Remote SOund Navigation And Ranging(SONAR) Application with Raspberry Pi 2 in the Local Network Area(LAN)

Hello everybody, today I am here with another post. I will construct a remote SONAR application using Raspberry Pi 2, servo motor and HC-SR04 ultrasonic range sensor. In order to understand this post better, please check the previous posts that I have already written.

1 - Controlling Servo Motor using Raspberry Pi, Python (RPi.GPIO) software based Pulse Width Modulation(PWM)
2 - Using HC-SR04 Ultrasonic Range Sensor with Raspberry Pi 2

What do we need?

1 - Raspberry Pi 2

2 - HC-SR04 Ultrasonic Range Sensor
3 - Micro Servo Motor
4 - 1x1kΩ and 1x2.2kΩ Resistors
5 - Bread Board
6 - Jumper Male to Female Wires
7 - Laptop(for remote communication)

We need all the components above. But, if you want to display the results on Raspberry Pi locally, then you don't need a Laptop. However, here I will use Laptop. Because, Raspberry Pi is a small board which is used for remote applications generally.

Here is the technical description.

1 - My laptop's config(It will be the client machine):

- IP Adress:192.168.1.106
- Communication port is 9000
- Operating System: Windows 10
- This will be the client machine

2 - My Raspberry Pi's config(It will be the server machine):

- IP Adress:192.168.1.108
- Communication port is 9000
- Operating System: Raspbian Jessie Lite
- This will be the server machine

Using HC-SR04 Ultrasonic Range Sensor with Raspberry Pi 2

The HC-SR04 ultrasonic range finder is a sensor that provides 2cm to 400cm of non-contact measurement functionality with a ranging accuracy that can reach up to 3mm. Each HC-SR04 module includes an ultrasonic transmitter, a receiver and a control circuit. It is very cheap and simple to use, however the signal output needs to be converted from 5V to 3.3V so as not to damage the Raspberry Pi. I will introduce some Physics along with Electronics in this tutorial in order to explain each step. But first, we should have the following components:

1 - Raspberry Pi 2 Model B

2 - HC-SR04 Ultrasonic Range Sensor

3 - 1x1kΩ and 1x2.2kΩ Resistors

4 - Bread Board

5 - Jumper Male to Female Wires

Ultrasonic Range Sensors and How do they works?

There are two types of ultrasonic range sensors: active and passive. An active sensors set sends out sound pulses called pings, then receives the returning sound echo. Passive sensors sets receive sound echoes without transmitting their own sound signals.

How HC-SR04 ultrasonic range sensor works? It is an active sensor and basically, it creates a pulse of sound, often called a "ping", and then listens for reflections (echo) of the pulse. If you check the following images. You will understand the concept better.

Controlling Servo Motor using Raspberry Pi, Python (RPi.GPIO) software based Pulse Width Modulation(PWM)

Hello everybody. Today I am going to talk about controlling servo motors using Raspberry Pi. A servo motor is a rotary or linear actuator that allows for precise control of angular or linear position, velocity and acceleration. This project uses Python script, which uses RPi.GPIO library, run on a Raspberry Pi micro controller to send General-purpose input/output(GPIO) Pulse Width Modulation(PWM) outputs to a servo motor to set its angle. However, it is not an easy task since PWM period cannot be defined by the user. It is servo motor and manufacturer-specific.

For this project, I used the following items:

1 - Raspberry Pi 2 Model B
2 - Micro Servo Motor
3 - Jumper Male to Female Wires

The Raspberry Pi 2 has 40 pins and you can see the explanation of each pins below. The servo motor has three terminals. We need to connect these 3 terminals to the proper pins of Raspberry Pi.

1 - Position signal(PWM Pulses)
2 - Vcc (From Power Supply)
3 - Ground

Live Video Streaming from Raspberry Pi using MJPG-Streamer and HTML5 in the Local Network Area(LAN)

Hello there! After Remote Connection to MySQL Database in the Local Network Area(LAN) post, I am here with another fancy topic which makes live stream over HTTP. There are many ways to do this. But after a quick search, I have found the one that leads to minimal latency and works really well over a WIFI connection. The solution is the combination of MJPG-Streamer on the Raspberry Pi and HTML5 client website on the other computer.

