Ưu điểm của dáng di chuyển liên tục này là robot c thể đi nhanh vì thân chuyển động c ng với chân chính vì thế thời gian trong một chu kỳ được giảm đi thế nhưng do hệ số s dụng của chân nhỏ nên robot không đạt được độ ổn định cao. Hình 2.11 cho ta thấy thân robot luôn chuyển động c ng với chân nên tâm của thân robot kh c thể đi trên quỹ đạo thẳng mặc d các chân robot đã đi trên quỹ đạo thẳng.
Trình tự di chuyển của các chân: Chân 4 Chân 3 Chân 1 Chân 2
Bảng 2.3 Sơ đồ vị trí đặt chân của robot dáng di chuyển liên tục
Hình 2.11: Đồ thị của dáng di chuyển liên tục
Hình 2.12: Sơ đồ bước chân của dáng di chuyển liên tục 2.2.2. Di chuyển không liên tục
Dáng di chuyển không liên tục ngh a là một chân di chuyển trong khi các chân khác đang đặt trên mặt đất sau đ cơ thể được đẩy tới trong khi tất cả các chân nằm trên mặt đất. Cứ như thế sau khi chân di chuyển thì đến thân di chuyển kiểu di chuyển mà thân không đồng thời với chân ta gọi đ là kiểu di chuyển không liên tục. Trong thực tế các loại động vật thường s dụng dáng đi này cho các địa hình phức tạp dáng đi này c ưu điểm là ổn định cao do c bốn chân đặt xuống mặt đất khi thân di chuyển.
Trình tự di chuyển của chân sẽ là tuần hoàn điều này cho phép một vài chu kỳ dáng đi c thể được liên kết với nhau thành một đường đi liên tục của robot. vì vậy ta c thể kết hợp các dáng di chuyển của robot lại với nhau để tạo ra một dáng đi mềm mại cho robot và tuân theo độ ổn định t nh.
Trong dáng di chuyển không liên tục cho robot 4 chân ta c dạng di chuyển 2 pha không liên tục và dáng di chuyển 4 pha không liên tục.
2.2.2.1. Dáng di chuyển 2 pha không liên tục
Trong trường hợp dáng di chuyển 2 pha không liên tục thì trong 1 chu kỳ thì thân Robot sẽ dịch chuyển 2 lần. Chân 4 Chân 3 Thân Chân 1 Chân 2 Thân. Điều đ c ngh a là chân phía sau sẽ được di chuyển trước tiên và sau đ là chân phía trước di chuyển. Sau khi các chân di chuyển trong m i pha thì thân Robot sẽ được đẩy tới phía trước hành trình. Vào thời điểm cuối của chuyển động m i pha các chân không di chuyển phải đặt tại vị trí giới hạn động học phía sau.
Ưu điểm của dáng di chuyển này là sau khi hai chân di chuyển và đặt hoàn toàn xuống đất thì thân di chuyển chính vì thế độ ổn định đối với trường hợp này là lớn. Điều này c được thể hiện qua hệ số s dụng chân. Nhưng xét về thời gian di chuyển của một chu kỳ thì dáng di chuyển 2 pha không liên tục này c chu kỳ dài hơn dáng di chuyển liên tục. Do đ tốc độ di chuyển c ng chậm hơn dáng di chuyển liên tục. Để hiểu rõ hơn về dáng di chuyển này ta phải xem xét trình tự di chuyển của robot và đồ thị dáng di chuyển và sơ đồ bước của chân.
Trình tự di chuyển: Chân 4 Chân 3 Thân Chân 1 Chân 2 Thân.
Bảng 2.4 Sơ đồ vị trí đặt chân robot của dáng di chuyển 2 pha không liên tục
Hình 2.13: Đồ thị dáng di chuyển 2 pha không liên tục
Hình 2.14: Sơ đồ bước chân của dáng di chuyển 2 pha không liên tục (pha 1)
Hình 2.15: Sơ đồ bước chân của dáng di chuyển 2 pha không liên tục (pha 2)
2.2.2.2. Dáng di chuyển 4 pha không liên tục
Để tạo ra sự hiểu quả cho dáng di chuyển không liên tục điều cần thiết là đặt chân vị trí giới hạn động học phía sau trước khi b t đầu thời kì di chuyển. Đối với 2 pha trước khi thân Robot di chuyển sẽ c 2 chân cạnh nhau được đặt vị trí giới hạn động học. Tuy nhiên chúng ta c thể tạo ra 1 dáng di chuyển mà ch c 1 chân vị trí giới hạn động học khi 1 pha kết thúc. Điều đ yêu cầu phải c 4 sự di chuyển của thân robot trong 1 chu kỳ vì vậy sẽ ch c 1 chân giới hạn động học khi kết thúc m i lần di chuyển của thân. Trong trường hợp dáng di chuyển 4 pha không liên tục thì trong 1 chu kỳ thì thân Robot sẽ dịch chuyển 4 lần.
