Robotic Control: Introduction to Robotic Vision

Transkripsi

1 Endra Pitowarno 27 ic Control: Introduction to ic Vision Dr. Ir. Endra Pitowarno, M.Eng PENS-ITS Seminar New Concept ics: Vision 22 Februari 27 Universitas Gunadarma - Jakarta Endra Pitowarno 27 Sistem Sistem Kontroler Sistem dan orientasi fungsi Aktuator Mekanik Sensor Sistem Aktuator Mata Kamera Sistem Roda Sistem Kaki Sistem Tangan Mata Kamera Real world Untuk Navigasi (gerak berpindah) Untuk Manipulasi (gerak penanganan) Mengikuti jalur Berdasarkan obyek statik atau bergerak (menuju obyek, menghindari obyek/halangan) berbasis vision, proximity, dll. Berdasarkan urutan perintah (referensi trajektori) vision Ujung tangan (posisi TIP): Mengikuti referensi trajektori Mengikuti obyek (berbasis vision, proximity, dll.) Memegang, mengambil, mengangkat, memindah atau mengolah obyek

2 Endra Pitowarno 27 Sistem dengan kontroler berbasis prosesor Analog dan atau Digital Rangkaian prosesor (CPU) Analog dan atau Digital Aktuator Sensor Endra Pitowarno 27 Kontroler berbasis prosesor dengan user interface Keypad/ keyboard Monitor (LCD, CRT, etc.) analog / sistem bus (shaft encoder, vision) camera Serial comm Rangkaian prosesor (CPU) Wireless communications (blue tooth, Wi-Fi, etc.) / analog 2

3 Endra Pitowarno 27 Instalasi Kontroler: PC or Embedded Controller Kontroler (or) Embedded Controller Komputer SLOT EISA atau PCI Analog Digital Data Acquisition Card Analog Digital Kabel panjang via konektor Proximity sensor, camera, etc. Sensor ROBOT Environment, Workspace, Object, Obstacle, etc. Aktuator Endra Pitowarno 27 Diagram Sistem Kontrol ik Referensi Gerak Kontroler kontrol robot loop terbuka Referensi Gerak Error = Gerak referensi Gerak aktual Kontroler Hasil Gerak sesungguhnya (dibaca oleh sensor) - kontrol robot loop tertutup Gerak aktual 3

4 Endra Pitowarno 27 Klasifisaksi Kontrol berbasis Sensor: Low-level & High Level Control Low-level control High-level control Sensor Internal: sensor posisi, sensor kecepatan, dan sensor percepatan, Sensor Eksternal: sensor taktil (tactile), berbasis sentuhan: misalnya limit switch pada bemper robot, sensor force dan sensor torsi (torque sensor), sensor proksimiti, sensor jarak (sonar, PSD, dll), sensor vision (kamera), gyro, kompas digital, detektor api, dan sebagainya. Endra Pitowarno 27 Close Loop ON/OFF Control sederhana / - / Kontroler ON/OFF / / Sistem Motor DC kiri-kanan ON/OFF Kontroler ON/OFF Referensi Gerak Sensor infra-merah ON/OFF TRACK Roda kiri-kanan 4

5 Endra Pitowarno 27 High-Low Level of Control Low-level Control Perintah Gerak Aktuator Lingkungan Sensor Internal Sensor Eksternal High-level Control Endra Pitowarno 27 Low Level Control θ & (r) ref (rpm) error e Kp Sinyal aktuasi u Motor DC Sensor kecepatan Poros motor - Ki s (y) & θ act (rpm) u( t) = Kp ( & θ ( t) & θ ( t)) Ki ( & θ ( t) & θ ref act t ref act ( t)) dt 5

