realizado por um sistema fuzzy

que pode ser representado por
Onde y representa a sada e x as entradas do mapeamento.

Para k = 1,..., K i.e. temos o seguinte conjunto de treinamento
Para modelar o mapeamento desconhecido f, empregamos regras fuzzy IF-THEN

simplificadas do seguinte tipo
i = 1,,m, onde Aij so funes triangulares e zi so nmeros reais.

B
Neste contexto, regras simplificadas significa que as sadas individuais de cada

regra so nmeros crisp, portanto podemos utilizar a mdia ponderada para obter a sada
do sistema.
Seja Ok a sada do sistema fuzzy correspondente a entrada xk.
P
Suponha a sada da regra i, dado por i, defino pelo operador produto de Larsen
B
A sada do sistema dada pelo calculo discreto do centride
e sendo a medida do erro para o padro de treinamento k como
18
Onde ok a saida computada pelo sistema fuzzy correspondente ao padro de

P
entrada xk e a sada desejada yk , k = 1,...., K.

P
O mtodo steepest descent utilizado para aprender os parmetros do sistema

como por exemplo
Onde a taxa de aprendizado.
No presente trabalho as funes de pertinncia Ai so do tipo gaussianas dadas

B
pela frmula
Ai ( x) = e b ( x a1 )
Para o aprendizado dos parmetros a e b das funes gaussianas de ndice 1

seria utilizada uma equao do tipo
19
2.3 Lgica Fuzzy aplicada ao Rob Mvel
O Rob Mvel
O rob simulado neste trabalho possui uma capacidade de giro e variao de

velocidade e sensores distribudos em ao seu redor de forma a obter informaes sobre as
distncias de obstculos em algumas direes em relao ao corpo do rob. A figura
abaixo exemplifica um prottipo deste tipo de rob.
Figura 3 Imagem de Prottipo de Rob Mvel
As variveis fundamentais para o sistema de controle
As variveis utilizadas para o controle do rob mvel no caso de entrada ou antecedentes

so o ngulo do sensor (ngulo de entrada) que indica o obstculo mais prximo e a
distncia do mesmo(distncia de entrada). As variveis de sada ou conseqentes seriam a
velocidade angular de sada e sua respectiva velocidade linear de saida.
A varivel fuzzy antecedente ngulo de entrada representa a direo do obstculo
mais prximo e definido pelas funes de pertinncia LN(Large Negative),
MN(Medium Negative), ZN(Zero Negative), ZP(Zero Positive), MP(Medium Positive) e
20
LP(Large Positive). As funes de pertinncia so definidas na faixa de ngulos de

entrada de -90 a 90 graus.
A varivel fuzzy antecedente distncia de entrada representa o quando o obstculo
est afastado do rob mvel e definido pelas funes de pertinncia N(Near),
M(Medium) e F(Far). As funes de pertinncia so definidas na faixa de 0 a 100 por
cento do alcance do sensor.
A varivel fuzzy conseqente velocidade linear de sada representa o comando de
velocidade linear para o sistema de controle de velocidade do rob mvel. Poder ser
definido pelas funes de pertinncia N(Near), M(Medium) e F(Far). A varivel
conseqente tambm pode ser definida por valores crisp dentro da faixa de 0 a 100 por
cento da velocidade linear mxima do rob movel para o sistema crisp fuzzy.
A varivel fuzzy conseqente velocidade angular de sada representa o comando
de velocidade angular para o sistema de controle de velocidade do rob mvel. Pode ser
definido pelas funes de pertinncia LN(Large Negative), MN(Medium Negative),
ZN(Zero Negative), ZP(Zero Positive), MP(Medium Positive) e LP(Large Positive). A
varivel conseqente tambm pode ser definida por valores crisp dentro da faixa de -100
a 100 por cento da velocidade angular mxima do rob movel para o sistema crisp fuzzy.
A figura abaixo ilustra a configurao espacial das variveis do sistema de controle.
21
ZN
ZP
MN
MP
LN
LP
Figura 4 - Representao das Entradas do Sistema de Controle
A figura abaixo ilustra a reao do rob mvel ao encontrar um obstculo a em

seu trajeto indicando um obstculo na direo MN(Medium Negative) e a uma distncia
M(Medium).
MN
Figura 5 - Representao do Obstculo e Reao do Rob
Regras Fuzzy
22
Por meio do conhecimento humano podem ser formuladas regras para incorporar
inteligncia ao sistema de robtica mvel que utiliza controle fuzzy. As regras foram
formuladas conforme descrito abaixo para o sistema de controle do tipo desvio de
obstculos.
IF distancia N AND ngulo ZP THEN vel_saida IS M AND vel angular de sada IS MN

IF distancia M AND ngulo ZP THEN vel_saida IS N AND vel angular de sada IS MN
IF distancia N AND ngulo MP THEN vel_saida IS M AND vel angular de sada IS ZN
IF distancia M AND ngulo MP THEN vel_saida IS N AND vel angular de sada IS MN
IF distancia N AND ngulo ZN THEN vel_saida IS M AND vel angular de sada IS MP
IF distancia M AND ngulo ZN THEN vel_saida IS N AND vel angular de sada IS MP
IF distancia N AND ngulo MN THEN vel_saida IS M AND vel angular de sada IS ZP
IF distancia M AND ngulo MN THEN vel_saida IS N AND vel angular de sada IS MP
IF distancia N AND ngulo LP THEN vel_saida IS M AND vel angular de sada IS ZN
IF distancia N AND ngulo LN THEN vel_saida IS M AND vel angular de sada IS ZP
Por exemplo a primeira regra diz que se a distncia do obstculo fornecida pelo sensor
for muito prximo (Near) e o sensor for o de ngulo positivo zero ou seja de pequeno
ngulo em relao a frente do rob ento a velocidade do veiculo deve ser mdia com
uma velocidade angular de sada mdia negativa ou seja na outra direo.
2.4 O Simulador de Robtica Mvel
Programa Computacional
O programa foi desenvolvido em C\C++ utilizando a biblioteca 3D OpenGL. O

ambiente no qual o rob mvel deve interagir pode ser desenhado em um programa de
modelagem 3D o qual importado para dentro do simulador. Este recurso torna este
simulador flexvel o suficiente para um cenrio especfico. A partir de um modelo CAD
23
um laboratrio de teste de prottipos possvel uma pr-configurao e mesmo a

otimizao antes do teste e prevenindo uma srie de possveis acidentes no laboratrio de
teste de prottipos.
O simulador considera um rob mvel cujo tempo de resposta do sistema de
controle de velocidade angular e linear prximo de zero.
O simulador permite testar as modificaes implementadas no sistema de
controle. Demonstra a forma como o rob virtual desvia de forma suave dos obstculos.
As linhas vermelhas so representaes virtuais dos sensores do rob.
O sistema de controle fuzzy utilizado multivarivel tanto na entrada como na
sada. As informaes de entrada so: o ngulo do sensor mais critico ou de menor
distncia at o obstculo e a distncia em questo. As sadas do controlador so a
velocidade linear e angular do rob.
A funo controle de movimento a chave do funcionamento do programa
computacional do controle e simulao de robtica mvel. Por meio desta lgica o
conhecimento representado pelas regras fuzzy permitem o rob mvel tomar decises a
respeito do comportamento a ser adotado em funo das condies e obstculos
apresentados.
Pseudo-Cdigo da funo controle de movimento (responsvel pelo controle de

movimentao do rob no deslocamento e desvio de obstculos)
Funo Controle de Movimento

