Inteligentne Systemy Robotyczne (ISR)

Informacje:

Wykład z przedmiotu ISR składa się z dwóch części:

• pierwszej prowadzonej przez prof. C. Zielińskiego
• drugiej prowadzonej przez W. Szynkiewicza

Plan wykładu:

Część pierwsza:

• Metody programowania robotów. Ogólne wprowadzenie. Programowanie a struktura układu sterowania. Metody off-line i on-line. Klasyfikacja języków programowania robotów.
• Programowe struktury ramowe. Przegląd zagadnień i struktur tego typu. Sposoby przetwarzania programowych struktur ramowych i języków programowania.
• Systemy wieloagentowe. Struktura agenta, formalizacja opisu działania agenta za pomocą funkcji przejścia. Efektory. Receptory. Ontologie.
  
• Systemy behawioralne.  Dekompozycja sekwencyjna i równoległa. Selekcja zachowań wykorzystująca predykaty. Transformacja systemów synchronicznych w zdarzeniowe.
  
• Systemy behawioralne. Zachowania elementarne i złozone. Agenty deterministyczne i niedeterministyczne.
  
• Hybrydowe systemy deliberatywno-behawioralne.
• Systemy rozmyte. Zbiory rozmyte, wykorzystanie do sterowania agentów upostaciowionych.
• Środowisko MRROC++. Wprowadzenie. Sposoby wykorzystania MRROC++ do budowy systemów wielorobotowych.

---

Część druga:

• Autonomiczna nawigacja robota mobilnego. Pojęcie robota autonomicznego. Sformułowanie zadań: samo-lokalizacji robota, planowania ścieżki ruchu, konstruowania map otoczenia, wykrywania i unikania kolizji, sterowania. Źródła niepewności w nawigacji. Reprezentacje środowiska. Podstawowe pojęcia matematyczne: rozkład prawdopodobieństwa, prawdopodobieństwo warunkowe, reguła Bayesa, zmienne losowe, procesy stochastyczne, łańcuchy Markowa. 
• Samo-lokalizacja robota. Podział i omówienie wybranych podejść i metod lokalizacji.  Podejście probabilistyczne wykorzystujące łańcuchy Markowa (filtr Bayesa): wersja topologiczna i geometryczna (siatkowa). Model czujnika i model działania (akcji) robota, model środowiska (siatki zajętości, drzewa binarne, czwórkowe, itp.).
• Metody losowe w zadaniu samo-lokalizacji. Algorytmy Monte Carlo, filtry cząsteczkowe. Porównanie podejść do problemu samo-lokalizacji robota. 
• Budowa mapy otoczenia - mapowanie. Problemy tworzenia mapy jako wewnętrznej reprezentacji otoczenia robota. Mapy geometryczne i topologiczne, hybrydowe. Wykorzystanie i interpretacja danych z czujników. Wybrane metody i algorytmy tworzenia map środowiska. Estymacja prawdopodobieństwa aposteriori (siatki zajętości, rozszerzony filtr Kalmana), metoda największej wiarygodności.
• Jednoczesna samo-lokalizacja i budowanie mapy - Simultaneous Localization and Mapping (SLAM). Algorytm FastSLAM. Podejście z zastosowaniem filtru Kalmana.
• Planowanie ścieżki ruchu robota. Sformułowanie problemu planowania. Przeszukiwanie dyskretnej i ciągłej przestrzeni stanu. Metody i algorytmy planowania ścieżki ruchu (geometryczne i topologiczne): metoda propagacji fali, metoda diagramu Woronoia, metoda grafu widoczności, metoda elastycznej wstęgi, metoda sztucznych pól potencjałowych. Metody probabilistyczne planowania ścieżek. 
• Unikanie kolizji. Przykładowe algorytmy unikania kolizji.

    Laboratorium:

1. Zadania polegające na implementacji algorytmów i komputerowej symulacji ich działania (maksymalna punktacja - 35 pkt.).
2. Zadania eksperymentalne polegające na wykorzystaniu sprzętu  (maksymalna punktacja - 45 pkt.).

1. Sterowanie reaktywne robotem mobilnym.
2. Sterowanie robotem mobilnym z wykorzystaniem pól potencjałowych.
3. Poszukiwanie drogi w labiryncie.
4. Budowa gniazda przez rój robotów.

1. Algorytm lokalizacji robota - podejście markowowskie.
2. Lokalizacja robota z wykorzystaniem algorytmu filtru cząsteczkowego - podejście Monte Carlo.
3. Tworzenie mapy hybrydowej (geometryczno-topologicznej) na podstawie odczytów z czujników.
4. Algorytm RRT (Rapidly-exploring Random Tree) planowania ścieżki ruchu robota moblinego.
5. Algorytm PRM-SBL planowania ścieżki ruchu robota.