6 Endra Pitowarno 27 Low Level Control: Motor DC Servo Motor DC Servo dengan kontrol kecepatan Kecepatan Referensi, θ & ref Kontrol PID Motor DC-MP Kecepatan aktual, θ & act - Skema ekivalen Motor DC Servo dengan kontrol kecepatan Endra Pitowarno 27 High Level Control (classic sensor: proximity) Motor DC Servo kiri-kanan Sistem Kontroler ON/OFF Servo (kontrol Kecepatan) Referensi Gerak Sensor infra-merah ON/OFF Roda kiri-kanan TRACK High Level Control Low Level Control 6

7 Endra Pitowarno 27 Contoh: Route Runner Limit Switch parallel PB7 PB PB Jalur PUTIH di lantai GELAP ROUTE RUNNER INPUT Referensi PB7 PB PB * * OUTPUT yang dikehendaki PA PA Motor Kiri PA Motor Kanan PA Keterangan: * = atau INPUT: = PUTIH = HITAM Keterangan : PA dan PA adalah motor Kiri & Kanan PB dan PB adalah sensor Kiri & Kanan Motor DC Servo (low level control) Endra Pitowarno 27 High Level Control (visual sensor: camera) Motor DC Servo kiri-kanan Sistem Image Processing (visual-based Control) Servo (kontrol Kecepatan) Referensi Gerak Sensor kamera - Roda kiri-kanan TRACK High Level Control Low Level Control 7

8 Endra Pitowarno 27 Penggunaan Transformasi Laplace dlm model kontrol: Fenomena posisi, kecepatan, dan percepatan st L{ f ( t)} = f ( t) e dt jika L { x( t)} = X ( s) & L {&& x( t)} = s( sx ( s)) maka L { x( t)} = sx ( s) percepatan/akselerasi kecepatan posisi & x&(t) x& (t) x (t) s s(sx(s)) sx(s) X(s) s Endra Pitowarno 27 Dasar Low Level Control Contoh: Tangan Satu Sendi Sensor posisi (potensiometer) Y θ & act = θ t (lengan tunggal) Aktuator (Motor DC) θ X && θ act = & θ t θ ref θ Error = θ ref act Sistem Kontroler Kontrol Amplifier - I Ktn Motor DC Sistem τ Sendi & θ act s & θ act s θact 8

9 Endra Pitowarno 27 Low Level Control Metoda Kontrol Klasik (P) r e Kp u H(s) y - u = Kp e Endra Pitowarno 27 Low Level Control Metoda Kontrol Klasik (I) r - e Ki s u H(s) y t u( t) = e T dt Ki ( ) 9

10 Endra Pitowarno 27 Low Level Control Metoda Kontrol Klasik (P-I) Kp r e u H(s) y - Ki s G ( s) = Kp Ki s Endra Pitowarno 27 Low Level Control Metoda Kontrol Klasik (D) r e s Kd u H(s) y - u = Kd e& u = e Kd t

11 Endra Pitowarno 27 Low Level Control Metoda Kontrol Klasik (P-I-D) Kp r - e Ki s u H(s) y s Kd Endra Pitowarno 27 Penggunaan Kontrol Cerdas pada Low Level Control r - e Kontroler berbasis AI u Sistem y Posisi, kecepatan atau akselerasi AI & Terminologi:orang pertama > Alan Turing (937) Neural Network: Warren McCulloch (943) Teori Fuzzy: Lukacewick (93an) Fuzzy Sets: Lotfi Zadeh (965) Genetic Algorithm: Teori Darwin Konsep GA dalam Evolutionary Computation (EC): Holland (975)

12 Endra Pitowarno 27 Contoh: Kontrol Fuzzy pada Low Level Control r - e Kontrol Fuzzy u Sistem y Posisi, kecepatan atau akselerasi ne INPUTS mu OUTPUTS Endra Pitowarno 27 Penggunaan Kontrol Cerdas pada High Level Control Pendekatan Model-Plan-Act (MPA), Pendekatan Behavior-based, dan Pendekatan Finite State Machine (FSM). 2

13 Endra Pitowarno 27 Metode: Model-Plan-Act camera Baca Sensor Model Pemodelan Lingkungan/ Environment (Medan Kerja ) Plan Act Perencanaan Gerak Action (aktuasi) Gerak Aktuator Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) camera START GOAL 3