Entradas:
Qual o sensor mais crtico
ngulo e distncia at o target
SE (A distncia do Obstculo mostrada pelo sensor < Distncia crtica)
CALCULA Lgica Fuzzy
MOVIMENTA o Rob de acordo com a velocidade linear e velocidade angular
calculadas pelo sistema Fuzzy
SENO
24
MOVIMENTA o Rob em direo ao target

SE(A distncia at o target < minimo)
PARAR o rob
FINALIZA a simulao
A funo de coliso permite que uma geometria tridimensional possa ser

considerada no clculo da distancia do obstculo mais prximo do rob mvel. A
geometria 3D para efeito de clculo representada por faces triangulares das quais
representam planos com uma delimitao de rea para o clculo da coliso com um
segmento de reta 3D. A funo sensores carrega os segmentos de reta que representam os
sensores de distncia do rob.
O algoritmo utilizado para o clculo da coliso se baseia na forma como a
geometria representada no espao tridimensional. Por meio de clculos geomtricos, o
programa visa simular os sensores de distncia do rob, poderia ser por exemplo um
sensor de ultra-som. A geometria representada por meio de faces triangulares e o
clculo utilizado verifica a interseo de uma segmento de reta 3D nesta face. No caso de
haver uma coliso a distncia calculada. Os parmetros de entrada do controlador so: o
ngulo do sensor e a distncia at o ponto de coliso do eixo que representa o sensor. O
procedimento ento pode ser descrito como para cada sensor varrido em todas as faces
para verificar uma possvel coliso. O menor ou algum outro critrio de valor encontrado
na varredura retornado assim como a identificao do respectivo sensor responsvel por
este sinal mais crtico. A partir desta informao podemos achar o ngulo do sensor e
ento alimentar o sistema de controle fuzzy.
Vantagens do Simulador
Simulao e Visualizao em 3D com Opengl
Cenrio modelvel em um programa CAD/3D
Permite testar diversas configuraes antes de testar o rob real
25
Simula rudo de sensores
Utiliza Lgica Fuzzy (Capacidade de lidar com dados ruidosos)
Utiliza Lgica NeuroFuzzy (Capacidade de sintonizar o sistema fuzzy a partir de

dados de treinamento)
26
Captulo 3 RESULTADOS
O simulador desenvolvido no presente trabalho possui vrios arquivos de

configurao que permitem modificar uma serie de parmetros tanto nas caractersticas
do controle fuzzy/neurofuzzy como nos parmetros do controlador. A visualizao
mostra em forma de uma animao grfica 3d o comportamento do rob na simulao.
Os principais parmetros de cada simulao so mostradas para ilustrar as diferentes
configuraes. As simulaes visam demonstrar as caractersticas de uma srie de fatores
que afetam o comportamento do rob no desvio de obstculos. Fatores de modificaes
nas variveis de entrada e de sada e valores de rudo dos sensores, dentre outros fatores.
A primeira parte das simulaes demonstra a reao do rob ao rudo dos sensores. A
segunda parte o efeito de modificaes nas variveis antecedentes e conseqentes e a
parte final a funcionalidade do sistema neurofuzzy.
Configurao Bsica do Controle Fuzzy para o Desvio de Obstculos
As variveis e regras a seguir mostram a configurao bsica do sistema fuzzy

para desvio de obstculos. As demais simulaes so em grande parte pequenas
modificaes nesta configurao inicial.
Variveis Fuzzy Antecedentes

Varivel Distncia de Entrada
27
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
Figura 6 - Varivel Antecedente Distncia de Entrada
Varivel ngulo de Entrada
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
MN - Medium Negative
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
MP - Medium Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10
10
30
50
70
90
ngulo
Figura 7 Varivel Antecedente ngulo de Entrada
Variveis Fuzzy Conseqentes

Varivel Velocidade de Sada
28
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
Figura 8 Varivel Conseqente Velocidade de Sada
Varivel Velocidade Angular de Sada

Velocidade Angular de Sada
1
Pertinncia
0,8
LN - Large Negative
ZN - Zero Negative
ZP - Zero Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
Figura 9 Varivel Conseqente Velocidade Angular de Sada
Regras Fuzzy
So dez regras que regem o comportamento do rob para o desvio de obstculos.

Regra 1: N AND ZP THEN N AND MN
Regra 2: M AND ZP THEN M AND MN
Regra 3: N AND MP THEN N AND ZN
Regra 4: M AND MP THEN M AND MN
Regra 5: N AND ZN THEN N AND MP
Regra 6: M AND ZN THEN M AND MP
Regra 7: N AND MN THEN N AND ZP
Regra 8: M AND MN THEN M AND MP
29
Regra 9: N AND LP THEN M AND ZN

Regra 10: N AND LN THEN M AND ZP
Os dados de configurao da simulao so diversos parmetros que so descritos
abaixo:
Arquivo de interface fuzzy: arquivo onde esto alocadas as principais informaes para
a construo da interface fuzzy. Dentre as informaes destacam-se as regras fuzzy,
arquivos de variveis fuzzy com suas respectivas funes de pertinncia tanto para os
antecedentes quanto para os conseqentes.
Arquivo dos sensores: arquivo no qual esto alocadas as informaes das geometrias
dos sensores (segmentos de reta 3D).
Seleo dos sensores: mtodo pelo qual um sensor considerado mais crtico do que
outro. Este mtodo determina qual o sensor crtico que vai fornecer o ngulo de entrada e
a distncia de entrada pra o sistema fuzzy de desvio de obstculos. Nas simulaes
utilizam-se o sensor que apresenta a menor distncia at o obstculo.
Escala dos sensores: fator de escala aplicado aos sensores que permite testar sensores
com um alcance maior ou menor sem ter que alterar o arquivo da geometria dos sensores.
Percentual da distncia para inferncia fuzzy: percentual do alcance dos sensores a
partir do qual o sistema considera que a distncia at o obstculo necessita ser tratada
pelo sistema fuzzy para o desvio de obstculos.
Velocidade linear: velocidade mxima linear do rob simulado em unidades de desenho
por iterao. A iterao est relacionada ao tempo, pois seria o tempo de um ciclo do
programa do rob, se este ciclo demorar um segundo, logo esta sua unidade de tempo.
As unidades de desenho como em todo programa CAD pode ser a que o usurio
considerar como metros ou milmetros.
Velocidade angular mxima: velocidade angular mxima do rob simulado em graus
por iterao.
Arquivo da geometria do rob mvel: arquivo com os dados da geometria 3D no
formato 3ds que representam graficamente o rob mvel.
Arquivo da geometria do cenrio: arquivo com os dados da geometria 3D no formato
3ds que representam graficamente o cenrio.
Arquivo de trajetria: arquivo onde est armazenada a trajetria da posio inicial at a
posio de destino ou fim da simulao.
30
Posio inicial: posio de partida do rob mvel na simulao. O eixo de origem