Here is the technical description.

1 - My laptop's config:

- IP Adress:192.168.1.106
- Operating System: Windows 10
- HTML5 client website will be implemented in this computer.

2 - My Raspberry Pi's config:

- IP Adress:192.168.1.108
- Operating System: Raspbian Jessie Lite
- MJPG-Streamer program will be installed here and it will stream live video.

Both are on a wireless LAN connected through a TP-LINK router(192.168.1.1).

One by one we need to do following steps:

Remote Connection to MySQL Database in the Local Network Area(LAN)

Hello there! It has been long time to not write any post in the blog. I do not want to say that I did not have any time, inspiration or something. I had time, really good ideas but somehow I was too lazy to write them down to the blog. But, today I wanted to break this laziness. Anyway, from the title most probably you got what I want to do. But, basically I will explain it again.

I have a private wireless LAN at home as everybody and two device is connected to this network.

Here is the technical description.

1 - My laptop's config(It will be the server machine):

- IP Adress:192.168.1.106
- MySQL Server 5.7 on port 3306
- Operating System: Windows 10
- The database is in this machine

2 - My Raspberry Pi's config(It will be the client machine):

- IP Adress:192.168.1.108
- MySQL Server 5.7 on port 3306
- Operating System: Raspbian Jessie Lite
- This machine will connect to my laptop

Both are on a wireless LAN connected through a TP-LINK router(192.168.1.1).

So the big question is that how can I configure the devices to connect to the database and execute queries?

Endüstriyel İdeolojilerin Temelleri: Merkezileştirme

Bir önceki yazı için Endüstriyel İdeolojilerin Temelleri: Maksimizasyon sayfasını okuyunuz

The Third Wave, Alvin Toffler, syf. 70-73

En son olarak, tüm endüstriyel devletler merkezileştirmeyi bir sanat dalı haline getirdiler. Muhakkak 1. dalgadaki [tarım bazlı] toplumların yöneticileri ve kilise gibi odaklar gücü merkezileştirmeyi biliyordu, ama endüstriyel toplumları baştan aşağı merkesileştiren nesle kıyasla onlar kaba birer amatör sayılırdı. Zaten eski çağlardaki yöneticiler çok daha az karmaşık topluluklarla meşguldüler.

Tüm çetrefil toplulukların işleyişinde operasyonlar merkezi ve gayri-merkezi yaklaşımların bir karışımıdır. Fakat her yerel bölgenin kendi ihtiyaçlarını temin etmesiyle sorumlu olduğu çoğunlukla gayri merkezi olan 1. dalga düzeninden, aşırı entegre 2. dalga milli ekonomisine geçiş, gücü merkezileştirme açısından tamamen değişik metotlara ihtiyaç duymuştur. Bu ihtiyaç şirketler, endüstriler ve tüm genel ekonomi bazında ortaya çıkmıştır.

İlk demiryolu şirketleri bu anlatıma iyi bir örnek sağlayabilir. Zamanlarındaki diğer şirketlere göre onlar birer 'dev' sayılırdı [.. Bu büyüklüğü idare etmek için de] yöneticiler yeni metotlar keşfetmek zorundaydı. Onlar da kullandıkları teknolojileri, bilet fiyatlarını, tren saatlerini standardize ettiler. Yüzlerce kilometreyi kapsayacak şekilde operasyonları senkronize ettiler. Tek alanda çalışacak şekilde insanları düzenlediler, ve sermayeyi, insanları ve enerjiyi odakladılar. Tren ağını maksimize etmek için uğraştılar. Ve tüm bunları başarabilmek için bilginin ve komutanın merkezileşmiş hale geldiği yeni bir tür organizasyonu ortaya çıkardılar.