14 Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) camera PC PMID START GOAL Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) camera PMID PC3 PC PMID3 PC2 START PMID2 GOAL 4

15 Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) camera PMID PC3 PC PMID3 PC2 START PMID2 PMID4 PC4 GOAL Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) PMID PC3 PMID3 PC START PC2 PMID2 PC5 PMID4 PC4 GOAL camera 5

16 Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) PMID PC3 PC PMID3 PMID4 PC2 PC3 START PMID2 GOAL Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) PMID PC3 PMID3 PC START PC2 PMID2 PC5 PMID4A PMID4B PC4A GOAL 6

17 Endra Pitowarno 27 Metode: Model-Plan-Act (Kasus: Vision pada Micromouse) PMID PC3 PMID3 PC START PC2 PMID2 PC5 PMID4A PMID4B PC4A GOAL Endra Pitowarno 27 Metode: Behavior Based Stimuli Behavior Respon Spesifikasi BEHAVIOR: Tanpa memori Tanpa initial condition Tanpa pemodelan internal sistem Tanpa perlu memberikan pengetahuan secara simbolik Tanpa perlu reasoning dalam melakukan aksi 7

18 Endra Pitowarno 27 Metode: Behavior Based Behavior-N Behavior-2 Behavior- Lingkungan/Environment (Medan Kerja ) Endra Pitowarno 27 Metode: Behavior Based Melihat batu Melihat anjing mengejar BEHAVIOR Memungut batu & melempar Lari S 2 berjalan S KAKI KITA 8

19 Endra Pitowarno 27 Metode: Behavior Based (Kasus: Penangkap Bola) solenoid pintu bola SOL Switch bemper kiri SBL Infrared range-finder Kiri: PSDL Motor roda kiri bola Switch bemper kanan SBR Infrared range-finder Kanan: PSDR Motor roda kanan Switch detektor bola DB Kamera (K) roda bebas Endra Pitowarno 27 Metode: Behavior Based (Kasus: Penangkap Bola) BEHAVIOR Mencari GOAL Detektor Sentuh Bola (DB) Memegang Bola S5 Pintu Bola Kamera (K) Mencari Bola Bemper (SBL & SBR) Mundur & Belok Infrared (PSDL & PSDR) Menghindar S4 Jelajah S3 S2 S Motor Kiri/Kanan 9

20 Endra Pitowarno 27 Metode: Finite State Machine tidak ada halangan halangan dalam jarak 2cm halangan dalam jarak 2cm MAJU cm tidak ada halangan BELOK KANAN 45 Endra Pitowarno 27 Neural Network Control untuk Line-Tracer/Route Runner Jalur PUTIH di lantai GELAP Motor Kiri DAC PB3 PB2 PB PB Motor Kanan DAC Neural Network ROUTE RUNNER 2

21 Endra Pitowarno 27 Korelasi fungsi I/O pada robot Route Runner No PB3 Sensor (:gelap :putih) PB2 PB PB Motor ( 5)V ML MR Endra Pitowarno 27 Disain BP-NN dengan Struktur Sensor PB3 i = wij j = j = 2 wjk Motor PB2 i = 2 j = 3 k = ML PB PB i = 3 i = 4 j = 4 k = 2 Output layer MR Input layer j = 5 Hidden layer 2

22 22 Disain BP-NN dengan Struktur = PB = M Endra Pitowarno 27 Disain BP-NN dengan Struktur Endra Pitowarno 27

23 Endra Pitowarno 27 Disain BP-NN dengan Struktur w H = w out 62.2 = H = b b out = [ ] Endra Pitowarno 27 Evaluasi fungsi I/O pada robot NN Route Runner Sensor (:gelap :putih] Motor ( 5)V PB3 PB2 PB PB Target ML MR ML Output NN MR e-6.649e e-7 23

24 Endra Pitowarno 27 END 24