considerado na simulao a posio central da tela de simulao e os valores esto em
unidades de desenho.
Target: posio que marca o destino onde o rob mvel deve chegar.
Percentual de rudo: percentual do alcance dos sensores que pode variar pseudorandomicamente da medida de distncia calculada. Este pode simular caractersticas de
sensores de diferentes tipos como: sensores de maior rudo como sonar e sensores com
rudo prximo de zero como o sensor laser.
Simulaes
A simulao 16 est descrita com mais detalhe no Apndice B para ilustrar passo
a passo o funcionamento do programa durante as simulaes de Robtica Mvel.
Simulao Rudo dos sensores de distncia do rob mvel
Este primeiro conjunto de simulaes de 1 at 4 visam verificar o efeito do rudo

nos sensores na eficincia do controlador no desvio de obstculos. Sero simulados
rudos em cada um dos sensores tendo como amplitude um percentual do valor medido.
Os valores medidos sero somados ao rudo pseudo-randmico e segue para a etapa de
seleo do sensor mais critico neste caso o de menor valor, ou seja, com o obstculo mais
prximo.
Dados da Simulao 01:
Arquivo de interface fuzzy = interface_rob001.dat
Arquivo dos sensores = sens3.txt
Seleo de sensores = menor valor
Escala dos sensores = 0.7
Percentual da distncia para inferncia fuzzy(%) = 95%
Velocidade linear = 0.25
Velocidade angular = 1.8
Arquivo geometria rob mvel = robot2.3ds
Arquivo geometria cenrio = scene01.3ds
Arquivo de trajetria = trajeto01.txt
Posio inicial X = 5.0 e Y = -55.0
Target_X = 10.0 e Y = 110.0
Percentual de rudo nos sensores = 0.0
31
Figura 10 Simulao 01

Target_X = 10.0 e Y = 110.0
32

Target_X = 10.0 e Y = 110.0

Target_X = 10.0 e Y = 110.0
33
Distncia
Distncia percorrida
167,95
167,9
167,85
167,8
167,75
167,7
167,65
167,6
167,55
167,5
167,45
1
Simulao n
Figura 14 Distncia percorrida nas simulaes de 1-4
As simulaes de 1 a 4 no apresentam diferenas significativas na distncia

percorrida.
34
Velocidade Mdia
0,23
Velocidade Mdia
0,2295
0,229
0,2285
0,228
0,2275
0,227
1
Simulao n
Figura 15 Velocidade Mdia nas simulaes de 1-4
As simulaes de 1 a 4 no apresentam diferenas significativas nas velocidades

mdias.
Vel Angular Media
Velocidade Angular Mdia

0,13
0,128
0,126
0,124
0,122
0,12
0,118
0,116
0,114
0,112
1
Simulao n
Figura 16 Velocidade Angular Mdia nas simulaes de 1-4
Nas velocidades angulares a simulao 4 apresenta um maior valor.
35
Iteraes
Iteraes
739
738
737
736
735
734
733
732
731
730
729
1
Simulao n
Figura 17 Iteraes nas simulaes de 1-4
Quanto ao nmero de iteraes a simulao 4 apresenta o maior valor.
36
Figura 18 Trajetrias das simulaes de 1-4
Na trajetria da simulao 01 nota-se um pequeno desvio antes de o rob mvel

se direcionar ao target, pois como o rudo est em 0% o robot aciona a regra 9 que produz
um pequeno desvio praticamente seguindo em linha reta at a sada do sensor do
obstculo e ento convergindo para o target. As simulaes 2, 3 e 4 seguem praticamente
a mesma trajetria convergindo para o target.
As simulaes de 5 at 9 testam a sensibilidade ao rudo em um cenrio de maior

dificuldade no desvio dos obstculos.
37

Target_X = 10.0 e Y = 115.0
Figura 19 - Simulao 05

Target_X = 10.0 e Y = 115.0
38

Target_X = 10.0 e Y = 115.0
39

Target_X = 10.0 e Y = 115.0

Target_X = 10.0 e Y = 115.0
40
Distncia
Distncia percorrida
224
222
220
218
216
214
212
210
208
206
5
Simulao n
Menor distancia na simulao 9 devido a simulao no convergir para o target

ento a simulao foi terminada assim que desviou de todos os obstculos e as
simulaes 5 at a 8 mostra uma pequena variao distancia com o aumento do rudo.
41
Velocidade Mdia
0,215
Velocidade Mdia
0,21
0,205
0,2
0,195
0,19
0,185
0,18
0,175
5
Simulao n
Na simulao 9 devido ao alto rudo faz com que em boa parte do tempo as
velocidade seja mais baixa como se houvesse um obstculo mais prximo ainda que o
real.
Vel Angular Media
0,5
0,4
0,3
0,2
0,1
0
5
Simulao n
Figura 26 Velocidade Angular Mdia nas simulaes de 5-9
A maior velocidade angular da simulao 9 se deve ao alto valor de rudo.
42
Iteraes
1180
1160
Iteraes
1140
1120
1100
1080
1060
1040
5
Simulao n
Figura 27 - Iteraes nas simulaes de 5-9
O maior valor nas iteraes da simulao 9 devido ao rob no convergir para o

target as demais no apresentam grande variao.
43
As simulaes 5, 6, 7 e 8 seguem praticamente a mesma trajetria convergindo

para o target. Na simulao 9 o rob no colide no trecho inicial porm no converge
para o target pois pelo rudo alto considera que sempre tem um obstculo por perto.
As prximas simulaes baseiam-se em regulagens do sistema fuzzy. O efeito de
modificaes nas funes de pertinncia das variveis fuzzy tanto dos antecedentes
quanto dos conseqentes vo ser analisadas em separado, assim como uma pequena
modificao nas regras fuzzy de desvio de obstculos. Depois de determinado seus
efeitos individuais pode-se fazer uma regulagem mais otimizada da interface fuzzy para
uma melhor performance em um determinado cenrio.
As simulaes de 10-14 visam mostrar o efeito de diversas configuraes na varivel
antecedente distncia de entrada e a diferena entre as interfaces fuzzy est na
configurao da varivel fuzzy distncia de entrada. Seguem abaixo as configuraes e
comentrios.
44

Posio inicial X = -10.0 e Y = -130.0
Target_X = 35.0 e Y = 140.0
Distncia de entrada
1
Pertinncia
0,8
0,6
N - Near
0,4
F - Far
M - Medium
0,2
0
0
20
40
60
80
100
Distncia

45

Target_X = 35.0 e Y = 140.0
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
Figura 32 Varivel Antecedente Distncia de Entrada
46
Com esta varivel antecedente tanto o maior valor da funo de pertinncia M

quanto da N aumentaram no eixo das distncias.

Target_X = 35.0 e Y = 140.0
47
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
Com esta varivel antecedente o maior valor da funo de pertinncia M diminuiu

no eixo das distncias.
Target_X = 35.0 e Y = 140.0
48
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
Com esta varivel antecedente tanto o maior valor da funo de pertinncia M

quanto da N aumentaram no eixo das distncias. Porm a N indica um maior aumento.