Çalışanlar 'hat görevlisi' ve 'kadrolu' olarak ikiye ayrıldı. Trenlerin hareketleri, yük bindirme, boşaltma, kayıp mal, tamirler, vs. gibi konular hakkında günlük raporlar üretilmeye başlandı. Tüm bu veriler merkezi bir hiyerarşide en tepedeki genel müdüre ulaşıncaya kadar yukarı doğru gönderiliyor, ve müdür gereken kararı verdikten sonra karar bu sefer yukarıdan aşağı doğru akmaya başlıyordu.

Endüstriyel İdeolojilerin Temelleri: Maksimizasyon

Bir önceki yazı için Endüstriyel İdeolojilerin Temelleri: Senkronizasyon sayfasını okuyunuz.

The Third Wave, Alvin Toffler, syf. 68-70

Bölünmüş üretim / tüketim, 2. dalga toplumlarında "makro manyaklığı" denebilecek, büyüklük ve büyümeye olan Teksasvarı bir bağımlılığın, bir tür hastalığın da ortaya çıkmasına sebep oldu. Düşünce şöyleydi: madem ki fabrikalarda bir malın üretim süresinin, miktarının arttırılması (longer production runs) daha az birim fiyatı anlamına geliyordu, o zaman ölçeğin büyütülmesi diğer aktivitelerde aynı şekilde kazanımlar sağlayabilirdi. Bu mantık "büyük" kelimesi ile "daha verimli" kelimesini eşanlamlı görmeye başlayacaktı. Sonuçta maksimizasyon 2. dalganın 5. ana prensibi haline geldi.

Şehirler ve ülkeler en yüksek gökdelene, en büyük baraja, dünyanın en büyük mini-golf sahasına sahip olmakla övünüyorlardı. Bunun ötesinde büyüklük, büyümenin bir sonucu olduğuna göre, çoğu endüstriyel devlet, holding ve diğer organizasyonlar büyüme idealinin fanatik takipçileri haline geldiler.

Mathushita Elektrik Şirketi'ndeki Japon işçiler ve yöneticiler topluca her gün koro olarak şu şarkıyı söylerler:

.. Üretimi arttırmak için
yapabildiğimizin en iyisini yapıyoruz,
Mallarımızı tüm dünyaya gönderiyoruz,
Bitmez tükenmez bir şekilde,
Aynen pınardan dışarı fışkıran şu gibi,
Büyü endüstri, Büyü, Büyü, Büyü!
Harmoni ve samimiyet!
Matsushita Elektrik!

1960'da Amerika klasik endüstriyelleşme evresini tamamlayıp 3. dalganın etkilerini hissetmeye başladığında, en büyük 50 holdinginin her birinin ortalama 80,000 çalışanı vardı. General Motors şirketi tek başına 595,000 çalışana, Vail'in AT&T şirketi ise 736,000 çalışana sahipti. Bu durum, o zamanlarda ortalama bir ev nüfusunun 3.3 kişi olduğundan hareketle, 2,000,000'dan daha fazla insanın geçim için bu tek şirkete bağımlı olduğu anlamına geliyordu. Bahsedilen rakamın büyüklüğünü şöyle perspektife koyalım: Üstteki insan sayısı Washington ve Hamilton ülkeyi kurarken ABD nüfusunun neredeyse yarısına eşitti [..]

Endüstriyel İdeolojilerin Temelleri: Senkronizasyon

Bir önceki yazı için Endüstriyel İdeolojilerin Temelleri: Standardizasyon sayfasını okuyunuz.

The Third Wave, Alvin Toffler, syf. 64-66

Üretim ve tüketim arasındaki sürekli büyüyen mesafe, insanların zamana bakışında büyük değişimlere sebep oldu. Serbest olsun, kontrollü olsun, piyasanın hakim olduğu her toplumda zaman = para desturu hakim olmuştur, çünkü endüstriyel ekonomilerde büyük paralar ödenmiş makinaların boş durmasına izin verilemezdi. Bu makinalar da, eşyanın tabiatına göre, kendi ritimlerine göre hareket ediyorlardı; işte bu faktör, 2. dalga için önemli bir prensibin daha ortaya çıkmasına sebep olmuştur: Senkronizasyon.

