Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2023

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Gazebo

Sortuj według:

Ogranicz wyniki do:

Application of artificial neural networks and NEAT algorithm to control a quadcopter

Przychodzki Mateusz, Niewiadomski Artur

Studia Informatica : systems and information technology

2023

Vol. 2(29)

41--56

We present a framework for building ArtificialNeuralNetworks (ANNs) able to control a quadcopter and perform basic maneuvers, like hover or following waypoints. In this approach, we make use of the Neuroevolution of Augmenting Topologies (NEAT) algorithm which is aimed at creating the network structure and the weights in result of evolutionary computations. In order to evaluate fitness of individuals, we use physics based, realistic simulation engine Gazebo, where each individual controls a drone in a simulated environment. Our approach is aimed at using one of existing, popular protocols used to remotely control drones, and train ANNs able to imitate signals received from a radio controller operated by a human pilot. Thus, contrary to the most of other approaches, our autonomous controller cooperates with standard drone software. Our ultimate goal is to train ANNs able to control a real-world quadcopter and perform advanced tasks autonomously. Not only such ANNs should be able to perform the maneuvers correctly, but they should be small enough to transfer them into a quadcopter’s limited memory. In this paper we report the first stage of our project - a successful development and deployment of the ANNs distributed training framework, and choosing the activation function for further research.

Sterowanie autonomicznym bezzałogowym statkiem powietrznym z wykorzystaniem uczenia przez wzmacnianie

Miera Paweł, Szolc Hubert, Kryjak Tomasz

Pomiary Automatyka Robotyka

2023

R. 27, nr 4

85--91

Uczenie przez wzmacnianie ma coraz większe znaczenie w sterowaniu robotami, a symulacja odgrywa w tym procesie kluczową rolę. W obszarze bezzałogowych statków powietrznych (BSP, w tym dronów) obserwujemy wzrost liczby publikowanych prac naukowych zajmujących się tym zagadnieniem i wykorzystujących wspomniane podejście. W artykule omówiono opracowany system autonomicznego sterowania dronem, który ma za zadanie lecieć w zadanym kierunku (zgodnie z przyjętym układem odniesienia) i omijać napotykane w lesie drzewa na podstawie odczytów z obrotowego sensora LiDAR. Do jego przygotowania wykorzystano algorytm Proximal Policy Optimization (PPO), stanowiący przykład uczenia przez wzmacnianie (ang. reinforcement learning, RL). Do realizacji tego celu opracowano własny symulator w języku Python. Przy testach uzyskanego algorytmu sterowania wykorzystano również środowisko Gazebo, zintegrowane z Robot Operating System (ROS). Rozwiązanie zaimplementowano w układzie eGPU Nvidia Jetson Nano i przeprowadzono testy w rzeczywistości. Podczas nich dron skutecznie zrealizował postawione zadania i był w stanie w powtarzalny sposób omijać drzewa podczas przelotu przez las.

Reinforcement learning is of increasing importance in the field of robot control and simulation plays a key role in this process. In the unmanned aerial vehicles (UAVs, drones), there is also an increase in the number of published scientific papers involving this approach. In this work, an autonomous drone control system was prepared to fly forward (according to its coordinates system) and pass the trees encountered in the forest based on the data from a rotating LiDAR sensor. The Proximal Policy Optimization (PPO) algorithm, an example of reinforcement learning (RL), was used to prepare it. A custom simulator in the Python language was developed for this purpose. The Gazebo environment, integrated with the Robot Operating System (ROS), was also used to test the resulting control algorithm. Finally, the prepared solution was implemented in the Nvidia Jetson Nano eGPU and verified in the real tests scenarios. During them, the drone successfully completed the set task and was able to repeatable avoid trees and fly through the forest.