49

Target_X = 35.0 e Y = 140.0
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
50
Com esta varivel antecedente houve uma modificao no formato da funo de

pertinncia M passando para o formato trapezoidal, logo a funo tem seu valor de
pertinncia mximo em um faixa de valores.
Distncia percorrida
356
Distncia
354
352
350
348
346
344
342
10
11
12
13
14
Simulao n
Nas simulaes 11 e 13 apresentam os menores valores de distncia percorrida.
Velocidade Mdia
0,197
Velocidade Mdia
0,1965
0,196
0,1955
0,195
0,1945
0,194
0,1935
0,193
10
11
12
13
14
Simulao n
51
A simulao 11 apresenta o menor valor de velocidade mdia e a simulao 14

apresenta um dos maiores valores de velocidade mdia.
Vel Angular Media
0,24
0,235
0,23
0,225
0,22
0,215
10
11
12
13
14
Simulao n
Figura 41 Velocidade ngular Mdia nas simulaes de 10-14
As simulaes 11 e 13 apresentam os maiores valores de velocidade angular

mdia.
Iteraes
1810
Iteraes
1800
1790
1780
1770
1760
1750
10
11
12
13
14
Simulao n
Figura 42 Iteraes nas simulaes de 10-14
A simulao 13 apresenta o menor nmero de iteraes.
52
Trajetria Simulaes 10-14

200
150
100
Posio Y
traj10
traj11
traj12
50
traj13
traj14
target
0
-60
-40
-20
20
40
-50
-100
-150
Posio X
A simulao 14 apresenta uma maior velocidade mdia. As trajetrias 11, 12 e 13

apresentam trajetos semelhantes e a simulao 10 um trajeto um pouco diferente e as
curvas acontecem um pouco antes das demais simulaes. A simulao 13 se destaca por
apresentar tanto uma distancia percorrida quanto um nmero de iteraes menor.
As simulaes de 15 e 16 visam mostrar o efeito de diversas configuraes na varivel

antecedente ngulo de entrada. A referncia a simulao 13 modificando apenas a
varivel ngulo de entrada. Seguem abaixo as configuraes e comentrios.
53
A simulao 13 tem a seguinte configurao na varivel ngulo de entrada

Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10
10
30
50
70
90
ngulo

Target_X = 35.0 e Y = 140.0
54
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10 10
30
50
70
90
ngulo
A varivel antecedente ngulo de entrada neste caso foi modificada de modo que
as funes de pertinncia sejam mais prximas do ngulo 0. Deste modo uma pequena
mudana de ngulo pode acionar outra regra, por exemplo da funo ZP para ZN ou para
MP com apenas aproximadamente 20.
55

Target_X = 35.0 e Y = 140.0
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
0,6
ZN - Zero Negative
ZP - Zero Positive
0,4
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10 10
30
50
70
90
ngulo
A varivel antecedente ngulo de entrada neste caso foi modificada de modo que
as funes de pertinncia sejam mais afastadas do ngulo 0. Deste modo maiores
ngulos so necessrios para atingir o maior valor de pertinncia das funes como ZP e
MP.
56
Distncia
Distncia percorrida
344,8
344,6
344,4
344,2
344
343,8
343,6
343,4
343,2
343
13
14
15
16
Simulao n
Figura 49 Distncia percorrida nas simulaes 13,15 e 16
A simulao 16 apresenta um valor um pouco maior de distncia.

Velocidade Mdia
0,1958
Velocidade Mdia
0,1956
0,1954
0,1952
0,195
0,1948
0,1946
0,1944
0,1942
13
14
15
16
Simulao n
Figura 50 Velocidade Mdia nas simulaes 13,15 e 16
No apresenta mudana significativa nos valores de velocidade mdia.
57
Vel Angular Media
0,236
0,235
0,234
0,233
0,232
0,231
0,23
0,229
13
14
15
16
Simulao n
Figura 51 Velocidade ngular Mdia nas simulaes 13,15 e 16
No apresenta mudana significativa nos valores de velocidade angular mdia.
Iteraes
Iteraes
1774
1772
1770
1768
1766
1764
1762
1760
1758
1756
13
14
15
16
Simulao n
Figura 52 Iteraes nas simulaes 13,15 e 16
A simulao 16 apresenta um valor um pouco maior nas iteraes.
58
Trajetria Simulaes 13,15 e 16

200
150
100
Posio Y
traj13
traj15
50
traj16
target
0
-40
-20
20
40
-50
-100
-150
Posio X
Figura 53 Trajetrias das simulaes 13,15 e 16
Os grficos acima mostram que no houve modificao significativa no

comportamento nas simulaes. Apenas que a simulao 16 apresenta uma trajetria um
pouco mais externa.
As simulaes 17 e 18 visam verificar o efeito de modificaes na varivel
velocidade de sada, aproximando e afastando da velocidade mxima de navegao do
rob mvel.
59
A referncia a simulao 10 cuja varivel velocidade de sada mostrada

abaixo.
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade

Target_X = 35.0 e Y = 140.0
60
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
Com esta varivel antecedente o maior valor da funo de pertinncia M aumenta

um pouco no eixo da velocidade e a funo N avana neste eixo.

61

Target_X = 35.0 e Y = 140.0
Velocidade de Sada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Velocidade
Com esta varivel antecedente o maior valor da funo de pertinncia M diminuiu

no eixo da velocidade.
62
A simulao 17 apresenta um valor um pouco maior de distncia.
A simulao 17 apresenta uma velocidade mdia um pouco maior.
63
A simulao 17 apresenta uma velocidade angular mdia um pouco maior.
A simulao 17 apresenta um valor menor nas iteraes.
64

200
150
100
Posio Y
traj10
traj17
50
traj18
target
0
-60
-40
-20
20
40
-50
-100
-150
Posio X
A simulao 17 apresenta uma velocidade mdia e angular maior, contudo,

apresenta uma distncia percorrida um pouco maior em relao s demais. As trajetrias
das simulaes 10 e 18 no apresentam grande diferena, apenas que a trajetria da
simulao 18 um pouco mais externa devido a uma velocidade mdia ligeiramente
maior que a simulao 10.
As simulaes 19 e 20 visam verificar o efeito de modificaes na varivel

velocidade angular de sada, aproximando e afastando da velocidade mxima de
navegao do rob mvel.
65
A referncia a simulao 10 cuja varivel velocidade angular de sada

mostrada abaixo.
1
Pertinncia
0,8
LN - Large Negative
ZN - Zero Negative
ZP - Zero Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo

Target_X = 35.0 e Y = 140.0
66

1
Pertinncia
0,8
LN - Large Negative
ZN - Zero Negative
ZP - Zero Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
A varivel conseqente velocidade angular de sada neste caso foi modificada de

modo que as funes de pertinncia sejam mais prximas de zero.

67

Target_X = 35.0 e Y = 140.0

1
Pertinncia
0,8
LN - Large Negative
ZN - Zero Negative
ZP - Zero Positive
LP - Large Positive
0,6
0,4
0,2
0
-100 -80 -60
-40
-20
20
40
60
80
100
ngulo
A varivel conseqente velocidade angular de sada neste caso foi modificada de

modo que as funes de pertinncia sejam mais afastadas de zero.
68
A simulao 10 apresenta um valor um pouco maior de distncia e simulao 20

um valor menor.
A simulao 19 apresenta uma velocidade mdia um pouco menor e a simulao 20 um

valor um pouco maior.
69
A simulao 19 apresenta uma velocidade angular mdia um pouco menor e a simulao

20 uma velocidade angular mdia maior.
A simulao 19 apresenta um valor maior nas iteraes e a simulao 20 um valor menor.
70

200
150
100
Posio Y
traj10
traj19
50
traj20
target
0
-60
-40
-20
20
40
-50
-100
-150
Posio X
Tendo como base a trajetria 10 possvel perceber que a trajetria 19 segue mais
externa e a simulao 20 mais interna.
Neurofuzzy
71
As prximas simulaes tratam da funcionalidade neurofuzzy do simulador de

robtica mvel. As simulaes 21 e 22 apenas geram os dados para o treinamento
neurofuzzy.

