{"id":1438,"date":"2022-09-16T20:48:50","date_gmt":"2022-09-16T20:48:50","guid":{"rendered":"https:\/\/visiorob.com.br\/?p=1438"},"modified":"2022-09-26T20:19:31","modified_gmt":"2022-09-26T20:19:31","slug":"iacar-usando-uma-rede-neural-para-o-controle-da-movimentacao-de-um-robo","status":"publish","type":"post","link":"https:\/\/visiorob.com.br\/index.php\/2022\/09\/16\/iacar-usando-uma-rede-neural-para-o-controle-da-movimentacao-de-um-robo\/","title":{"rendered":"IACar – Usando uma rede neural para o controle da movimenta\u00e7\u00e3o de um rob\u00f4"},"content":{"rendered":"\n

O objetivo aqui \u00e9 apresentar como podemos usar uma rede neural para tomadas de decis\u00e3o. No caso deste artigo a rede neural dever\u00e1 decidir se o rob\u00f4 deve virar para a esquerda, seguir em frente, ou virar para a direita, tendo como input sensores que ir\u00e3o indicar se existe caminho \u00e0 esquerda, a frente, ou \u00e0 direita.<\/p>\n\n\n\n

O grupo VisioRob est\u00e1 testando uma ferramenta a Unity 3D<\/a> para simula\u00e7\u00e3o e controle de rob\u00f4s. Dessa forma utilizamos essa ferramenta para o desenvolvimento de um simulador onde temos um rob\u00f4 que ir\u00e1 se mover, utilizando uma rede neural para a tomada de decis\u00f5es. A rede neural dever\u00e1 ser treinada em outro ambiente e os seus pesos e bias informados para o simulador. Neste artigo irmos ser\u00e1 demonstrado o simulador e como podemos treinar uma rede neural para o simulador.<\/p>\n\n\n\n

\n\n\n\n

Acesse o simulador por este link<\/a><\/p>\n\n\n\n

\n\n\n\n

Introdu\u00e7\u00e3o sobre redes neurais<\/h2>\n\n\n\n

Podemos interpretar uma rede neural como um conjunto de neur\u00f4nios que se ligam de tal forma que podemos treinar esta estrutura para que ela possa tomar algumas decis\u00f5es baseadas em est\u00edmulos que ela recebe. J\u00e1 o neur\u00f4nio, que foi mencionado anteriormente, \u00e9 a unidade b\u00e1sica de uma rede neural. Ele \u00e9 respons\u00e1vel por receber est\u00edmulos e processar esses est\u00edmulos em suas caracter\u00edsticas. A estrutura b\u00e1sica de uma rede neural \u00e9 o que est\u00e1 apresentado na Figura 1.<\/p>\n\n\n

\n
\"\"
Figura 1 – Estrutura b\u00e1sica de uma rede neural<\/figcaption><\/figure>\n<\/div>\n\n\n

Os c\u00edrculos brancos na Figura 1 s\u00e3o os neur\u00f4nios, eles se ligam de forma a constru\u00edrem a rede neural. O funcionamento de um neur\u00f4nio pode ser descrito como:<\/p>\n\n\n\n

a = f(b_0+\\sum_{i=1}^{n}w_ix_i)<\/span>\n<\/div><\/div>\n\n\n\n

A equa\u00e7\u00e3o do neur\u00f4nio indica que o resultado dele, o valor de a<\/span>, depende da combina\u00e7\u00e3o dos valores que ele recebe como entrada. Os valores de entrada s\u00e3o representados pelo \\sum_{i=1}^{n}w_ix_i<\/span>, em que x_i<\/span> representa um conjunto de valores informados pelos neur\u00f4nios ligados a este e w_i<\/span> representa o quanto cada neur\u00f4nio anterior ir\u00e1 influenciar no resultado deste neur\u00f4nio. Para colaborar com o resultado ainda temos o valor b_0<\/span> que representa o bias, que podemos considerar como um desvio m\u00e9dio acrescentado ao desempenho do neur\u00f4nio.<\/p>\n\n\n\n

Por fim, o neur\u00f4nio pega o resultado e aplica \u00e0 uma fun\u00e7\u00e3o de ativa\u00e7\u00e3o, a fun\u00e7\u00e3o f()<\/span>, que \u00e9 respons\u00e1vel por fazer com que o comportamento do neur\u00f4nio seja n\u00e3o linear. Sem essa fun\u00e7\u00e3o de ativa\u00e7\u00e3o o resultado da rede neural seria uma combina\u00e7\u00e3o linear de todos os neur\u00f4nios, o que impediria de que a rede neural trabalhasse de forma n\u00e3o linear. Existem v\u00e1rios modelos de fun\u00e7\u00e3o de ativa\u00e7\u00e3o comumente utilizados em redes neurais<\/a>.<\/p>\n\n\n\n