Chân 4 Thân Chân 3 Thân Chân 1 Thân Chân 2 Thân.
Điều đ c ngh a là chân phía sau sẽ được di chuyển trước tiên và sau đ là chân phía trước di chuyển. Sau khi các chân di chuyển trong m i pha thì thân Robot sẽ được đẩy tới phía trước 1 4 hành trình. Ưu điểm của dáng di chuyển này là độ ổn định cao với. Điều này c được thể hiện qua hệ số s dụng chân. Nhưng xét về thời gian di chuyển của một chu kỳ thì dáng di chuyển 4 pha không liên tục này c chu kỳ nhất do đ tốc độ di
chuyển là chậm nhất. Ta xét sơ đồ của dáng di chuyển và sơ đồ bước của chân để hiểu rõ điều này.
Bảng 2.5 Sơ đồ vị trí đặt chân robot của dáng di chuyển 4 pha không liên tục
Hình 2.16: Đồ thị dáng di chuyển 4 pha không liên tục
Hình 2.17: Sơ đồ bước chân của dáng di chuyển 4 pha không liên tục (1 pha)
Hình 2.18: Sơ đồ bước chân của dáng di chuyển 4 pha không liên tục (pha 2)
Hình 2.19: Sơ đồ bước chân của dáng di chuyển 4 pha không liên tục (pha 3)
Hình 2.20: Sơ đồ bước chân của dáng di chuyển 4 pha không liên tục (pha 4)
2.3. Phương pháp điều khiển tốc độ chuyển động
Bằng việc điều khiển tốc độ chuyển động của các chân ta sẽ giúp cho robot di chuyển mượt mà và ổn định hơn. Khi robot di chuyển các chân bước đi thực chất là đang vẽ ra một quỹ đạo chuyển động để đơn giản h a vấn đề ta sẽ chia quỹ đạo đ thành những đoạn thẳng nhỏ như hình 2.21 và cứ sau một chu kỳ tự chọn chúng ta sẽ cho chân
robot nhích lên một đoạn. Như vậy việc chúng ta chia quỹ đạo đ thành bao nhiêu đoạn thẳng c ng chính là việc ta điều khiển tốc độ chuyển động.
Hình 2.21: Quỹ đạo chuyển động của từng chân robot
i 1 i
Xét điểm P trước tiên ta sẽ tìm khoảng cách L từ tâm O đến P :
Gọi sx sy sz là t lệ của xi
Từ các t lệ này ta suy ra được cứ với
trên các trục X Y Z. Như vậy vị trí mới của chân robot sau m i chu kỳ cập nhật vị trí:
k là hệ số Trong đ kx ky z
cách để điều ch nh tốc độ là thay đổi tần suất cập nhật vị trí hoặc thay đổi hệ số bước.
2.4. Tổng quan về Deep Learning
Deep learning là ưu điểm của những gì máy m c c thể làm các nhà phát triển và lãnh đạo doanh nghiệp ch c ch n cần phải hiểu n là gì và hoạt động như thế nào. Loại thuật toán độc nhất này đã vượt xa mọi điểm chuẩn trước đ về phân loại hình ảnh v n bản và giọng n i. Học sâu là một tập hợp con cụ thể của Machine Learning và c ng là một tập hợp con cụ thể của AI.
Theo định ngh a cá nhân về 3 l nh vực AI Machine Learning Deep Learning như sau:
Trí tuệ nhân tạo: là nhiệm vụ rộng lớn của việc tạo ra các máy m c c thể suy ngh thông minh
Học máy: là một cách để làm điều đ bằng cách s dụng các thuật toán để lượm lặt hiểu biết sâu s c từ dữ liệu
Học sâu: là học máy và s dụng thuật toán cụ thể đ là mạng thần kinh nhân tạo. Mạng neural networks dựa trên cấu trúc của vỏ não. Ở cấp độ cơ bản là perceptron đại diện toán học của một tế bào thần kinh sinh học. Giống như trong vỏ não c thể c một vài lớp perceptrons liên kết với nhau. Đầu vào hay n i cách khác là dữ liệu cơ bản của chúng ta được truyền qua mạng này bao gồm các lớp ẩn cho đến khi cuối c ng chúng hội tụ đến lớp đầu ra. Lớp đầu ra là dự đoán của chúng ta n c thể là một nút nếu mô hình ch xuất ra một số hoặc một vài nút nếu n khác một vấn đề phân loại nhiều lớp.Các lớp ẩn của mạng thần kinh nhân tạo thực hiện s a đổi thông số trên tập dữ liệu ngõ vào để cảm nhận được mối quan hệ của n với biến mục tiêu. M i nút c một trọng số và n nhân giá trị đầu vào của n với trọng số đ . Làm điều đ qua các lớp khác nhau và mạng nơ rơn c thể biến các dữ liệu thành cái gì đ c ngh a.