Arquivo de interface fuzzy = interface_robneuro01.dat
Arquivo gerado para treino = treinoneuro01.txt
Nmero de padres gerados = 200
Target_X = 35.0 e Y = 140.0
Regras e valores de sada crisp
Esta simulao utiliza as mesmas variveis antecedentes da simulao 1 com a
diferena de os conseqentes serem valores crisp.
Distncia de entrada
1
Pertinncia
0,8
N - Near
0,6
M - Medium
0,4
F - Far
0,2
0
0
20
40
60
80
100
Distncia
72
Angulo de Entrada
1
LN - Large Negative
Pertinncia
0,8
0,6
ZN - Zero Negative
0,4
ZP - Zero Positive
0,2
LP - Large Positive
0
-90 -70 -50 -30 -10
10
30
50
70
90
ngulo
Regra 1: N AND ZP THEN 30 AND -90

Regra 2: M AND ZP THEN 90 AND -90
Regra 3: N AND MP THEN 30 AND -30
Regra 4: M AND MP THEN 90 AND -90
Regra 5: N AND ZN THEN 30 AND 90
Regra 6: M AND ZN THEN 90 AND 90
Regra 7: N AND MN THEN 30 AND 30
Regra 8: M AND MN THEN 90 AND 90
Regra 9: N AND LP THEN 90 AND -30
Regra 10: N AND LN THEN 90 AND 30
73

Arquivo de interface fuzzy = interface_robneuro02.dat
Arquivo gerado para treino = treinoneuro02.txt
Nmero de padres gerados = 200
Target_X = 35.0 e Y = 140.0
Esta simulao utiliza variveis antecedentes com funes de pertinncia do tipo
gaussianas e nos conseqentes valores crisp.
74

Distncia de Entrada
1
Pertinncia
N - Near
M - Medium
F - Far
0,5
0
0
20
40
60
80
100
Distncia
75
ngulo de Entrada
1
LN - Large Negative
Pertinncia
ZN - Zero Negative
ZP - Zero Positive
0,5
LP - Large Positive
0
-90
-70
-50
-30
-10
10
30
50
70
90
ngulo

Esta simulao visa o aprendizado apenas dos valores crisp dos conseqentes que
so os valores zi.
Arquivo de interface fuzzy = interface_robneurotr01.dat
Taxa de aprendizado Lz = 0.05
Taxa de aprendizado La = 0 (no corrige os parmetros a)
Taxa de aprendizado Lb = 0 (no corrige os parmetros b)
Arquivo para treino = treinoneuro01.txt
Numero de Epocas = 500
Target_X = 35.0 e Y = 140.0
76

gaussianas e nos conseqentes valores crisp sem lgica para aprender as sadas crisp que
fazem o desvio de obstculos de acordo com o conjunto de dados provenientes da
simulao 21. Antes do treinamento o rob mvel ficava preso ao passar perto de um dos
obstculos a esquerda devido a regra 8 que manda uma velocidade zero para o rob.
Regra 1: N AND ZP THEN 13 AND 1
Regra 2: M AND ZP THEN 11 AND 1
Regra 3: N AND MP THEN 110 AND 10
Regra 4: M AND MP THEN 15 AND 10
Regra 9: N AND LP THEN 110 AND 1

Esta simulao visa o aprendizado apenas dos valores crisp dos conseqentes que
so os valores zi.
77

Taxa de aprendizado La = 0 (no corrige os parmetros a)
Target_X = 35.0 e Y = 140.0
gaussianas e nos conseqentes valores crisp sem lgica para aprender as sadas crisp que
fazem o desvio de obstculos de acordo com o conjunto de dados provenientes da
simulao 22. Antes do treinamento o rob mvel ficava preso ao passar perto de um dos
obstculos a esquerda devido a regra 8 que manda uma velocidade zero para o rob.
Regra 1: N AND ZP THEN 13 AND 1

Regra 2: M AND ZP THEN 11 AND 1
Regra 3: N AND MP THEN 110 AND 10
Regra 4: M AND MP THEN 15 AND 10
Regra 9: N AND LP THEN 110 AND 1
78
Distncia percorrida
172
Distncia
171
170
169
168
167
166
21
22
23
24
Simulao n
Figura 82 Distncia percorrida nas simulaes 21, 22, 23 e 24
79
Apesar da pequena diferena a simulao 21 apresenta uma menor distncia

percorrida.
Velocidade Mdia
0,3
Velocidade Mdia
0,25
0,2
0,15
0,1
0,05
0
21
22
23
24
Simulao n
Figura 83 Velocidade Mdia nas simulaes 21, 22, 23 e 24
A simulao 23 apresenta a menor velocidade mdia.

Vel Angular Media
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
21
22
23
24
Simulao n
Figura 84 Velocidade Angular Mdia nas simulaes 21, 22, 23 e 24
As simulaes 21 e 23 apresentam as menores velocidades angulares mdias.
80
Iteraes
Iteraes
1800
1600
1400
1200
1000
800
600
400
200
0
21
22
23
24
Simulao n
Figura 85 Iteraes nas simulaes 21, 22, 23 e 24
As simulaes 22 e 24 apresentam praticamente o mesmo nmero de iteraes e a

simulao 23 um maior nmero de iteraes em relao a 21 que tem o menor nmero de
iteraes. Recapitulando a simulao 24 aprendeu com os dados da simulao 22 e a
simulao 23 com os dados da 21.
81
Trajetria Simulaes 21, 22, 23 e 24

120
100
80
60
Posio Y
traj21
40
traj22
traj23
20
traj24
0
0
10
15
20
-20
-40
-60
-80
Posio X
Figura 86 Trajetrias das simulaes 21, 22, 23 e 24
A simulao 21 apresenta a trajetria mais curta e a 23 tem a trajetria mais longa.

