Difference between revisions of "Tatrabot LineFollowing"
(→Špecifiká problému - Dopredné Neurónové siete) |
(→Špecifiká problému - Genetický algoritmus) |
||
| Line 16: | Line 16: | ||
== Špecifiká problému - Genetický algoritmus == | == Špecifiká problému - Genetický algoritmus == | ||
| − | + | Neurónové siete sa zvyknú na úlohy poväčšinou trénovať pomocou Reinforcement Learningu. Avšak teraz sme sa rozhodli zvoliť metódu genetického algoritmu. | |
| − | + | Vytvorili sme 200 náhodných jedincov - prvú generáciu neurónových sietí. Následne sme s nimi odsimulovali robota a ohodnotili ich schopnosť riešiť náš problém - tzv. fitness jedinca. Táto fitness sa vyhodnocovala ako vzdialenosť, ktorú robot prejde po čiare( počet opakovaní rozhodovacieho programu, opakovanie skončí, keď žiadny senzor nevidí čiaru). Ďalej sa použijú metódy kríženia( priemerujeme hodnoty váh dvoch jedincov), mutácie( s 10% šancou zmením váhu o 20% nahor, z 10% o 20% nadol) a migrácie( pridáme ďaľších náhodne vygenerovaných jedincov) na tvorbu nových jedincov. | |
| − | + | Nová generácia obsahuje 100 mutovaných, 50 migrovaných a 50 krížených jedincov. Zároveň si však do archívu odkladáme najlepšieho jedinca z každej generácie. Po niekoľkých generáciach by mali vznikať lepší jedinci, potenciálne aj takí, ktorí už náš problém vedia riešiť. | |
Revision as of 20:28, 29 June 2016
Contents
Zadanie
Cieľom projektu bolo pomocou genetického algoritmu vyvinúť neurónovú sieť, pomocou ktorej bude robot ovládaný tak, že bude nasledovať čiaru.
Použité technológie
Nosnú časť projektu som programoval v jazyku C# v prostredí Visual Studio 2015. Jednalo sa o simuláciu robota vo virtuálnom priestore. Testovanie Fitness jednotlivcov a následný genetický algoritmus na zdokonaľovanie jedincov.
Samotný robot beží pod jazykom C a tu som naprogramoval len vyhodnotenie jednoduchej doprednej neurónovej siete v prostredí ChibiStudio.
Použitý bol robot Tatrabot vybavený 4 svetlocitlivými senzormi na snímanie čiary.
Špecifiká problému - Dopredné Neurónové siete
Dopredné neurónové siete nie sú schopné si pamätať predošlé stavy. Preto neurónova sieť, ktorá ovláda tohto robota musí spraviť rozhodnutie iba z aktuálnych dát prijímaných zo senzorov. To by na vyriešenie nášho problému malo stačiť.
Špecifiká problému - Genetický algoritmus
Neurónové siete sa zvyknú na úlohy poväčšinou trénovať pomocou Reinforcement Learningu. Avšak teraz sme sa rozhodli zvoliť metódu genetického algoritmu. Vytvorili sme 200 náhodných jedincov - prvú generáciu neurónových sietí. Následne sme s nimi odsimulovali robota a ohodnotili ich schopnosť riešiť náš problém - tzv. fitness jedinca. Táto fitness sa vyhodnocovala ako vzdialenosť, ktorú robot prejde po čiare( počet opakovaní rozhodovacieho programu, opakovanie skončí, keď žiadny senzor nevidí čiaru). Ďalej sa použijú metódy kríženia( priemerujeme hodnoty váh dvoch jedincov), mutácie( s 10% šancou zmením váhu o 20% nahor, z 10% o 20% nadol) a migrácie( pridáme ďaľších náhodne vygenerovaných jedincov) na tvorbu nových jedincov. Nová generácia obsahuje 100 mutovaných, 50 migrovaných a 50 krížených jedincov. Zároveň si však do archívu odkladáme najlepšieho jedinca z každej generácie. Po niekoľkých generáciach by mali vznikať lepší jedinci, potenciálne aj takí, ktorí už náš problém vedia riešiť.
