کلمات کلیدی: یادگیری Q فازی- ناوبری خودمختار- ربات کپرا
فهرست مطالب
1-مقدمه……………………………………………………………………. 2
1-1- تعاریف اولیه در رباتیک………………………………………………… 3
1-2- چالش های ناوبری خودمختار…………………………………………….. 3
1-3- روش های حل مساله ی ناوبری ربات………………………………… 4
1-4- اهداف و نتایج………………………………………………………………….. 6
1-5- ساختار پایان نامه………………………………………………………….. 9
2- بررسی روشهای پیشین…………………………………………………………. 11
2-1- مقدمه………………………………………………………………………………. 11
2-2- معماری سلسله مراتبی……………………………………………………. 11
2-2-1-روش گراف دیداری……………………………………………………….. 12
2-2-2-روش تجزیه سلولی……………………………………….. 13
2-2-3-روش میدان پتانسیل…………………………………… 13
2-3- معماری مبتنی بر رفتار………………………………………………… 14
2-4- روش ترکیبی……………………………………………………………………… 17
2-5- مطالعات مرتبط………………………………………………………………… 18
2-6- نتیجه گیری……………………………………………………………………… 21
3- منطق فازی، یادگیری Q و بهینه سازی کلونی زنبور مصنوعی. 24
3-1- مقدمه         ………………………………………………………………………………………………………………………….. 24
3-2- منطق فازی……………………………………………………………………… 24
3-3- یادگیری Q……………………………………………………………………… 27
3-4- بهینه سازی کلونی زنبور مصنوعی………………………………… 28
3-4-1-زنبور ها در طبیعت ………………………………… 29
3-4-2-الگوریتم بهینه سازی کلونی زنبورهای مصنوعی………. 30
3-4-3-فاز جمعیت اولیه…………………………………….. 32
3-4-4-انتخاب جمعیت اولیه………………………………… 32
3-4-5-فاز رنبورهای به کار گرفته شده……… 32
3-4-6-فاز زنبورهای تماشاگر………………………….. 32
3-4-7-فاز زنبورهای دیده بان……………………….. 33
4- الگوریتم یادگیری Q فازی پیشنهادی…………………………. 35
4-1- مقدمه……………………………………………………………………………… 35
4-2- ربات کپرا……………………………………………………………………….. 35
4-3- یادگیری Q فازی……………………………………………………………… 38
4-4- بهینه سازی……………………………………………………………………… 43
5- نتایج شبیه سازی ها و پیشنهادهای ادامه کار……. 48
5-1- مقدمه………………………………………………………………………………. 48
5-

2- نرم افزار شبیه سازی KiKS………………………………………….. 48
5-3- محیط های شبیه سازی………………………………………………………. 51
5-4- نتایج شبیه سازی……………………………………………………………. 53
5-4-1-موفقیت در رسیدن به هدف (GR)……………… 53
5-4-2-امنیت مسیر طی شده تا هدف (SF)………… 53
5-4-3-سرعت مسیر طی شده تا هدف (SP)…………… 53
5-5- بحث و نتیجه گیری………………………………………………………….. 65
5-6-پیشنهادهای ادامه کار……………………………………………………. 66
مراجع…………………………………………………………………………………………………………………………………………………………………………….67
چکیده لاتین…………………………………………………………………………………………………………………………………………………………………….70
 
فهرست شکل ها
شکل(‏2‑1): معماری سلسله مراتبی جهت ناوبری ربات………. 12
شکل(‏2‑2): معماری مبتنی بر رفتار جهت ناوبری ربات…….. 15
شکل(‏2‑3): معماری رده بندی جهت ناوبری ربات…………… 15
شکل(‏2‑4): معماری الگوهای حرکتی جهت ناوبری ربات……… 16
شکل(‏2‑5): معماری ترکیبی جهت ناوبری ربات…………….. 18
شکل(‏3‑1): توابع عضویت فازی متغیرهای ورودی………….. 25
شکل(‏3‑2): روش فازی زدایی متوسط مقدار بیشینه………… 26
شکل(4-1): ربات کپرا……………………………… 35
شکل(4‑2): میزان دریافت نور بازتاب شده از موانع مختلف توسط گیرنده­های مادون­قرمز ربات کپرا…………………….. 36
شکل(4-3): توابع عضویت فازی ورودی …………………. 38
شکل(4-4): نمایش راستای محاسبه زاویه چرخش در دستگاه کارتزین 39
شکل(4-5): الگوریتم یادگیری Q فازی…………………. 40
شکل(4-6): فلوچارت الگوریتم یادگیری Q فازی پیشنهادی….. 41