Agora que temos uma ideia de como as redes neurais artificiais s\u00e3o descritas matematicamente, vamos verificar como podemos utilizar uma em um sistema de controle para um rob\u00f4.<\/p>\n\n\n\n

Rede neural do simulador do rob\u00f4<\/h2>\n\n\n\n

Para o controle do rob\u00f4, o simulador utiliza a rede neural apresentada na Figura 1. Conforme apresentado nela o rob\u00f4 possui tr\u00eas sensores, um para identificar se \u00e9 poss\u00edvel ir para esquerda, um para identificar se \u00e9 poss\u00edvel ir para frente e um para identificar se \u00e9 poss\u00edvel ir para direita. Estes sensores est\u00e3o ligados no que chamamos de camada de entrada ou input layer<\/em>.<\/p>\n\n\n\n

O movimento do rob\u00f4 ir\u00e1 depender do resultado da camada de sa\u00edda ou output layer<\/em>. No caso da Figura 1 podemos identificar a camada de sa\u00edda sendo o neur\u00f4nio que est\u00e1 mais a direita. Neste simulador o rob\u00f4 ir\u00e1 virar para a direita se o valor do ultimo neur\u00f4nio for maior do que +0,5<\/span>; ir\u00e1 virar para a esquerda se o valor do ultimo neur\u00f4nio for menor do que -0,5<\/span>; e, por fim, ir\u00e1 seguir em frente se o valor do ultimo neur\u00f4nio estiver entre -0,5<\/span> e +0,5<\/span>.<\/p>\n\n\n\n

Qualquer conjunto de neur\u00f4nios que estejam entre a camada de entrada e a camada de sa\u00edda \u00e9 o que consideramos como as camadas ocultas ou hidden layer<\/em>. Conforme apresentado na Figura 1, a rede neural do simulador apresenta apenas uma \u00fanica camada oculta. Para o problema apresentado ela ser\u00e1 o suficiente. Dependendo do problema pode ser necess\u00e1rio adicionar mais camadas ocultas.<\/p>\n\n\n\n

Veja que o neur\u00f4nio da sa\u00edda dever\u00e1 fornecer um valor maior do que 0,5<\/span> at\u00e9 um valor menor do que -0,5<\/span>. Para facilitar, vamos descrever que os valores da sa\u00edda dever\u00e3o estar entre -1<\/span> e +1<\/span>. Dessa forma, podemos utilizar, como fun\u00e7\u00e3o de ativa\u00e7\u00e3o, a fun\u00e7\u00e3o Tangente Hiperb\u00f3lica, que \u00e9 uma fun\u00e7\u00e3o matem\u00e1tica que fornece valores ente -1<\/span> e +1<\/span>. A equa\u00e7\u00e3o da Tangente Hiperb\u00f3lica \u00e9 descrita como:<\/p>\n\n\nf(x)=tanh(x)=\\frac{e^x-e^{-x}}{e^x+e^{-x}}<\/span>\n\n\n\n

Para o simulador, a fun\u00e7\u00e3o de ativa\u00e7\u00e3o Tangente Hiperb\u00f3lica ser\u00e1 utilizada tanto na camada de sa\u00edda como na camada oculta. A camada de entrada n\u00e3o precisa de uma fun\u00e7\u00e3o de ativa\u00e7\u00e3o, j\u00e1 que ela ir\u00e1 trabalhar com os valores recebidos dos sensores.<\/p>\n\n\n\n

Agora conhecemos a rede neural do rob\u00f4, mais isso n\u00e3o \u00e9 o suficiente para fazer ele possa tomar decis\u00f5es. Precisamos, agora treinar a rede neural para que ela possa, de certa forma, “aprender” como orientar o rob\u00f4. Para realizarmos o treinamento, vamos construir uma rede neural equivalente \u00e0 do rob\u00f4 em um ambiente que possamos treinar ela.<\/p>\n\n\n\n

Construindo uma rede neural como a do rob\u00f4 utilizando o TensorFlow<\/h2>\n\n\n\n

O TensorFlow<\/a> \u00e9 uma biblioteca em Python que ajuda a criar e treinar redes neurais artificiais. Tamb\u00e9m recomendo o uso da plataforma Google Colab<\/a> pois ela j\u00e1 vem com diversas bibliotecas instaladas e deixamos o peso computacional para os computadores do Google lidarem com eles.<\/p>\n\n\n\n