    Literatura i materiały pomocnicze:

1. A. Arleo, J. del R. Millan, and D. Floreano: Efficient Learning of Variable-resolution Cognitive Maps for Autonomous Indoor Navigation. IEEE Trans. on Robotics and Automation, Vol.19, No. 6, pp. 990-1000, (1999).
2. Artificial Intelligence and Mobile Robots, Ed. D. Kortenkamp, R. P. Bonasso, R. Murphy, MIT Press, 1998.
3. I. Dulęba: Metody i algorytmy planowania ruchu robotów mobilnych i manipulacyjnych, Akademicka Oficyna Wydawnicza Exit, 2001.
4. D. Fox, W. Burgard, and S. Thrun: Markov localization for mobile robots in dynamic environments. Artificial Intelligence. 11:391--427, 1999.
5. D. Fox, S. Thrun, W. Burgard, and F. Dellaert. Particle filters for mobile robot localization. In A. Doucet, N. DeFreitas, and N. Gordon, editors, Sequential Monte Carlo Methods in Practice. 2000.
6. D. Fox. Adapting the sample size in particle filters through KLD-sampling. International Journal of Robotics Research, 22(12):985-1003, 2003.
7. S. M. LaValle and J. J. Kuffner, Jr.: Randomized Kinodynamic Planning. International Journal of Robotics Research, Vol. 20, No. 5, pp.379-400, May 2001.
8. S. M. LaValle and J. J. Kuffner, Jr.: Rapidly-Exploring Random Trees: Progress and Prospects. In A. Bicchi, H. I. Christensen, and D. Prattichizzo, editors, Control Problems in Robotics, p. 19-37. Springer-Verlag, Berlin, 2002.
9. G. Sanchez and J.C. Latombe: On delaying Collision Checking in PRM Planning - Application to Multi-Robot Coordination. Int. J. of Robotics Research, 21(1):5-26, January 2002.
10. L. E. Kavraki, P. Svestka, J. C. Latombe, and M. Overmars: Probabilistic roadmaps for path planning in high-dimensional configuration spaces. IEEE Transactions on Robotics and Automation, 12(4):566-580, 1996.
11. S. Russell, P. Norvig: Artificial Intelligence: A Modern Approach, Prentice Hall; 2nd edition, 2002.
12. S. Thrun, 1998. A Framework for Programming Embedded Systems: Initial Design and Results. Technical Report CMU-CS-98-142, Carnegie Mellon University, Pittsburgh, PA
13. S. Thrun, D. Fox, and W. Burgard, 1998. A Probabilistic Approach to Concurrent Mapping and Localization for Mobile Robots. Machine Learning 31, 29--53 and Autonomous Robots 5, 253--271, (joint issue).
14. S. Thrun, 1999. Learning Metric-Topological Maps for Indoor Mobile Robot Navigation. Artificial Intelligence 99(1), 21--71.
15. S. Thrun, J. Langford, and D. Fox, 1999. Monte Carlo Hidden Markov Models: Learning Non-Parametric Models of Partially Observable Stochastic Processes. In Proceedings of ICML-99.
16. S. Thrun, D. Fox, and W. Burgard. Monte Carlo Localization With Mixture Proposal Distribution. In Proceedings of the AAAI National Conference on Artificial Intelligence, Austin, TX, 2000. AAAI.
17. S. Thrun, D. Fox, W. Burgard, and F. Dellaert. Robust Monte Carlo Localization for Mobile Robots . Artificial Intelligence 128, 2001, pp. 99-141.
18. S. Thrun, M. Beetz, M. Bennewitz, W. Burgard, A.B. Cremers, F. Dellaert, D. Fox, D. Haehnel, C. Rosenberg, N. Roy, J. Schulte, and D. Schulz. Probabilistic Algorithms and the Interactive Museum Tour-Guide Robot Minerva. International Journal of Robotics Research, 19(11): 972--999, 2000.
19. S. Thrun, M. Montemerlo, D. Koller, B. Wegbreit, J. Nieto, and E. Nebot. FastSLAM: An Efficient Solution to the Simultaneous Localization And Mapping Problem with Unknown Data Association.
20. S. Thrun, W. Burgard, and D. Fox. Probabilistic Robotics. The MIT Press, 2005. 
21. Biblioteka procedur numerycznych "Numerical Recipes in C."
22. C. Zieliński. Formal approach to the design of robot programming frameworks: the behavioural control case. BULLETIN OF THE POLISH ACADEMY OF SCIENCES. TECHNICAL SCIENCES Vol. 53, No. 1, 2005.