Aslında en erken insan topluluklarında bile işin belli bir zaman akışı içinde organize edilmesi kavramı yabancı değildi. Mesela avcıların bir avı yakalaması için, balıkçıların ağları, kürekleri çekmesi için birbirlerine zamansal olarak uyumlu halde çalışmaları gerekiyordu [..] Fakat, en azından 2. dalga'nın makinaları gelinceye kadar, toplumlardaki çoğu senkronizasyon organik ve doğal olarak ortaya çıkmıştır. Bu senkronizasyon mevsimlerin değişimi, dünyanın dönüşü, kalp atışı gibi biyolojik süreçlerin ritmini takip etmiştir.

2. dalga toplumları ise makinaların ritmine göre hareket etmeye başladı.

Endüstriyel İdeolojilerin Temelleri: Standardizasyon

Bir önceki yazı için Endüstriyel İdeolojilerin Temelleri: Tek Alanda Çalışmak sayfasını okuyunuz.

The Third Wave, Alvin Toffler, syf. 60-62

Pek çok kişinin en iyi bildiği 2. dalga kavramı "standardizasyon" kavramıdır. Endüstriyel toplumların birbirine benzeyen milyonlarca mal ürettiğini herkes bilir. Fakat pek az kişi, piyasa önem kazanmaya başladıktan sonra Coca-Cola şişeleri, elektrik ampulleri ve araba akşamından daha fazlasını standardize ettiğimizin farkındadır. Biz bu prensibi hayatın pek çok diğer alanına da uyguladık; bu akımın öncülerinden biri de ATT şirketini bir dev haline getiren Theodore Vail'den başkası değildi.

1860 yılında günlük işi tren hatlarından mektup ulaştırmak olan Vail, mektupların hiçbir zaman sonuç adresine aynı yollardan gitmediğini farketti. Çuvallarca mektup ileri, geri hareket ediyor, bazen sonuca varması aylar alabiliyordu. Vail, standardize edilmiş ulaşım yolu kavramını keşfetti, ki böylece aynı adrese giden her mektup hep aynı yolu takip edecekti. Bu sayede Vail postane kavramına devrimsel bir değişiklik getirdi. ATT'yi kurduktan sonra amacı Amerika'daki her eve aynı tip telefonu koymak olacaktı [..]

Vail, endüstriyel toplumların "Büyük Standartçıları" kategorisindeki ünlü kişiliklerden bir tanesidir. Eskiden makinist olan, sonra bir ideolog / danışmana dönüşen Fredrick Taylor bu kişilerden bir diğeriydi. Taylor yapılan bir işin, emeğin her adımını standardize ederek iş kavramını bilimsel hale getirebileceğini düşünmüştü. 20. yüzyılın ilk onyıllarında Taylor her işi yapmanın en iyi (standart) bir yolu, onu yaparken kullanılacak en iyi (standart) bir aracın, ve o işin tamamlanacağı kararlaştırılmış (standart) bir zaman dilimi olması gerektiğini iddia etti.

Endüstriyel İdeolojilerin Temelleri: Tek Alanda Çalışmak

Bir önceki yazı için Endüstriyel İdeolojilerin Temelleri: Konsentrasyon sayfasını okuyunuz.

Alvin Toffler, The Third Wave, syf. 62-64

Tüm 2. dalga toplumlarında yer etmiş bir diğer büyük prensip, sadece tek bir alanda çalışma (specialization) prensibidir. Bu tür topluluklar konuşma dillerinde, yaşam tarzlarında, dinlenme, eğlenmede çeşitliliği yokederken, aynı anda çalışma dünyasında [kutulara ayrılmış] bir çeşitliliğe gitme ihtiyacı hissediyorlardı. 2. dalga, işbölümü kavramını güçlendirip, o her şeyden anlayan (jack-of-all-trades) köylünün yerine sadece tek bir işe odaklı ketum memur / emekçi tipini ön plana çıkarttı. Bu kişi, o tek şeyi, tekrar tekrar, arka arkaya, aynen Taylor'un tavsiye ettiği gibi yapmakla yükümlü olacaktı [..]