Deep Learning ch là một loại thuật toán c vẻ hoạt động thực sự tốt cho dự đoán mọi thứ. Deep Learning và mạng Neural đối với hầu hết các bài toán đều thể hiện sự hiệu quả đồng nhất. Machine Learning đã được s dụng để phân loại hình ảnh và v n bản trong nhiều thập kỷ nhưng n đã vật lộn để vượt qua ngưỡng. Đ là c một độ chính xác cơ bản mà các thuật toán khác cần phải thực hiện được. Deep Learning cuối c ng đã cho phép chúng ta vượt qua điều mà trước đ chúng ta không thể. Tầm nhìn máy tính là một ví dụ tuyệt vời về một nhiệm vụ mà Deep Learning đã biến thành một cái gì đ thực tế cho các ứng dụng trong kinh doanh. Hình 2.22. cho thấy rằng s dụng Deep learning không ch tốt hơn bất kì các thuật toán truyền thông nào mà hơn thế nữa n b t đầu tốt hơn cả con người trong các ngành công nghiệp.
Hình 2.22: So sánh giữa DL và các thuật toán học tập khác
2.5. Mạng nơ ron (NEURAL NETWORK)2.5.1. Giới thiệu 2.5.1. Giới thiệu
Mạng noron nhân tạo (Artifical Neural Networks) mô phỏng lại mạng noron sinh học là một cấu trúc khối gồm các đơn vị tính toán đơn giản được liên kết chặt chẽ với nhau trong đ các liên kết giữa các noron quyết định chức n ng của mạng.
Các đặc trưng cơ bản của mạng nơ ron:
Gồm một tập các đơn vị x l (các noron nhân tạo) Trạng thái kích hoạt hay đầu ra của đơn vị x l
Liên kết Wgiữa các đơn vị. Xét tổng quát m i liên kết được định ngh a b i một trọng số jk cho ta biết hiệu ứng mà tín hiệu của đơn vị j c trên đơn vị k.
Một luật lan truyền quyết định cách tính tín hiệu ra của từng đơn vị từ đầu vào. Một hàm kích hoạt hay hàm chuyển (activation function transfer function) xác định mức độ kích hoạt khác dựa trên mức độ kích hoạt hiện tại.
Một đơn vị điều ch nh (độ lệch) (bias offset) của m i đơn vị. Phương pháp thu thập thông tin (luật học - learning rule).
2.5.2. Các thành phần cơ bản của mạng nơ ron
Đơn vị x l : c n được gọi là một nơron hay một nút (node) thực hiện một công việc rất đơn giản: n nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên ngoài và s dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác. M i đơn vị j c thể c một hoặc nhiều đầu vào: x0 x1 x2 … xn nhưng ch c một đầu ra zj. Một đầu vào tới một đơn vị c thể là dữ liệu từ bên ngoài mạng.
Hình 2.23. Đơn vị xử lý (Processing Unit)
Trong đ :
xi : các đầu vào
wji : các trọng số tương ứng với các đầu vào θj : độ lệch (bias)
aj : đầu vào mạng (net-input) zj : đầu ra của nơron
g(x): hàm chuyển (hàm kích hoạt).
Trong một mạng nơron c ba kiểu đơn vị:
Các đơn vị đầu vào (Input units) nhận tín hiệu từ bên ngoài Các đơn vị đầu ra (Output units) g i dữ liệu ra bên ngoài
Các đơn vị ẩn (Hidden units) tín hiệu vào (input) và ra (output) của n trong mạng.
