فهرست مطالب:
- مرحله 1: نمودار جریان
- مرحله 2: اجزای اصلی شامل:
- مرحله 3: MODULE V1:
- مرحله 4: MODULE V2:
- مرحله 5: مشکلات شامل -
- مرحله 6: ماژول A1 و A2:
- مرحله 7: پیوند به فیلم ها:
تصویری: ربات راه رفتن خودکار: 7 قدم
2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:56
من چی درست کردم؟
bot رباتی که می توان راه رفتن (حرکت رو به جلو) را در سطوح مختلف آموزش دید. این ربات یک موجود ساده را با 4 پای "بدون زانو" به تصویر می کشد که برای حرکت به جلو تلاش می کند. می داند که می تواند هر یک از پاها را فقط به 3 روش ممکن جهت دهد. اکنون باید بهترین مراحل ممکن را برای ادامه حرکت بفهمد. از آنجا که حرکت آن نیز بستگی به اصطکاک با سطح دارد ، ما معتقدیم که برای هر سطح متفاوتی که راه می رود ، گام های متفاوتی (نه لزوماً منحصر به فرد ، اما به احتمال زیاد مشابه) وجود خواهد داشت تا تلاش خود را برای حرکت بیشتر به حداکثر برساند.
آن برای چه کاری استفاده می شود؟
best بهتر است برای تجسم الگوهای راه رفتن برای AI ROBOT استفاده شود.
مرحله 1: نمودار جریان
در اینجا تجزیه و تحلیل کل پروژه است. به طور کلی پروژه در 2 قسمت الکترونیکی با ساختار مکانیکی روبات و دیگری الگوریتم اجرای کامپیوتر و کد اجرا بر روی آردوینو است.
مرحله 2: اجزای اصلی شامل:
الکترونیک
آردوینو UNO (!)
سنسور اولتراسونیک
سرو موتورها
ماژول بلوتوث
برنامه نویسی
آردوینو IDE
تراترم
دفترچه یادداشت Jupyter
س- الگوریتم یادگیری
مرحله 3: MODULE V1:
یادگیری تقویتی: با استفاده از ANN (شبکه عصبی مصنوعی) ما برنامه ریزی کردیم تا ربات خود را آموزش دهیم و به دو روش ممکن دست یافتیم.
محدودیت ها: هر پا (سروو موتور) محدود است که فقط 3 موقعیت ممکن 60 ، 90 و 120 درجه را بگیرد. مفروضات: ما در نظر داریم که حرکت ربات 4 حالت را تشکیل می دهد (یک حالت جهت گیری خاصی از هر چهار سروو است) ، یعنی 4 حالت مختلف ربات وجود خواهد داشت که ما به ترتیب 4 مرحله در نظر می گیریم که یک چرخه حرکت را در اختیار ما قرار می دهد. که ربات کمی جلوتر حرکت می کند. این چرخه تا بی نهایت تکرار می شود تا ربات در حرکت باشد.
اما تنها مشکل تعداد تکرارهای مورد ارزیابی بود - ما برای هر موتور 3 جهت احتمالی داریم و 4 موتور مختلف وجود دارد که باعث می شود 3^4 = 81 حالت باشد که در آن ربات می تواند در یک مرحله یا حالت واحد وجود داشته باشد. برای تکمیل یک حرکت پیچیده باید 4 مرحله متفاوت برداریم ، به این معنی که 81^4 = 43 ، 046 ، 721 ترکیب ممکن برای حداکثر کارایی در یک چرخه حرکت بررسی شود. فرض کنید برای آموزش یک حالت 5 ثانیه طول می کشد تا آموزش کامل شود 6.8250 سال طول می کشد!
مرحله 4: MODULE V2:
الگوریتم یادگیری پرسش
یک الگوریتم یادگیری تقویتی اولیه برای آموزش چیزهایی با حالت محدود و یافتن کوتاهترین مسیرها ایجاد شده است. منبع:
ریاضی الگوریتم: 81 حالت ممکن برای هر مرحله ای که ربات می تواند در آن قرار گیرد وجود دارد ، ما این حالتها را به عنوان اعداد از 1 تا 81 نامگذاری می کنیم و در حال حاضر آنچه می خواهیم بدانیم مقدار گذار است ، یعنی تغییر موقعیت ربات (فاصله جابجا شده) در حالی که از حالت تصادفی s1 به حالت دیگر s2 حرکت می کند (s1 ، s2 از آن 81 حالت). ما می توانیم آن را به عنوان ماتریسی با 81 ردیف و 81 ستون در نظر بگیریم که در آن یک عنصر ماتریس برابر مقدار فاصله ای است که از مربوط به شماره سطر و ستون آن حرکت کرده است. این مقادیر بسته به عملکرد روبات در کلمه واقعی می توانند مثبت یا منفی باشند. اکنون ما یک حلقه بسته از حالات را پیدا می کنیم که در آن مسافتی که طی می کند همیشه مثبت است. ما ارزش ماتریس 81x81 را که 81^2 = 6561 است ، ارزیابی می کنیم ، حال اگر 5 ثانیه طول بکشد تا این مقدار در ماتریس ذخیره شود ، تنها برای ساختن یک کل ماتریس 9.1125 ساعت زمان لازم است و سپس می توانید به راحتی حلقه ای از مراحل را برای به حداکثر رساندن کارایی حرکت مشخص کنید.