Henry Ford, ünlü Model-T arabasını üretmek için fabrikasında 7882 farklı operasyonun gerektiğini hesaplarken işte bu mantığı takip ediyordu. Ford'un hesabına göre bu operasyonların sadece 949 güçlü, 3448'i her uzvu yerinde insana ihtiyaç duyuyordu, ve gayet soğukkanlı bir şekilde Ford şöyle devam etmişti "kalan işlerin ise 670'si bacağı olmayanlar, 2637'si tek bacağı olanlar, 2'si kolu olmayanlar, 715'ı tek kollu insanlar, 10'u da kör insanlar tarafından rahatça yapılabilir". Özetle tek alanda çalışma kavramının artık tam insana bile ihtiyacı yoktu. Sadece "kısmi insanlar" da onun işlemesi için yeterliydi. Aşırı tek alancılığın bu kadar gaddar daha iyi bir örneği herhalde başka yerde bulunamaz.

Genellikle kapitalizm ile bağdaşlaştırılan bu durum, sosyalizmin de en temel özelliklerinden biridir, çünkü aşırı tek alancılık üretimin tüketimden boşandığı her toplumda otomatik olarak ortaya çıkar. SSCB, Macaristan, Polonya, Doğu Almanya'daki fabrikalar, aynen Çalışma Bakanlığı tam 20.000 tane farklı iş kolu tanımlamış ABD ve Japonya gibi fabrikalarında çetrefil "tek alancı" teknikleri kullanmaya muhtaçtılar.

Endüstriyel İdeolojilerin Temelleri: Konsentrasyon

Bir önceki yazı için 3.Dalga ve Bilgi Toplumu sayfasını okuyunuz.

The Third Wave, Alvin Toffler, syf. 67-68

[Endustriyel] piyasaların yükselişi bir 2. dalga kuralını daha ortaya çıkardı: Konsentrasyon prensibi.

1. dalga toplumları çoğunlukla dağınık halde duran enerji kaynaklarını kullanıyorlardı. 2. dalga toplumları, neredeyse tamamen, yüksek ölçüde konsantre/odaklı halde duran fosil yakıtlarına bağımlı hale geldiler.

Fakat 2. dalga enerji haricindeki başka şeyleri de "odaklı" hale getirdi. İnsan nüfusunu da "odaklaştırdı"; kırsal bölgelerdeki insanları yerlerinden çıkartarak onları çok odaklı haldeki şehir merkezlerine taşıdı.

İş kavramını bile odaklı hale getirdi. 1. dalga toplumlarında iş pek çok değişik yerde, evde, köyde, çiftlikte yapılabilirken, 2. dalga endüstriyel toplumlarda iş neredeyse tamamen konsantre halde fabrikalarda yapılır hale gelecekti - bu fabrikalarda binlerce insan bir araya gelerek işlerini yapmak zorundaydılar.

Dahası da var: İş ve enerji haricinde başka şeyler de konsantre oldu: New Society adındaki bir sosyal bilimler dergisinde yazan Stan Cohen, şunları söylüyordu: "Endüstriyelleşme öncesi fakirler, mahalledeki birinin, akrabalarının yanında kalır, suçlular ise cezalandırılırdı; ağır ceza, ya da yerleşim merkezlerinde dışarı atılarak. Zihni özürlüler kendi aileleri ile kalır, fakir iseler mahalleli tarafından bakılırdı. Ve bütün bu gruplar toplulukta dağınık bir halde durmaktaydılar.

Image Segmentation - Region Growing Algorithm

1 - Introduction and problem definition

1.1 - Introduction

Image segmentation is an important process in Computer Vision that is used for several operations as edge detection, classification, 3D reconstruction, etc.. The main goal of image segmentation is to cluster pixels into regions. This clustering image pixels into image regions in turns convert the image into a representation that is more meaningful and easier to analyse. More precisely, image segmentation is the process of assigning a label to every pixel in an image such that pixels with the same label share certain characteristics. Image segmentation has broad range of applicability in different fields of science ans engineering.

