يادگيري رفتار مقاوم در مقابل تغييرات محيطي و خرابي حسگرهاي روبات سيار، با استفاده از شبكه بيزين پوياي مبتني بر داده

Learning Behavior and Resistance to Environmental Change by Sensors Fault in Mobile Robot using Dynamic Bayesian Network Based on Data

چكيده: در اين مقاله، از شبكه بيزين پويا براي مدل‌سازي رفتار عبور از درب استفاده شده است. اين شبكه با لحاظ نمودن وابستگي هاي بين داده‌هاي حسگرها و رفتار مورد نظر روبات، به سهولت آموزش ديده و با موفقيت رفتار مورد نظر را در شرايط محيطي بدون خطاي حسگرها انجام داده و در روبرو شدن با محيط هاي داراي خطا در حسگرهاي خود، تشخيص قرايت هاي نامطلوب حسگرها را به كمك روش مبتني بر داده‌ انجام مي‌دهد. حذف خطا يا قرايت هاي نامطلوب حسگرها با تغيير ساختار شبكه بيزين پويا و بر اساس تفسير اطلاعات سنسورها انجام شده است. هم چنين روبات با اعمال خطاي مصنوعي در قرايت حسگرها مورد ارزيابي قرار گرفته است. مدل پيشنهادي براي "رفتار عبور از درب"، كه مبتني بر شبكه بيزين پويا مي‌باشد توانسته است مقاومت به مراتب بالاتري را نسبت به مدل مبتني بر شبكه بيزين (با ساختار ثابت)، در قبال انواع قرايت‌هاي نامطلوب و متعدد ناشي از خطاي ثابت، رانشي، هم آوايي، تصادفي و جابجايي و نيز تغييرات مختصر نقشه محيط، از خود نشان دهد. هم چنين با افزودن بخش انجام مانور به مدل رفتار آن در محيط‌هاي ديناميكي نيز مقاوم تر شده است. هم چنين عملكرد مدل پيشنهادي در محيط شبيه‌ساز مورد ارزيابي قرار گرفته است.

Abstract: In this paper, the dynamic Bayesian network for modeling behavior has been used for door-crossing behavior. This network easily trains and it supports dependencies between of data’s sensors and the desired behavior of robot on ideal environment and it detects error on data’ sensor by using data-based method in real environment. Elimination of undesired sensor performs with structure changing base on interpretation of sensor’s data. Evaluation is based on robots with artificial error in the readings of the sensors. Proposed model for the "door-crossing", which is based on dynamic Bayesian networks, has been able to resist much higher than the model based on Bayesian networks (fixed structure), in the face of adverse and multiple interpretations of the constant error, drift, also cross-talk, random movement and slight changes in the environment map. This model is much resistant by adding maneuver part to it on dynamic environments. The performance of the proposed model on the simulation environment has been evaluated.