As trajetrias 22 e 24 so praticamente idnticas.
82
Treinamento Neurofuzzy
70
60
Erro
50
erro23 cons 1
40
erro23 cons 2
30
erro24 cons 1
erro24 cons 2
20
10
0
0
100
200
300
400
500
Epochs
Figura 87 Treinamento neurofuzzy
A simulao 23 apresenta um erro em torno de 20 e a simulao 24 um valor

prximo de zero.
A simulao 25 apenas mostra o comportamento antes do treinamento com os

dados da simulao 22.
Target_X = 35.0 e Y = 140.0
83

gaussianas e nos conseqentes valores crisp com uma configurao previa de acordo com
um conhecimento sofre uma sintonia nas sadas crisp e nas variveis antecedentes no
parmetro a para que ajustem o desvio de obstculos de acordo com o conjunto de
dados provenientes da simulao 22.
84
Distncia de Entrada
1
Pertinncia
N - Near
M - Medium
F - Far
0,5
0
0
20
40
60
80
100
Distncia
A varivel antecedente distncia de entrada difere da mesma varivel da simulao 22 no

parmetro a das funes de pertinncia gaussianas.
ngulo de Entrada
1
LN - Large Negative
Pertinncia
ZN - Zero Negative
ZP - Zero Positive
0,5
LP - Large Positive
0
-90
-70
-50
-30
-10
10
30
50
70
90
ngulo
A varivel antecedente ngulo de entrada difere da mesma varivel da simulao 22 no

parmetro a das funes de pertinncia gaussianas.
A simulao 26 mostra o comportamento da configurao 25 aps o treinamento
com os dados da simulao 22 sendo que os parmetros z e a sero modificados
durante o treinamento.
85

Taxa de aprendizado La = 0.0005
Target_X = 35.0 e Y = 140.0
A simulao 27 apenas mostra o comportamento antes do treinamento com os

dados da simulao 22.
86

Target_X = 35.0 e Y = 140.0
gaussianas e nos conseqentes valores crisp com uma configurao previa de acordo com
um conhecimento sofre uma sintonia nas sadas crisp e nas variveis antecedentes tanto
no parmetro a como no b para que ajustem o desvio de obstculos de acordo com o
conjunto de dados provenientes da simulao 22.
87
Distncia de Entrada
1
Pertinncia
N - Near
M - Medium
F - Far
0,5
0
0
20
40
60
80
100
Distncia
A varivel antecedente distncia de entrada difere da mesma varivel da simulao 22

nos parmetros a e b das funes de pertinncia gaussianas.
ngulo de Entrada
1
LN - Large Negative
Pertinncia
ZN - Zero Negative
ZP - Zero Positive
0,5
LP - Large Positive
0
-90
-70
-50
-30
-10
10
30
50
70
90
ngulo
A varivel antecedente ngulo de entrada difere da mesma varivel da simulao 22 nos

parmetros a e b das funes de pertinncia gaussianas.
A simulao 28 mostra o comportamento da configurao 27 aps o treinamento
com os dados da simulao 22 sendo que os parmetros z, a e b sero modificados
durante o treinamento.
88

Taxa de aprendizado La = 0.0005
Taxa de aprendizado Lb = 1e-10
Target_X = 35.0 e Y = 140.0
89
Distncia percorrida
171,4
Distncia
171,3
171,2
171,1
171
170,9
170,8
22
23
24
25
26
27
28
Simulao n
Figura 96 Distncia percorrida nas simulaes 22, 25, 26, 27 e 28
No apresenta mudana significativa nos valores de distncia percorrida.

Velocidade Mdia
0,19
Velocidade Mdia
0,185
0,18
0,175
0,17
0,165
0,16
22
23
24
25
26
27
28
Simulao n
Figura 97 Velocidade Mdia nas simulaes 22, 25, 26, 27 e 28
As simulaes 25 e 27 apresentam as menores velocidades mdias e a 22, 26 e 28

apresentam as maiores velocidades.
90
Vel Angular Media
0,35
0,345
0,34
0,335
0,33
0,325
0,32
0,315
0,31
22
23
24
25
26
27
28
Simulao n
Figura 98 Velocidade ngular Mdia nas simulaes 22, 25, 26, 27 e 28
As simulaes 25 e 27 apresentam as menores velocidades angulares mdias e a

22, 26 e 28 apresentam as maiores velocidades angulares.
Iteraes
1060
1040
Iteraes
1020
1000
980
960
940
920
900
22
23
24
25
26
27
28
Simulao n
Figura 99 Iteraes nas simulaes 22, 25, 26, 27 e 28
As simulaes 25 e 27 apresentam os maiores nmeros de iteraes e as

simulaes 22, 26 e 28 apresentam os menores nmeros de iteraes.
91
Trajetria Simulaes 22, 25, 26, 27 e 28

120
100
80
60
Posio Y
traj22
traj25
40
traj26
traj27
20
traj28
0
0
10
15
20
25
-20
-40
-60
-80
Posio X
Figura 100 Trajetrias das simulaes 22, 25, 26, 27 e 28
As simulaes 26 e 28 apresentam a trajetria muito semelhante a 22 que o

controlador que gerou o conjunto de dados de treinamento.
92
Treinamento Neurofuzzy
14
12
Erro
10
erro26 cons 1
erro26 cons 2
erro28 cons 1
erro28 cons 2
4
2
0
0
100
200
300
400
500
Epochs
Figura 101 Treinamento neurofuzzy
Os erros da simulaes convergem para valores prximos de 2 em 500 pocas.
93
Captulo 4 CONCLUSES
Por meio das simulaes nmero 01 at 09 pode-se concluir que o sistema fuzzy
tem uma grande capacidade de trabalhar com dados ruidosos e mesmo no caso de maior
rudo o rob mvel no colidiu com os obstculos.
A respeito da varivel antecedente distncia de entrada nas simulaes 10 at 14
possvel dizer que ela determina o ponto onde o sensor atua determinadas regras.
Avanando a funo M as regras associadas ao M podem atuar geralmente relacionadas a
uma velocidade de sada M(medium). O mesmo com a funo N cujas regras geralmente
associam uma velocidade menor de sada. A simulao 14 apresenta uma maior
velocidade media devido a sua funo de pertinncia M ser trapezoidal ou seja em uma
regio maior a distncia considerada mdia.
A respeito da varivel antecedente ngulo de entrada os grficos mostram que no
houve modificao significativa no comportamento nas simulaes. Tal fato se deve ao
fato que as regras tanto para ngulos mdios quanto para ngulos menores apresentam a
mesma ao para distncias mdias. Tais regras (2 e 4) so ilustradas abaixo em negrito
para ngulos positivo:
Regra 1: N AND ZP THEN N AND MN
Regra 2: M AND ZP THEN M AND MN
Regra 3: N AND MP THEN N AND ZN
Regra 4: M AND MP THEN M AND MN
A simulao 16 apresenta uma trajetria uma pouco mais externa indicando uma
menor reatividade aos obstculos.
94
A respeito da varivel conseqente velocidade de sada nota-se uma relao

grande com a velocidade mdia nas simulaes 17 e 18 onde a configurao da simulao
17 com a funo de pertinncia M avanada no eixo das velocidades resultou em uma
velocidade mdia maior em relao as simulaes 10 e 18.
A respeito da varivel conseqente velocidade angular de sada por meio das
simulaes se percebe que a configurao 19 tem uma menor reao aos obstculos e a
configurao 20 tem uma maior reao e apresenta os melhores resultados com
velocidade media e velocidade angular media alm de uma distncia percorrida menor.
Pode-se concluir que quanto mais prximas estiverem as funes de pertinncia da
varivel conseqente velocidade angular de sada do valor zero menor a reao do
simulador e quanto mais afastados mais reativo ser o rob mvel.
Neurofuzzy
As trajetrias 22 e 24 so praticamente idnticas mostrando a convergncia do erro no
treinamento na simulao 24.
Mesmo com o erro do treinamento da simulao 23 estar prximo de 20 o
controlador absorveu o conhecimento a respeito do desvio de obstculos mesmo com a
trajetria mais longa as reaes foram corretas para o desvio dos obstculos. Na
simulao 24 o erro converge para um valor prximo de zero logo nas primeiras pocas.
As simulaes 26 e 28 apresentam a trajetria muito semelhante a 22 que o
controlador que gerou o conjunto de dados de treinamento. Os erros da simulaes
convergem para valores prximos de 2 em 500 pocas. Sendo que este valor de erro j
apresenta uma melhoria no funcionamento dos controladores comprovado pelo resultado
das simulaes que mostra um nmero de interaes menor nas simulaes 26 e 28 para
chegar ao mesmo target em relao s simulaes 25 e 27 que no passaram pelo
treinamento.
95
Por meio das simulaes se demonstra a grande versatilidade do sistema