In this lab work, we implement the region growing algorithm which is one of the basic process of partitioning a digital image and then analyse the design and implementation of it. Finally, we compare the region growing algorithm with other image segmentation algorithms. We describe also about the organization and development phase of the lab work.

1.2 - Problem definition

Our lab work problem asks for performing image segmentation over different image representation and check the result. We implement our image segmentation algorithm over gray level images and RGB color space images to cluster into different image regions. And then we compare our clustering result with Fuzzy C-Means (FCM) clustering algorithm.

What is Machine Learning? - Part II

Linear Regression with Multiple Variables

Multiple Features

Linear regression with multiple variables is also known as "multivariable linear regression." We now introduce notation for equations where we can have any number of input variables.
$$ \begin{align*} x_j^{(i)} &= \text{value of feature } j \text{ in the }i^{th}\text{ training example} \newline x^{(i)}& = \text{the column vector of all the feature inputs of the }i^{th}\text{ training example} \newline m &= \text{the number of training examples} \newline n &= \left| x^{(i)} \right| \; \text{(the number of features)} \end{align*} $$
Now define the multivariable form of the hypothesis function as follows, accomodating these multiple features:
$$ h_\theta (x) = \theta_0 + \theta_1 x_1 + \theta_2 x_2 + \theta_3 x_3 + \cdots + \theta_n x_n $$
Using the definition of matrix multiplication, our multivariable hypothesis function can be concisely represented as:
$$ \begin{align*} h_\theta(x) = \begin{bmatrix} \theta_0 \hspace{2em} \theta_1 \hspace{2em} ... \hspace{2em} \theta_n \end{bmatrix} \begin{bmatrix} x_0 \newline x_1 \newline \vdots \newline x_n \end{bmatrix} = \theta^T x \end{align*} $$
This is a vectorization of our hypothesis function for one training example; see the lessons on vectorization to learn more. [Note: So that we can do matrix operations with theta and x, we will set $x^{(i)}_0 = 1$, for all values of $i$. This makes the two vectors 'theta' and $x^{(i)}$ match each other element-wise (that is, have the same number of elements: $n + 1$).]

Now we can collect all $m$ training examples each with $n$ features and record them in an $n+1$ by $m$ matrix. In this matrix we let the value of the subscript (feature) also represent the row number (except the initial row is the "zeroth" row), and the value of the superscript (the training example) also represent the column number, as shown here:

What is Machine Learning?

Two definitions of Machine Learning are offered. Arthur Samuel described it as: "the field of study that gives computers the ability to learn without being explicitly programmed." This is an older, informal definition.

Tom Mitchell provides a more modern definition: "A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."

Example: playing checkers.

E = the experience of playing many games of checkers
T = the task of playing checkers.
P = the probability that the program will win the next game.

Supervised Learning

In supervised learning, we are given a data set and already know what our correct output should look like, having the idea that there is a relationship between the input and the output.

Supervised learning problems are categorized into "regression" and "classification" problems. In a regression problem, we are trying to predict results within a continuous output, meaning that we are trying to map input variables to some continuous function. In a classification problem, we are instead trying to predict results in a discrete output. In other words, we are trying to map input variables into discrete categories.

Example:

Given data about the size of houses on the real estate market, try to predict their price. Price as a function of size is a continuous output, so this is a regression problem.

We could turn this example into a classification problem by instead making our output about whether the house "sells for more or less than the asking price." Here we are classifying the houses based on price into two discrete categories.

Robot Navigation - Q learning algorithm

Objective

The aim of this lab is to understand the reinforcement learning subject of the autonomous robots course and implement a reinforcement learning algorithm to learn a policy that moves a robot to a goal position. The algorithm is the Q-learning algorithm and it will be implemented in Matlab.

1 - Introduction

The reinforcement learning algorithm does not force the robot to plan path by using any path planning algorithm, rather the algorithm learns optimal solution by randomly moving inside map for several times. It is an approximation of natural learning process, where unknown problem is solved just by trial and error method. The following sections will briefly discuss about the implementation and the results obtained by the algorithm.