Hàm kết hợp: m i một đơn vị trong một mạng kết hợp các giá trị đưa vào n thông qua các liên kết với các đơn vị khác sinh ra một giá trị gọi là net input. Hàm thực hiện nhiệm vụ này gọi là hàm kết hợp (combination function) được định ngh a b i một luật lan truyền cụ thể. Trong phần lớn các mạng nơron chúng ta giả s rằng m i một đơn vị cung cấp một bộ cộng như là đầu vào cho đơn vị mà n c liên kết. Tổng đầu vào đơn vị j đơn giản ch là tổng trọng số của các đầu ra riêng lẻ từ các đơn vị kết nối cộng thêm ngưỡng hay độ lệch (bias) θj :
aj in wjixi θj
Trường hợp wji > 0 nơron được coi là đang trong trạng thái kích thích. Tương tự nếu như wji < 0 nơron trạng thái kiềm chế. Chúng ta gọi các đơn vị với luật lan truyền như trên là các sigma units. Trong một vài trường hợp ta c ng c thể s dụng các luật lan truyền phức tạp hơn. Rất nhiều hàm kết hợp s dụng một "độ lệch" hay "ngưỡng" để tính net input tới đơn vị. Đối với một đơn vị đầu ra tuyến tính thông thường θj được chọn là hằng số và trong bài toán xấp x đa thức θj = 1.
Hàm kích hoạt: phần lớn các đơn vị trong mạng nơron chuyển net input bằng cách s dụng một hàm vô hướng (scalar-to-scalar function) gọi là hàm kích hoạt kết quả của hàm này là một giá trị gọi là mức độ kích hoạt của đơn vị (unit's activation). Loại trừ khả n ng đơn vị đ thuộc lớp ra giá trị kích hoạt được đưa vào một hay nhiều đơn vị khác. Các hàm kích hoạt thường bị ép vào một khoảng giá trị xác định do đ thường được gọi là các hàm bẹp (squashing). Các hàm kích hoạt hay được s dụng là: hàm đồng nhất (Linear function Identity function ) Hàm bước nhị phân (Binary step function Hard limit function) hàm sigmoid (Sigmoid function) ….
Các hàm chuyển của các đơn vị ẩn (hidden units) là cần thiết để biểu diễn sự phi tuyến vào trong mạng. L do là hợp thành của các hàm đồng nhất là một hàm đồng nhất. Mặc d vậy nhưng n mang tính chất phi tuyến (ngh a là khả n ng biểu diễn các hàm phi tuyến) làm cho các mạng nhiều tầng c khả n ng rất tốt trong biểu diễn các ánh xạ phi tuyến. Tuy nhiên đối với luật học lan truyền ngược hàm phải khả vi (differentiable) và sẽ c ích nếu như hàm được g n trong một khoảng nào đ . Do vậy hàm sigmoid là lựa chọn thông dụng.
Hàm mục tiêu: để huấn luyện một mạng và xét xem n thực hiện tốt đến đâu ta cần xây dựng một hàm mục tiêu (hay hàm giá) để cung cấp cách thức đánh giá khả n ng hệ thống một cách không nhập nhằng. Việc chọn hàm mục tiêu là rất quan trọng b i vì hàm này thể hiện các mục tiêu thiết kế và quyết định thuật toán huấn luyện nào c thể được áp dụng. Để phát triển một hàm mục tiêu đo được chính xác cái chúng ta muốn không phải là việc dễ dàng. Một vài hàm cơ bản được s dụng rất rộng rãi. Một trong số chúng là hàm tổng bình phương l i (sum of squares error function). Trong các ứng dụng thực tế
21 nếu cần thiết c thể làm phức tạp hàm số với một vài yếu tố khác để c
Trong đ :
thể kiểm soát
h
p: số thứ tự m u trong tập huấn luyện i : số thứ tự của đơn vị đầu ra
tpi và ypi : tương ứng là đầu ra mong muốn và đầu ra thực tế của mạng cho đơn vị đầu ra thứ i trên m u thứ p.
2.6. Mạng nơ ron tích chập (CNN)2.6.1. Giới thiệu 2.6.1. Giới thiệu
Convolutional Neural Networks (CNN) hay mạng nơ rơn tích chập là là mô hình học sâu hàng đầu cho thị giác máy tính. Thị giác máy tính đã tr nên tốt đến mức n hiện đang đánh bại con người một số nhiệm vụ nhất định và CNN đ ng vai tr chính trong câu chuyện thành công này. CNN được s dụng để đánh giá đầu vào thông qua các tích chập. Đầu vào được tích hợp với một bộ lọc (filter). Sự tích chập này d n đến mạng để phát hiện các cạnh và các đặc trưng thấp các lớp sớm hơn nông hơn và các đặc trưng phức tạp các lớp sâu hơn của mạng. CNN được s dụng kết hợp với các lớp gộp (pooling layers) và chúng thường c các lớp được kết nối đầy đủ (fully connected layers)