desenvolvido. As influncias das variveis e configuraes apresentadas mostraram as
reaes do rob mvel no desvio de obstculos. Tendo este conhecimento sobre o efeito
das variveis e configuraes possvel raciocinar em como melhorar os parmetros para
melhorar uma ou outra caracterstica de comportamento do rob mvel para uma dada
situao. O uso da simulao com visualizao 3D facilita o entendimento do
comportamento do rob mvel. A inteligncia artificial se mostra como uma das grandes
tecnologias para um sistema de controle para robtica mvel. O entendimento de como
regular o sistema fuzzy assim como fazer uso do sistema neurofuzzy so importantes para
explorar a potencialidade de programas como o desenvolvido neste trabalho.
96
Captulo 5 TRABALHOS FUTUROS
O desenvolvimento e aprimoramento de novos simuladores e novas tcnicas so

necessidades para os avanos nesta rea da tecnologia. Algumas caractersticas e
funcionalidades podem ser desenvolvidas tais como:
Simuladores de robtica com membros articulados utilizando cinemtica inversa;
Cinemtica inversa por meio de algoritmo se inteligncia artificial;
Modelos de Rigid Bodies para o rob interagir com o ambiente podendo

deslocar objetos;
Incorporar ao simulador modelos que possam se adequar a robs moveis reais

como caractersticas de motorizao, dimenses, dentre outros fatores;
Incorporar Algoritmos genticos ao treinamento de robtica para o aprendizado

do controlador fuzzy;
Simular a fuso de sensores, diferentes tipos de sensores trabalhando juntos assim

como simular caractersticas de cada tipo de sensor;
Simulao de diversos meios de posicionamento incorporando erros de odometria

e posicionamento;
Implementao de algoritmos octrees para reduo de demanda computacional

para ambientes grficos 3D de maior complexidade;
97
Referncias Bibliogrficas
[1] Mizumoto, M., Realization of PID Controls by Fuzzy Control Methods, Proceedings of IEEE
International Conference on Fuzzy Systems, San Diego, pp. 709-715, 1992.
[2] Fayad, C., Optimized Fuzzy Logic Based Algorithm for a Mobile Robot Collision Avoidance
in an Unknown Enviroment, University of Nottingham,UK, 2000.
[3] Kawamura, K., Application of Fuzzy Control to a Sonar-Based Obstacle Avoidance Mobile
Robot, Proceedings of 2000 IEEE International Conference on Control Aplications, Alaska, , pp.
425-430.
[4] Webb, P., The Integration of an Optimized Fuzzy Logic Navigation Algorithm into a SemiAutonomous Robot Control System, University of Nottingham,UK, 2000.
[5] Shaw, I., Godoy, M., Controle Modelagem Fuzzy, Editora Edgard Blcher Ltda.
[6] Mizrahi, V., Treinamento em Linguagem C++ mdulo 2, MAKRON Books do Brasil Editora
Ltda.
[7] Schildt, H., C Completo e Total, MAKRON Books do Brasil Ltda, 1991.
[8] Stroustrup, B., The C++ Programming Language, Addison-Wesley Publishing Company, 2a
ed.,1991.
[9] Fullr, R., Neural Fuzzy Systems, bo Akademis tryckeri, bo, 1995.
[10] Sert, F., Thompson, C. PhD, Controles Moderno e Fuzzy, IPRJ-UERJ, Nova
Friburgo.
[11] Jung, C., Computao Embarcada : Projeto e Implementao de Veculos
Autnomos Inteligentes, XXV Congresso da Sociedade Brasileira de Computao,
UNISINOS, So Leopoldo.
[12] Thompson, M., Lgica Neuro-Fuzzy: Aplicao na Identificao do Perfil do
Investidor, Universidade Cndido Mendes.
98
APNDICE
A: Desenvolvimento Matemtico da Lgica Neuro-Fuzzy
No captulo sobre lgica Neurofuzzy as derivadas abaixo no foram desenvolvidas no
capitulo 2.2 e o desenvolvimento baseia-se nas referncias [9] e [12]
As correes dos parmetros a e b da funo de pertinncia A1 so:
B
Segue abaixo o desenvolvimento de suas derivadas

Para as correes do parmetro a da funo de pertinncia A1 segue o desenvolvimento
B
baixo:
sendo
erro = (o k y k )
o
E k o k
E k erro
E k
= erro k
=
=
a1
erro a1
a1 erro a1
n
n
i zi
i
n
n
n
i =1
i =1
i
i z i a
z
ok
a1
i =1 i i i =1
i =1
1
n
=
=
2
n
a1 a1
i
i

i =1

i =1
sendo
n
soma _ fu = i z i
i =1
sendo
99
soma = i
i =1
E sendo
A1 ( x) = e b1 ( x a1 )
i zi
= z1e b ( xa1 ) 2b( x a1).
i =1
a1
1
b ( x a1 ) 2
+ ... = nra1 z1 2b( x a1).(1 + ...)
Onde nra1 o nmero de regras que possuem a funo de pertinncia A1 e com o ndice
B
da respectiva regra que no caso igual a 1 as regras que no possuem a funo de

pertinncia A1 a derivada nula as derivadas das demais regras com a funo A1 diferem
B
apenas no termo i que deve ser o da regra em questo.
i
i =1
a1
= e b ( xa1 ) 2b( x a1).

e
1
b ( x a1 ) 2
+ ... = nra1 2b( x a1).(1 + ...)
B

B
logo
a1 (t + 1) = a1 (t )
E k
=
a1
(soma _ fu nra1 2b( x a1).( 1 + ...) ) ( z1 soma nra1 2b( x a1).( 1 + ...) )
(o k y k )
soma 2
100
Para as correes do parmetro b da funo de pertinncia A1 segue o desenvolvimento

B
baixo:
o
E k
E k erro
E k o k
=
=
= erro k
b1
b1 erro b1
erro b1
n
n
i zi
i
n
n
n
i =1
i =1
i
i z i b
z
ok
b1
i =1 i i i =1
i =1
1
n
=
=
2
b1 b1

n
i
i
i =1

i =1
sendo
n
soma _ fu = i z i
i =1
sendo
n
soma = i
i =1
E sendo
A1 ( x) = e b1 ( x a1 )
i zi
= z1e b ( xa1 ) ( x a1) 2 .
i =1
b1
1
b ( x a1 ) 2
+ ... = nra1 z1 ( x a1) 2 .(1 + ...)
B

B
101
= e b ( xa1 ) ( x a1) 2 .
i =1
b1
b ( x a1 ) 2
+ ... = nra1 ( x a1) 2 .(1 + ...)
B

B

logo
b1 (t + 1) = b1 (t )
E k
=
b1
) (
z1 soma nra1 ( x a1) 2 .( 1 + ...) soma _ fu nra1 ( x a1) 2 .( 1 + ...)

