Universidad de granada



Descargar 5,02 Kb.
Ver original pdf
Página2/15
Fecha de conversión03.10.2019
Tamaño5,02 Kb.
1   2   3   4   5   6   7   8   9   ...   15
Speedway. Recorrido de dos vueltas. . . . . . . . . . . . . 145
5.20 Comparativa de ambos controles de marchas sobre E −
T rack3. Recorrido de dos vueltas.
. . . . . . . . . . . . . 145
5.21 Posici´
on en carrera en solitario (azul) y en carrera con
oponentes (rojo). En el eje X: P = P resentado, i = Bot
i
. 150
5.22 Aspecto del veh´ıculo utilizado durante el campeonato. . . 155
5.23 Trazada de las pistas utilizadas durante la competici´
on en
el CEC-2009. . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.24 Captura de pantalla de las pistas M ichigan (izquierda),
Alpine − 2 (centro) y Corkscrew (derecha). . . . . . . . . 156
5.25 Trazada de las pistas utilizadas durante la competici´
on en
el GECCO-2009. . . . . . . . . . . . . . . . . . . . . . . . 158
xi

´
INDICE DE FIGURAS
5.26 Captura de pantalla de las pistas Dirt − 3 (izquierda),
Alpine − 1 (centro) y E − road (derecha). . . . . . . . . . 158
5.27 Trazada de las pistas utilizadas durante la competici´
on en
el CIG-2009.
. . . . . . . . . . . . . . . . . . . . . . . . . 161
5.28 Captura de pantalla de las pistas F orza (izquierda),
M igrants (centro) y Buzzard (derecha).
. . . . . . . . . 161
xii

´
Indice de Tablas
2.1
Coordenadas UTM de ZOCO . . . . . . . . . . . . . . . .
47
2.2
Modificadores Ling¨
u´ısticos soportados por ORBEX . . . .
57
3.1
Tabla comparativa entre el conductor humano y el sistema
presentado. . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.1
Casos cubiertos por la base de reglas Central (C) y
Marginal (M). Las etiquetas M uyIZQ y M uyDER no
ser´
an utilizada en controladores de 3 etiquetas por entrada. 95
4.2

umero de reglas para cada combinaci´
on (N´
umero de
Funciones de Pertenencia/Tipo de Base de Reglas) posible. 95
4.3
Representaci´
on tabular de la base de reglas del controlador
3M (arriba), 3C (centro) y 3T (abajo).
. . . . . . . . . . 103
4.4
Representaci´
on tabular de la base de reglas del controlador
5M (arriba), 5C (centro) y 5T (abajo).
. . . . . . . . . . 104
4.5
Distancia, tiempo y velocidades medias y m´
aximas reg-
istradas durante la experimentaci´
on. . . . . . . . . . . . . 109
5.1
Sensores de posicionamiento en la pista. . . . . . . . . . . 120
5.2
Sensores de estado de la carrera. . . . . . . . . . . . . . . 120
5.3
Sensores de informaci´
on sobre el estado interno del veh´ıculo.121
5.4
Valores m´
aximos y m´ınimos para realizar cambios de
marchas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.5
Tolerancias e incrementos utilizados para adelantar opo-
nentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
xiii