شکل(4-7): بهینه سازی غیربرخط پارامترهای کلیدی یادگیری Q و سامانه استنباط فازی……………………………….43
شکل(4-8): محیط در نظر گرفته شده جهت فرآیند بهینه سازی.. 44
شکل(4-9): نمودار بهینه سازی تابع هدف بر حسب تعداد تکرارها 45
شکل(4-10): فلوچارت الگوریتم بهینه سازی…………….. 46
شکل(5-1): پنجره آماده سازی KiKS…………………… 49
شکل(5-2): نمونه شکل های موانع……………………. 52
شکل(5-3): عملکرد الگوریتم یادگیری Q فازی در محیط ساده.. 56
شکل(5-4): عملکرد الگوریتم فازی در محیط ساده………… 56
شکل(5-5): عملکرد الگوریتم یادگیری Q فازی در محیط ساده.. 57
شکل(5-6): عملکرد الگوریتم فازی در محیط ساده………… 57
شکل(5-7): عملکرد الگوریتم یادگیری Q فازی در محیط ساده.. 58
شکل(5-8): عملکرد الگوریتم فازی در محیط ساده………… 58
شکل(5-9): عملکرد الگوریتم یادگیری Q فازی در محیط معمولی 59
شکل(5-10): عملکرد الگوریتم فازی در محیط معمولی……… 59
شکل(5-11): عملکرد الگوریتم یادگیری Q فازی در محیط معمولی 59
شکل(5-12): عملکرد الگوریتم فازی در محیط معمولی……… 59
شکل(5-13): عملکرد الگوریتم یادگیری Q فازی در محیط معمولی 60
شکل(5-14): عملکرد الگوریتم فازی در محیط معمولی……… 61
شکل(5-15): عملکرد الگوریتم یادگیری Q فازی در محیط پیچیده 62
شکل(5-16): عملکرد الگوریتم فازی در محیط پیچیده……… 62
شکل(5-17): عملکرد الگوریتم یادگیری Q فازی در محیط پیچیده 63
شکل(5-18): عملکرد الگوریتم فازی در محیط پیچیده……… 63
شکل(5-19): عملکرد الگوریتم یادگیری Q فازی در محیط پیچیده 64
شکل(5-20): عملکرد الگوریتم فازی در محیط پیچیده……… 64
 
فهرست جدول ها
جدول(‏2‑1): مقایسه خصوصیات معماری های مختلف………….. 22
جدول(‏2‑2): تعریف معیارهای ارزیابی معماری های مختلف…… 22
جدول(4‑1): محدوده صفات زبانی زاویه چرخش…………….. 39
جدول(4‑2): مقادیر سیگنال تشدیدی در حالتهای مختلف…….. 42
جدول(4-3): پارامترهای الگوریتم بهینه سازی………….. 44
جدول(4-4): مقادیر پارامترهای بهینه شده و تابع هدف…… 45
جدول(5‑1): توصیف کمی درجه پیچیدگی محیط ها…………… 53
جدول(5-2): عملکرد الگوریتم یادگیری Q فازی پیشنهادی….. 54
جدول(5-3): عملکرد الگوریتم فازی…………………… 55
 
فهرست علایم و اختصارات
FQL………………………………………………………………………………………………….. Fuzzy Q-learning
DFQL………………………………………………………………………………….. Dynamic Fuzzy Q-learning
ABC………………………………………………………………………… Artificial Bee Colony Optimization
KiKS………………………………………………………………………………… KiKS is a Khepera Simulator
مقدمه
 

1-          مقدمه
ربات خود­مختار[1] به سامانه­ی فیزیکی‌ای اطلاق می­شود که بتواند به طور هدفمند، بدون دانش پیشین از محیط و بدون دخالت انسان در دنیای واقعی، که مخصوصا برای ربات مهندسی نشده، حرکت کند و وظایف مشخصی را انجام دهد [1]. به عنوان مثال، مطلوب مساله ناوبری[2] ربات، که در این پژوهش مطرح است، حرکت ربات به سمت هدفی مشخص بدون برخورد با موانع موجود