Tato práce se věnuje umělé inteligenci realizované pomocí neuronových sítí a jejich využití na reálném problému. Cílem práce bylo zajištění ovládání autonomního robota pomocí umělé inteligence na základě získaných dat o jeho okolí. Tato data pocházela z laserového skeneru, který je součástí robota a v pravidelných intervalech zasílá hlavní řídicí aplikaci informace o nejbližších překážkách ve směru jízdy. Na základě těchto informací bude hlavní aplikace ovládat robota a jeho další směr jízdy. Zjednodušeně by se dalo říci, že vytvořená neuronová síť bude přímo řídit pohyb robota. Cílem bylo navrhnout vhodný typ sítě, který by tento problém řešil, a na základě rozboru dat ze senzoru zvolenou neuronovou síť implementovat. Součástí implementace bylo také provést rozbor dat z laserového senzoru a transformovat je na data, která by byla vhodná pro vložení na vstup do neuronové sítě.
Anotace v angličtině
This thesis deals with artificial intelligence which is implemented by means of neural networks and the use of neural networks in an actual problem. The problem whose solution was the task of this thesis was the control of an autonomous robot by means of artificial intelligence based on acquired data about its surroundings. These data came from a laser scanner which is a part of the robot and which, in regular intervals, sends to the controlling application information about any close obstacles in the course of movement. This information forms the basis for decisions of robot?s main controlling application about robot?s course of motion. In a simplified way it is possible to say that the created neural network will directly control robot?s motion. The aim was to project a suitable network type which would solve the problem and, on the basis of sensor data analysis, implement the chosen neural network. The implementation also included laser sensor data analysis and their transformation into such data that would be suitable for neural network input.
Klíčová slova
Neuronová síť, Učení neuronové sítě, Backpropagation, Robot, Řízení neuronovou sítí, Senzory, C#, .NET, Microsoft Visual Studio, Implementace
Klíčová slova v angličtině
Neural network, learning of neural network, Backpropagation, Robot, Movement control by neural network, Sensors, C#, .NET, Microsoft Visual Studio, Implementation of neural network
Rozsah průvodní práce
83 s. (100 791 znaků)
Jazyk
CZ
Anotace
Tato práce se věnuje umělé inteligenci realizované pomocí neuronových sítí a jejich využití na reálném problému. Cílem práce bylo zajištění ovládání autonomního robota pomocí umělé inteligence na základě získaných dat o jeho okolí. Tato data pocházela z laserového skeneru, který je součástí robota a v pravidelných intervalech zasílá hlavní řídicí aplikaci informace o nejbližších překážkách ve směru jízdy. Na základě těchto informací bude hlavní aplikace ovládat robota a jeho další směr jízdy. Zjednodušeně by se dalo říci, že vytvořená neuronová síť bude přímo řídit pohyb robota. Cílem bylo navrhnout vhodný typ sítě, který by tento problém řešil, a na základě rozboru dat ze senzoru zvolenou neuronovou síť implementovat. Součástí implementace bylo také provést rozbor dat z laserového senzoru a transformovat je na data, která by byla vhodná pro vložení na vstup do neuronové sítě.
Anotace v angličtině
This thesis deals with artificial intelligence which is implemented by means of neural networks and the use of neural networks in an actual problem. The problem whose solution was the task of this thesis was the control of an autonomous robot by means of artificial intelligence based on acquired data about its surroundings. These data came from a laser scanner which is a part of the robot and which, in regular intervals, sends to the controlling application information about any close obstacles in the course of movement. This information forms the basis for decisions of robot?s main controlling application about robot?s course of motion. In a simplified way it is possible to say that the created neural network will directly control robot?s motion. The aim was to project a suitable network type which would solve the problem and, on the basis of sensor data analysis, implement the chosen neural network. The implementation also included laser sensor data analysis and their transformation into such data that would be suitable for neural network input.
Klíčová slova
Neuronová síť, Učení neuronové sítě, Backpropagation, Robot, Řízení neuronovou sítí, Senzory, C#, .NET, Microsoft Visual Studio, Implementace
Klíčová slova v angličtině
Neural network, learning of neural network, Backpropagation, Robot, Movement control by neural network, Sensors, C#, .NET, Microsoft Visual Studio, Implementation of neural network
Zásady pro vypracování
Vypracujte rešerši na téma využití neuronových sítí pro řízení pohybu.
Na základě rešerše zvolte vhodný typ neuronové sítě.
Navrhněte strukturu neuronové sítě tak, aby umožňovala na základě vstupů ze senzorů robota a jejich priorit provádět rozhodování o směru pohybu robota.
Proveďte implementaci neuronové sítě na platformě Microsoft .NET Framework v jazyce C Sharp.
Podrobně popište vliv dat ze senzorů na směr pohybu řízený neuronovou sítí.
Zásady pro vypracování
Vypracujte rešerši na téma využití neuronových sítí pro řízení pohybu.
Na základě rešerše zvolte vhodný typ neuronové sítě.
Navrhněte strukturu neuronové sítě tak, aby umožňovala na základě vstupů ze senzorů robota a jejich priorit provádět rozhodování o směru pohybu robota.
Proveďte implementaci neuronové sítě na platformě Microsoft .NET Framework v jazyce C Sharp.
Podrobně popište vliv dat ze senzorů na směr pohybu řízený neuronovou sítí.
Seznam doporučené literatury
ZELINKA, Ivan. Umělá inteligence I: Neuronové sítě a genetické algoritmy. Brno: VUT v Brně, 1998, 126 s. ISBN 80-214-1163-5.
JONES, M. Artificial intelligence: a systems approach. Hingham, Mass.: Infinity Science Press, 2008, 498 s. ISBN 09-778-5823-5.
HU, Yu Hen a Jenq-Neng HWANG. Handbook of neural network signal processing. Boca Raton: CRC Press, 2002. ISBN 08-493-2359-2.
HEATON, Jeff. Introduction to neural networks for C Sharp. 2nd ed. St. Louis: Heaton Research Inc, 2008. ISBN 16-043-9009-3.
ALPAYDIN, Ethem. Introduction to machine learning. 2nd ed. Massachusetts: MIT Press, 2010, 537 s. ISBN 978-026-2012-430.
Seznam doporučené literatury
ZELINKA, Ivan. Umělá inteligence I: Neuronové sítě a genetické algoritmy. Brno: VUT v Brně, 1998, 126 s. ISBN 80-214-1163-5.
JONES, M. Artificial intelligence: a systems approach. Hingham, Mass.: Infinity Science Press, 2008, 498 s. ISBN 09-778-5823-5.
HU, Yu Hen a Jenq-Neng HWANG. Handbook of neural network signal processing. Boca Raton: CRC Press, 2002. ISBN 08-493-2359-2.
HEATON, Jeff. Introduction to neural networks for C Sharp. 2nd ed. St. Louis: Heaton Research Inc, 2008. ISBN 16-043-9009-3.
ALPAYDIN, Ethem. Introduction to machine learning. 2nd ed. Massachusetts: MIT Press, 2010, 537 s. ISBN 978-026-2012-430.
Přílohy volně vložené
CD-ROM
Přílohy vázané v práci
schémata
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student seznámil komisi s obsahem a výsledky své diplomové práce v krátké prezentaci. Po přečtení posudků vedoucího a oponenta práce následovala diskuze, ve které byly položeny následující dotazy:
dr.Sysala: Na obrázku je reálná podoba?
doc.Kureková: Kam dáte ostatní senzory?
doc.Kureková: Překážky budou statické?
Student na položené dotazy odpověděl. Následovalo zkoušení ze tří předmětů.