´
INDICE DE TABLAS
5.6
Tolerancias e incrementos utilizados para evitar colisiones
con oponentes.
. . . . . . . . . . . . . . . . . . . . . . . . 133
5.7
Comparaci´
on de distancia recorrida durante 200s con
datos disponibles de la competici´
on de 2008. . . . . . . . . 141
5.8
Modificaciones con respecto a la anterior versi´
on sobre la
pista Ruudskogen. . . . . . . . . . . . . . . . . . . . . . . . 142
5.9
Modificaciones con respecto a la anterior versi´
on sobre la
pista Street-1. . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.10 Modificaciones con respecto a la anterior versi´
on sobre la
pista D-Speedway. . . . . . . . . . . . . . . . . . . . . . . . 143
5.11 Modificaciones con respecto a la anterior versi´
on sobre la
pista CG-Speedway1. . . . . . . . . . . . . . . . . . . . . . 143
5.12 Modificaciones con respecto a la anterior versi´
on sobre la
pista E-Track3. . . . . . . . . . . . . . . . . . . . . . . . . 143
5.13 Modificaciones con respecto a la anterior versi´
on sobre la
pista B-Speedway. . . . . . . . . . . . . . . . . . . . . . . . 144
5.14 Tiempo en segundos requerido en completar 20 vueltas en
cada uno de los circuitos y posici´
on en la pista. . . . . . . 149
5.15 N´
umero de adelantamientos y da˜
no sufrido en cada una
de las carreras. . . . . . . . . . . . . . . . . . . . . . . . . 151
5.16 Resultados de la fase clasficatoria en la competici´
on del
CEC-2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.17 Resultados de la fase final de la competici´
on del CEC-2009.157
5.18 Resultados de la fase clasficatoria en la competici´
on del
GECCO-2009. . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.19 Resultados de la fase final de la competici´
on del GECCO-
2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.20 Resultados de la fase clasficatoria en la competici´
on del
CIG-2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
5.21 Resultados de la fase final de la competici´
on del CIG-2009. 162
5.22 Resultados de carreras con oponentes obtenidos a lo largo
del 2009 Simulated Car Racing Championship. . . . . . . 163
5.23 Posiciones obtenidas en las fases clasificatorias y final para
cada uno de los cuatro primeros clasificados. . . . . . . . . 164
xiv

Resumen
A pesar de que los veh´ıculos son cada vez m´
as seguros, el n´
umero
de fallecidos en carretera aumenta a˜
no tras a˜
no.
Por otro lado, nos
encontramos con que las v´ıas de circulaci´
on est´
an cada vez m´
as saturadas,
y la posibilidad de construir m´
as v´ıas se hace poco a poco, menos posible.
Esto hace que la tendencia actual sea la de a˜
nadir al veh´ıculo sistemas con
la capacidad de tomar el control en determinadas situaciones, con el fin
de reducir el n´
umero de accidentes y permitir un mejor aprovechamiento
de las v´ıas de circulaci´
on. Todo ello con la vista puesta siempre en una
futura automatizaci´
on de todas las posibles situaciones derivadas de la
conducci´
on.
En esta tesis se presentan tres aplicaciones pr´
acticas de la Soft
Computing en el campo de los veh´ıculos aut´
onomos. En primer lugar se
presenta un controlador difuso capaz de controlar el acelerador y freno de
un veh´ıculo aut´
onomo a bajas velocidades, haci´
endolo apto para su uso en
entornos urbanos. En segundo lugar, mediante algoritmos gen´
eticos, se
optimizar´
a un conjunto de controladores difusos encargados de controlar
el volante del veh´ıculo. En tercer lugar se dise˜
nar´
a e implementar´
a una
arquitectura de conducci´
on completa, capaz de controlar un veh´ıculo
simulado en condiciones competitivas, dicha arquitectura dispondr´
a de
un n´
ucleo difuso encargado de calcular la velocidad m´
axima permitida
en funci´
on de la trazada de la pista.
Las tres aplicaciones han sido dise˜
nadas e implementadas con l´
ogica
difusa como base, dado que la conducci´
on de veh´ıculos no deja de ser una
tarea f´
acilmente descriptible mediante sentencias del tipo si el veh´ıculo
est´
a desviado hacia la izquierda mueve el volante hacia la derecha. Por
xvii

otra parte, las tres aplicaciones han sido probadas, reportando excelentes
resultados. En los casos de veh´ıculos reales (control de pedales y volante),
la bondad de los controladores ha sido comparada con conductores
humanos, mostrando que, si bien es sumamente dif´ıcil manejar un
veh´ıculo de manera ´
optima, las t´
ecnicas de soft computing permiten
alcanzar (incluso mejorar) el comportamiento de las personas al volante.
En el caso de la arquitectura para entornos competitivos simulados, ´
esta
ha sido probada tanto con una amplia experimentaci´
on de laboratorio,
donde se ha comparado con otras alternativas existentes, y compitiendo
en un campeonato virtual, donde participaron hasta trece propuestas
provenientes de distintos centros de investigaci´
on, as´ı como haciendo uso
de diferentes t´
ecnicas de inteligencia artificial y control; resultando la
propuesta ganadora de tal evento.