Como vamos usar Python, vamos come\u00e7ar importando as bibliotecas que vamos utilizar. Podemos fazer isso usando os comandos:<\/p>\n\n\n\n

import tensorflow as tf\nfrom matplotlib import pyplot as plt\nimport numpy as np<\/pre>\n\n\n\n
Agora podemos usar o TensorFlow com tf<\/strong>, gerarmos gr\u00e1ficos com plt<\/strong> e trabalhar com vetores utilizando np<\/strong>.<\/p>\n\n\n\n
Vamos, agora, criarmos uma rede neural id\u00eantica \u00e0 do simulador utilizando o TensorFlow. Para isso vamos utilizar os comandos:<\/p>\n\n\n\n
model = tf.keras.Sequential([\n    tf.keras.layers.Dense(units=5, activation=\"tanh\",\n                          input_shape=(3,),\n                          name=\"Hidden_Layer\",\n                          ),\n    tf.keras.layers.Dense(units=1, activation=\"tanh\",\n                          name=\"Output_Layer\",\n                          )\n])<\/pre>\n\n\n\n
Agora a nossa rede neural est\u00e1 armazenada no objeto model<\/strong>. O comando tf.keras.Sequential<\/strong> indica que vamos criar v\u00e1rias camadas uma ligada na outra. O comando tf.keras.layers.Dense<\/strong> indica que a camada que vamos criar uma camada composta apenas de neur\u00f4nios.<\/p>\n\n\n\n
Como usamos tf.keras.Sequential<\/strong> precisamos indicar as camadas na ordem que elas devem ser criadas. A primeira camada foi criada informando que ela deva ser constru\u00edda usando: units=5<\/strong>, para indicar que esta camada tem 5 neur\u00f4nio (como apresentado na Figura 1); activation=”tanh”<\/strong>, para indicarmos que estamos usando a fun\u00e7\u00e3o de ativa\u00e7\u00e3o Tangente Hiperb\u00f3lica em todos os neur\u00f4nios desta camada; input_shape=(3,)<\/strong>, para indicar que teremos 3 (tr\u00eas) valores de entradas (que correspondem aos 3 sensores do rob\u00f4); e name=”Hidden_Layer”<\/strong>, para darmos um nome \u00e0 camada que neste caso identificamos ela como a camada oculta da rede neural (hidden layer).<\/p>\n\n\n\n
Para a camada de sa\u00edda, seguimos com o mesmo racioc\u00ednio. Por\u00e9m, no caso usamos: units=1<\/strong>, j\u00e1 que a camada de sa\u00edda deve conter apenas um \u00fanico neur\u00f4nio; activation=”tanh”<\/strong>, para, novamente, usarmos a fun\u00e7\u00e3o Tangente Hiperb\u00f3lica como fun\u00e7\u00e3o de ativa\u00e7\u00e3o; e name=”Output_Layer”<\/strong>, para darmos um nome a esta camada.<\/p>\n\n\n\n
Lembrando que essa rede neural est\u00e1 descrita no objeto model, podemos verificar as caracter\u00edsticas construtivas dela com o comando:<\/p>\n\n\n\n
model.summary()<\/pre>\n\n\n\n
Para finalizarmos a constru\u00e7\u00e3o da rede neural, precisamos informar qual t\u00e9cnica ela deve utilizar para aprender. Neste caso, vamos utilizar o m\u00e9todo compile<\/strong> da nossa rede neural model<\/strong>:<\/p>\n\n\n\n
model.compile(optimizer='adam', \n              loss='mae')<\/pre>\n\n\n\n
Aqui o optimizer=’adam’<\/strong> indica qual t\u00e9cnica a rede neural ir\u00e1 utilizar para otimizar o resultado. O termo adam<\/a> se refere \u00e0 t\u00e9cnica de otimiza\u00e7\u00e3o estoc\u00e1stica de descida de gradiente, em outras palavras, como a rede neural vai alterar os pesos para minimizar o erro na sua sa\u00edda.<\/p>\n\n\n\n
Como m\u00e9trica para a avalia\u00e7\u00e3o do erro estamos utilizando loss= ‘mae’<\/strong>. A m\u00e9trica mae<\/a> se refere \u00e0 m\u00e9dia dos erros absolutos, sendo o objetivo chegar no menor erro poss\u00edvel. A equa\u00e7\u00e3o da m\u00e9trica mae \u00e9 descrita como:<\/p>\n\n\nloss = \\left | y_{true} - y_{pred} \\right |<\/span>\n\n\n\n
Em que:<\/p>\n\n\n\n