مرحله 5: مشکلات شامل -
- برای برخی از حالتها حرکت ربات بسیار ناهموار بود و بر روی سنسور اولتراسونیک تأثیر می گذاشت ، ربات کج می شد و فاصله را از دیوار دور می گرفت.
- مشکل قطع اتصال به لپ تاپ و راه اندازی مجدد آردوینو باعث شده بود که از 0 استفاده شود و بسیار آزاردهنده بود.
- تماشای قطار ربات برای 5 ساعت مداوم بسیار جامع بود.
مرحله 6: ماژول A1 و A2:
- قسمت مکانیکی شامل تخته شاسی با چهار سرو است که روی آن ثابت شده است. ما از چوب بستنی برای ساخت پا استفاده کردیم.
- وظیفه اصلی ما - پیگیری فاصله ربات از موقعیت اولیه آن است.
- اولین رویکرد ما استفاده از سنسور ژیروسکوپ و استفاده از شتاب بات در حین حرکت برای استخراج سرعت و سپس موقعیت آن بود.
- مشکل - پیاده سازی آن بسیار پیچیده بود! جایگزین - ما حرکت ربات را فقط به یک بعد محدود کردیم و از سنسور اولتراسونیک برای اندازه گیری فاصله از دیوار مستقیم در جلو استفاده کردیم.
- ماژول HC05-Bluetooth در طول دوره آموزش برای انتقال سرعت انتقال بین دو مرحله به رایانه مورد استفاده قرار گرفت و داده ها در یک ماتریس ذخیره شد.
مرحله 7: پیوند به فیلم ها:
مراحل کودک:
شات آموزشی:
تقریباً مستقیم:
ویدیوی ربات رقصنده:
ویدئوی نهایی 0:
توصیه شده:
ربات راه رفتن با استفاده از 1 سرو موتور: 13 مرحله (همراه با تصاویر)
ربات پیاده روی با استفاده از 1 سرو موتور: من از زمانی که این ربات واکر را در YouTube دیدم می خواستم آن را بسازم. پس از کمی جستجو ، اطلاعات بیشتری در مورد آن پیدا کردم و تصمیم گرفتم که خودم آن را بسازم. هدف من از ساخت این واکر این بود که سعی کنم آن را به اندازه کوچک خود بسازم
WAC (راه رفتن و شارژ GADGET) - استفاده مجدد از درایو سی دی قدیمی: 6 مرحله
WAC (راهپیمایی و شارژ) - استفاده مجدد از درایو سی دی قدیمی: سلام به همه ، من کریس دانش آموز کلاس XI هستم و این اولین آموزش من است. این پروژه توسط من در سن 11 سالگی انجام شد (من خیلی خجالتی بودم که پروژه هایم را فقط برای نمایش آنها به همه ارسال کنم)*برای اشتباهات متاسفم. زبان انگلیسی زبان بومی من نیست
Tripwire هنگام راه رفتن شخصی زبانه ها را به حداقل می رساند توسط: 3 مرحله
Tripwire هنگام راه رفتن زبانه ها را به طور خودکار به حداقل می رساند توسط: آیا همیشه در رایانه خود خلوت می کنید و نگران خراب شدن هستید؟ دیگر نه زیرا امروز ما قصد داریم یک tripwire بسازیم که وقتی شخصی از کنار آن عبور می کند به طور خودکار زبانه های شما را به حداقل برساند. این پروژه عمدتا شامل دو ماژول RECEIVER (Rx) a
فیدر خودکار گیاه با مخزن - تنظیم کشت داخل و خارج - گیاهان آب به صورت خودکار با نظارت از راه دور: 21 مرحله
WiFi تغذیه کننده خودکار گیاهان با مخزن - راه اندازی کشت داخل و خارج از منزل - گیاهان آب به صورت خودکار با نظارت از راه دور: در این آموزش ما نحوه تنظیم یک سیستم تغذیه گیاهان داخلی/خارجی سفارشی را که به طور خودکار گیاهان را آبیاری می کند و می توان از راه دور با استفاده از پلت فرم Adosia کنترل کرد ، نشان خواهیم داد
بستر متحرک برای آموزش راه رفتن: 7 مرحله
پلتفرم متحرک برای مربی راه رفتن: اعضای تیم: آنانیا نندی ، ویشنوی ونلکانتی ، کانیکا گخار طراحان: جنیفر و جولیان با تشکر از تیم MIT AT Hack Exec و مرکز کار MIT Lincoln Beaver این پروژه برای AT Hack 2019 (هکاتون فناوری کمک