Abstract
In spite of the fact that vehicles are increasingly safe, the number of
deaths in road accidents increases year by year, roads are becoming ever
more saturated, and the possibility of building more is steadily becoming
no longer a realistic option. For that reason, one of the current trends is
the addition of systems to cars with the purpose of taking over control
of the vehicle in certain situations, with the objective of reducing the
number of accidents and allowing more efficient use of the roads. All
this has the eventual aim of full automation of all the possible situations
related to driving.
In this thesis, Soft Computing techniques are used in three practical
applications in the field of autonomous vehicles. First, a fuzzy controller
is presented that is capable of managing the throttle and brake pedals of
an autonomous vehicle traveling at low speed, making it suitable for use
in urban environments. Second, by means of genetic algorithms, a set
of fuzzy controllers is optimized that are entrusted with the control of
the steering wheel of the vehicle. Third, the design and implementation
is presented of a complete driving architecture, capable of controlling
a simulated vehicle in competitive environments. This architecture has
a fuzzy based core, in charge of calculating the maximum permissible
speed depending on the track shape.
The three applications were designed and implemented using fuzzy
logic, since the task of driving vehicles can be easily described by means
of sentences of the kind if the vehicle deviates towards the left, then
move the steering wheel towards the right. All the applications have been
extensively tested, with excellent results.
In the cases involving real
xix

vehicles (pedals and steering control), the performance of the controllers
was compared with human drivers, concluding that, even if it is extremely
difficult to handle a car in an optimal way, soft computing techniques
allow one to reach (even to improve on) the performance of a person
when driving. In the case of the architecture for competitive simulated
environments, it was tested first by extensive laboratory experimentation
in which it was compared with other existing proposals, and second by
competing in a championship in which thirteen proposals took part, and
ended up being the winner of the event.

Cap´ıtulo 1
Introducci´
on
L
a investigaci´
on y desarrollo de veh´ıculos inteligentes es en la actu-
alidad una disciplina bien asentada dentro del ´
area de los Sistemas In-
teligentes de Transporte (ITS). El objetivo de fabricar en serie veh´ıculos
que circulen sin conductor ya no se puede considerar tan ut´
opico y se
espera que est´
en disponibles en un plazo de unos 30 a˜
nos. A´
un as´ı,
sigue siendo necesario fomentar una investigaci´
on de base que, tratando
los distintos aspectos de la conducci´
on aut´
onoma, tenga como prop´
osito
final la obtenci´
on de un veh´ıculo capaz de conducirse autom´
aticamente.
Uno de los objetivos fundamentales de los ITS es aplicar tecnolog´ıas
de la informaci´
on y la comunicaci´
on con el fin de obtener una conducci´
on
segura y eficiente.
Hoy d´ıa, el desarrollo de este tipo de sistemas
proporciona una oportunidad de mejorar la seguridad, eficiencia y
comodidad en el transporte, ya sea por carretera, a´
ereo, mar´ıtimo o
ferroviario (Jones 01).

ecnicas de control cl´
asicas han sido, hasta hace poco, la manera

as usual de manejar sistemas complejos relacionados con la conducci´
on
aut´
onoma (B¨
unte 02; Richards 06). Una caracter´ıstica de esas t´
ecnicas
es la necesidad de disponer de un modelo del sistema as´ı como de un
conjunto de ecuaciones que describan su comportamiento; ocasional-
mente esto puede suponer una limitaci´
on cuando el sistema a contro-
lar es demasiado complejo y no existe un modelo matem´
atico asociado
(Rajamani 06).
3