(o y )
soma 2
102
B: Detalhamento da Simulao de Robtica Mvel com Lgica Fuzzy

A simulao 16 mostrada abaixo de forma a descrever como o rob mvel se
comporta ao decorrer da simulao. Dessa forma se demonstra em diversas situaes ao
decorrer da simulao qual a reao do sistema de controle Fuzzy de desvio de
obstculos.
Simulao 16 na Iterao 185
Sensor Ativado: Sensor LN

Distncia de Entrada: 76,47%
ngulo de Entrada: -75,42
Vel. Linear de Sada: No Altera
Vel. Angular de Sada: No Altera
Distncia do Target: 228,47
Posio X = -2,88 Y = -85,05
ngulo em relao origem: 9,0
Velocidade Linear: 0,25
Figura B.1 Simulao 16
Obstculo esquerda do rob detectado e sua base de regras no indica modificao

nas velocidades linear e angular.
103
Sensor Ativado: Sensor MN

Vel. Linear de Sada: 54,30%
Vel. Angular de Sada: 42,85%
Posio X = 0,72 Y = -68,77
Obstculo esquerda do rob detectado e sua reao uma rotao para a direita.
Sensor Ativado: Sensor LP

ngulo de Entrada: 75,42
Vel. Angular de Sada: -14,28%
Posio X = 27,05 Y = -18,36
Obstculo direita rob detectado e sua reao uma ligeira rotao para a esquerda.
104
Sensor Ativado: Sensor ZP

ngulo de Entrada: 14,57
Vel. Angular de Sada: -31,16%
Posio X = 21,93 Y = 5,44
ngulo em relao origem: -19,98
Obstculo direita e a frente do rob detectado e sua reao uma rotao para a
esquerda.
Sensor Ativado: Sensor ZN

Posio X = -19,30 Y = 22,42
105
Obstculo esquerda e a frente do rob detectado e sua reao uma rotao para a
direita.

Posio X = -33,60 Y = 39,80
106
Sensor Ativado: Sensor MN

Posio X = -30,06 Y = 73,51

Posio X = -10,60 Y = 92,53
107
Obstculo esquerda do rob detectado e sua reao uma ligeira rotao para a
direita.
Sensor Ativado: Nenhum Sensor

Distncia de Entrada: No Ativado
ngulo de Entrada: No Ativado
Vel. Linear de Sada: Zero
Vel. Angular de Sada: Zero
Distncia do Target: Target Atingido
Posio X = 34,89 Y = 139,85
Objetivo atingido o rob mvel chega ao seu destino sem colises em 1772 iteraes.
108

Controle Com Logica Fuzzy e Neurofuzzy

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Controle Com Logica Fuzzy e Neurofuzzy

Uploaded by

Copyright:

Available Formats

Universidade do Estado do Rio de Janeiro

Felipe Sert Abicalil

Controle com lgica Fuzzy e Neurofuzzy aplicada anlise e

Felipe Sert Abicalil

Controle com lgica Fuzzy e Neurofuzzy aplicada anlise e

Dissertao apresentada como requisito

Orientador: Prof. Carlos Alberto Fialho Thompson Leite

Abicalil, Felipe Sert.

Felipe Sert Abicalil

Controle com lgica Fuzzy e Neurofuzzy aplicada anlise e

Dissertao apresentada como requisito

Aprovada em 30 de agosto de 2007

Dedico este trabalho minha Me Lourdinha e

PALAVRAS-CHAVE: Robtica mvel; Lgica Fuzzy; Lgica Neurofuzzy; Visualizao 3D.

Keywords: Mobile robotics; Fuzzy logic; Neurofuzzy logic; 3D visualization.

Figura 1 Esquema grfico da inferncia crisp-fuzzy .................................................

Figura 47 - Simulao 16 .............................................................................................

Figura 95 - Simulao 28 .............................................................................................

Captulo 1 INTRODUO ......................................................................................

1.1 - A Robtica Mvel .................................................................................................

1.2 - Lgica Fuzzy Aplicada Robtica Mvel .......................................................... 10

2.4 O Simulador de Robtica Mvel ...........................................................................

Captulo 3 RESULTADOS .......................................................................................

Captulo 4 CONCLUSES ....................................................................................... 94

Referncias Bibliogrficas ...........................................................................................

1.1 - A Robtica Mvel

fotogrfico das mesmas. Depois de muito tempo, plantas e perspectivas que s os

Tipos de Autmatos, Robs e Veculos Robticos

Mecanismos eletro-mecnicos com movimento repetitivo pr-definido e fixo

Manipuladores: Braos de base fixa (e.g. robs industriais)

Manipuladores: Braos de base mvel (e.g. gruas robticas)

Robs Mveis (terrestres, aquticos, explorao espacial, dentre outros)

Robs mveis com deslocamento com rodas

Robs mveis com deslocamento com esteiras

Robs com deslocamento por propulso (e.g. no ar, na gua)

Robs com deslocamento por pernas (e.g. animats, bpedes)

Totalmente comandados a distncia (e.g. carro de controle remoto = telecomandado, tele-operado)

Veculos guiados: dependem de informaes externas, sem as quais no podem

Veculos semi-autnomos: operam controlados remotamente, mas possuindo um

Veculos autnomos: operam sem interveno humana, de forma totalmente

Percepo: Como o rob ir perceber o ambiente (e.g. sensores de contato bumpers - e

A percepo um dos componentes principais dos robs mveis, pois atravs

GPS: Identifica a posio absoluta do veculo no globo terrestre, baseando-se na rede de

removido. Nota-se que os nveis de robustez, autonomia e inteligncia de um veculo

Garantir a preservao da integridade fsica dos seres humanos, bem como no

Garantir a preservao da integridade fsica do rob: evitar colises contra

Garantir a manuteno de informaes que permitam uma melhor execuo das

Integrar as informaes provenientes de diferentes sensores, interpretando estas

Gerar os comandos, na seqncia correta, de modo a realizar passo-a-passo as

Definir solues alternativas para situaes imprevistas que se apresentem e que

Capacidade de se adaptar, aprender com as experincias passadas e corrigir seus

sero substitudas por solues eletro-mecnicas. A possibilidade de se dirigir um veculo

co-pilotos e ajudando o motorista em situaes de emergncia, ou na execuo de tarefas,

necessitando de muitos recursos computacionais para sua implementao. No controle

1.2 - Lgica Fuzzy Aplicada Robtica Mvel

matemtica complexa, de forma a facilitar e mesmo tornar possvel a operao a

O objetivo deste trabalho a utilizao e simulao de inteligncia artificial para

simulaes apresentam a influencia das configuraes do controle, nas caractersticas e

Captulo 2 FUNDAMENTAO TERICA

2.1 Lgica Fuzzy

Muitas estruturas de controladores fuzzy baseados nos vrios mtodos de

IF Distancia N AND ngulo ZP THEN vel_saida IS M AND velocidade angular IS MN

Ou seja, se a distncia N(near) e o ngulo ZP (zero positive) ento a velocidade

instncia de controle t , os valores observados de e e e& so et e e&t ,respectivamente, ento