1. INTRODUCCI ´
ON
La linealizaci´
on de sistemas complejos es un problema cl´
asico en
teor´ıa de control (Ackermann 90). Dependiendo de la complejidad del
sistema a modelar, un modelo puede ser m´
as o menos realista pero con
limitaciones en su eficiencia dependiendo de su realismo (Sussmann 94).
El compromiso entre eficiencia y complejidad es el principal factor en
el control de este tipo de sistemas. Una forma de solventar problemas
de control de sistemas no lineales es el uso de t´
ecnicas de inteligencia
artificial.
La L´
ogica Difusa (Zadeh 65) surge de la necesidad de controlar
sistemas de los que no se tiene m´
as que descripciones ling¨
u´ısticas,
incompletas e inexactas basadas muchas veces en apreciaciones subjetivas
de las variables de control (Zadeh 99). La l´
ogica difusa se basa en el
concepto de conjunto difuso, donde la idea principal es que el grado de
pertenencia de un elemento a un conjunto se define en el intervalo [0,1],
en lugar de a uno de los valores {0,1}. Desde sus inicios ha sido aceptada
como una metodolog´ıa satisfactoria para modelar y controlar sistemas
complejos o no lineales (Takagi 85).
Los controladores difusos permiten un enfoque al control de este
tipo de sistemas del mismo modo que lo har´ıa una persona, no
requiriendo del modelado matem´
atico de los m´
etodos de dise˜
no m´
as
usuales (Driankov 93). Es por esto por lo que los controladores difusos
representan una alternativa efectiva y razonable a las t´
ecnicas de control
cl´
asicas en lo que a sistemas complejos se refiere.
Por otra parte, las acciones involucradas en la conducci´
on de un
veh´ıculo pueden ser f´
acilmente descritas mediante sentencias del tipo:
si el veh´ıculo est´
a desviado hacia la derecha entonces mueve el volante
hacia la izquierda. En la literatura, desde sus inicios, la l´
ogica difusa ha
probado ser eficaz y eficiente cuando es aplicada a problemas del mundo
real (Larsen 80) (King 77) (Ross 04), lo que involucra una alta tolerancia
a fallos, imprecisiones, ruido y nolinealidades, as´ı como un bajo tiempo
de respuesta (Liu 09).
Hoy en d´ıa la l´
ogica difusa se define en el contexto de la Soft Com-
puting, el t´
ermino Soft Computing es definido en primera instancia como
un conjunto de metodolog´ıas cuyo objetivo es el de explotar la toler-
4

ancia a la imprecisi´
on y la incertidumbre para conseguir manejabilidad,
robustez y soluciones de bajo coste y mejores representaciones de la re-
alidad (Zadeh 94).
Una definici´
on m´
as reciente (Verdegay 08) establece que la Soft
Computing engloba un conjunto de t´
ecnicas y m´
etodos que permiten
tratar las situaciones practicas reales de la misma forma que suelen
hacerlo los seres humanos, es decir, en base a inteligencia, sentido com´
un,
consideraci´
on de analog´ıas, aproximaciones, etc.
De esta manera, se
considera la Soft Computing como la ant´ıtesis de lo que se denomina
Hard Computing. Seg´
un los autores:
La Soft Computing es una familia de m´
etodos de resoluci´
on de
problemas cuyos primeros miembros ser´ıan el razonamiento aproximado
y los m´
etodos de aproximaci´
on funcional y de optimizaci´
on, incluyendo
los de b´
usqueda.
En la figura 1.1 puede verse una diferenciaci´
on de los m´
etodos que
abarcan, respectivamente, la Hard y Soft Computing.
Figura 1.1: Clasificaci´
on de las t´
ecnicas englobadas por la Hard/Soft
Computing.
Dentro de las metaher´ısticas englobadas dentro de los m´
etodos de
aproximaci´
on/optimizaci´
on, podemos encontrar, entre otros, m´
etodos
tales como el enfriamiento simulado (Kirkpatrick 83) (Cerny 85), la b´
us-
5

1. INTRODUCCI ´
ON
queda tab´
u (Glover 93) (Glover 03), el procedimiento de b´
usqueda adap-
tativo aleatorizado y avaricioso, conocido com´
unmente por GRASP (acr´
o-
nimo ingl´
es Greedy Randomized Adaptive Search Procedure) (Feo 95),
colonias de hormigas (Dorigo 05), optimizaci´
on por colonias de part´ıculas
(Kennedy 95), b´
usqueda por vecindarios variables (Mladenovic 97) y com-
putaci´
on evolutiva, la cual se basa en los principios de la selecci´
on natural,
como se establece en (Holland 75), dentro de esta se han desarrollado
multitud de m´
etodos y algoritmos, entre los que destacan la progra-
maci´
on evolutiva (Fogel 66), las estrategias evolutivas (Beyer 02) y los
algoritmos gen´
eticos (Goldberg 89).
Las t´
ecnicas de computaci´
on evolutiva en general, y los Algoritmos
Gen´
eticos en particular, son m´
etodos de b´
usqueda de prop´
osito gene-
ral que usan principios basados en poblaciones gen´
eticas naturales para
evolucionar soluciones a problemas. La idea principal es mantener una
poblaci´
on de cromosomas, los cuales representan soluciones candidatas a
un problema dado, dicha poblaci´
on evoluciona con el tiempo mediante un
proceso de competici´
on y variaci´
on controlada. Cada cromosoma de la
poblaci´
on tiene asociado un fitness que determinar´
a qu´
e cromosomas son
usados para crear otros nuevos mediante operadores de cruce y mutaci´
on.
Todas estas metodolog´ıas, englobadas dentro del ´
area de la Soft Com-
puting han demostrado estar especialmente indicadas cuando tratamos
de emular el comportamiento humano al controlar sistemas complejos,
tales como la conducci´
on.
El trabajo aqu´ı presentado se engloba dentro del denominado Pro-
grama AUTOPIA, formado por una serie de proyectos dedicados a la in-
vestigaci´
on en el campo de la conducci´
on autom´
atica de veh´ıculos. Este
programa trata de recoger la experiencia acumulada en el ´
ambito de la
rob´
otica m´
ovil en el Centro de Autom´
atica y Rob´
otica
1
, centro mixto
entre la Universidad Polit´
ecnica de Madrid y el Consejo Superior de
Investigaciones Cient´ıficas (UPM-CSIC). Principalmente, la filosof´ıa de
trabajo se orienta al empleo de t´
ecnicas de Soft Computing para el con-
trol de veh´ıculos, en concreto de m´
etodos de l´
ogica difusa (Naranjo 07).
Dentro de los Sistemas de Transporte Inteligentes, el presente trabajo
1
http://www.car.upm-csic.es/
6

1.1 Prop´
osito
se centra en el transporte por carretera y, concretando m´
as, en veh´ıculos
inteligentes, lo que pasa por el dise˜
no, desarrollo y prueba de veh´ıculos
aut´
onomos. Estos veh´ıculos deben estar equipados con la instrumenta-
ci´
on necesaria para controlar unos o todos los actuadores de un veh´ıculo
sin la intervenci´
on externa de la misma manera que para percibir el
entorno. Se trabajar´
a en la implantaci´
on de t´
ecnicas de soft computing
para el desempe˜
no de tareas de control de veh´ıculos, tanto en entornos
reales como simulados.
1.1
Prop´
osito
A pesar de que los veh´ıculos son cada vez m´
as seguros, el n´
umero de
accidentes y fallecidos en carretera aumenta a˜
no tras a˜
no.
Por otro
lado, nos encontramos con que las v´ıas de circulaci´
on est´
an cada vez m´
as
saturadas, y la posibilidad de construir m´
as v´ıas se hace poco a poco,
menos posible. Es por ello que la tendencia actual es la de a˜
nadir al
veh´ıculo sistemas con la capacidad de tomar el control en determinadas
situaciones, con el fin de reducir el n´
umero de accidentes y permitir
un mejor aprovechamiento de las v´ıas de circulaci´
on. Todo ello con la
vista puesta siempre en una futura automatizaci´
on de todas las posibles
situaciones derivadas de la conducci´
on.
El objetivo global de la presente tesis es la demostraci´
on de c´
omo las

ecnicas de Soft Computing pueden resultar de gran utilidad cuando son
aplicados a diferentes problemas derivados de la conducci´
on aut´
onoma
de veh´ıculos.
Objetivos espec´ıficos del trabajo aqu´ı presentado se orientan hacia
dos ramas bien diferenciadas: 1) La utilizaci´
on de t´
ecnicas avanzadas de
Soft Computing, principalmente l´
ogica difusa y algoritmos gen´
eticos, para
la realizaci´
on del guiado de veh´ıculos inteligentes de conducci´
on segura,
precisa y lo m´
as parecida a la que realizar´ıa un conductor humano. 2)
La exploraci´
on de la l´
ogica difusa en entornos de simulaci´
on de veh´ıculos
competitivos, que permiten la realizaci´
on de estrategias dif´ıcilmente
replicables en veh´ıculos reales y en instalaciones al alcance de grupos
de investigaci´
on.
7

1. INTRODUCCI ´
ON
Ambos objetivos son abordados mediante tres aplicaciones pr´
acticas
de la Soft Computing sobre veh´ıculos inteligentes bien diferenciadas:
1. El dise˜
no e implementaci´
on de un doble controlador difuso capaz de
actuar cooperativamente sobre el acelerador y freno de un veh´ıculo


Compartir con tus amigos:
1   2   3   4   5   6   7   8   9   ...   15


La base de datos está protegida por derechos de autor ©absta.info 2019
enviar mensaje

    Página principal