Environment: The environment used for this lab experiment is shown below.

Figure-1: Environment used for the implementation.

States and Actions: The size of the given environment is 20$\times$14 = 280 states. The robot can only do 4 different actions: ←, ↑, →, ↓. Thus, the size of the Q matrices would be 280$\times$4 = 1120 cells.

Dynamics: Dynamics make the robot move towards a direction according to the actions. The robot will move one cell per iteration to the direction of the action that we select, unless there is an obstacle or the wall in front of it, in which case it will stay in the same position.

Reinforcement function: Reinforcement function assigns reward at each cell, +1 for goal cell and -1 otherwise.

Implementing Object Detection Based on Color in Webot Simulator for E-puck

This project was implemented by Richa AGARWAL, Taner GUNGOR and Pramita WINATA.

Abstract-Object detection and recognition is a challenging task in computer vision systems. So it was decided to work with E-puck for the same. But using a real e-puck connected with the system through bluetooth it is diffucult to transfer images captured by the robot's camera. So, it was decided to use Webot simulator for E-puck robot to develope and test the algorithm to detect objects using the color of an object. Where robot scans for the object if detects the goal, it moves in the direction of goal avoiding obstacles, else moves randomly in the arena looking for the goal (red object). The most relevant aspects of the simulator and implementation are explained.
Keywords-Webot simulator, e-puck, path planning

INTRODUCTION
We are implementing a simple object detection algorithm in Webot simulator for E-puck using C controller. The algorithm is designed to detect red objects using E-puck's camera. It is easier to control and grab images from E-puck robot using Webot simulator and controler.

1 - WEBOTS SIMULATOR
Webots is a development environment used to model, program and simulate mobile robots. With Webots the user can design complex robotic setups, with one or several, similar or different robots, in a shared environment. The properties of each object, such as shape, color, texture, mass, friction, etc., are chosen by the user. A large choice of simulated sensors and actuators is available to equip each robot. The robot controllers can be programmed with the built-in IDE or with third party development environments. The robot behavior can be tested in physically realistic worlds. The controller programs can optionally be transferred to commercially available real robots. Webots is used by over many universities and research centers worldwide. The development time you save is enormous.

Figure-1: Webots development stages

Webots allows you to perform 4 basic stages in the development of a robotic project Model, Program, Simulate and transfer as depicted on the Fig. 1.

Understanding k-Nearest Neighbour

Goal

In this chapter, we will understand the concepts of k-Nearest Neighbour (kNN) algorithm.

Theory

kNN is one of the simplest of classification algorithms available for supervised learning. The idea is to search for closest match of the test data in feature space. We will look into it with below image.

In the image, there are two families, Blue Squares and Red Triangles. We call each family as Class. Their houses are shown in their town map which we call feature space. (You can consider a feature space as a space where all datas are projected. For example, consider a 2D coordinate space. Each data has two features, x and y coordinates. You can represent this data in your 2D coordinate space, right? Now imagine if there are three features, you need 3D space. Now consider N features, where you need N-dimensional space, right? This N-dimensional space is its feature space. In our image, you can consider it as a 2D case with two features).

Now a new member comes into the town and creates a new home, which is shown as green circle. He should be added to one of these Blue/Red families. We call that process, Classification. What we do? Since we are dealing with kNN, let us apply this algorithm.

Robot Navigation - Rapidly-Exploring Random Tree Algorithm

Objective

The aim of this post is to understand the rapidly-exploring random tree and implement it in Matlab.

1 - Introduction

A rapidly exploring random tree (RRT) is an algorithm designed to efficiently search nonconvex, high-dimensional spaces by randomly building a space-filling tree. The tree is constructed incrementally from samples drawn randomly from the search space and is inherently biased to grow towards large unsearched areas of the problem. It widely used in autonomous robotic path planning.

2 - The Algorithm

RRTs were proposed as both a sampling algorithm and a data structure designed to allow fast searches in high-dimensional spaces in motion planning. RRTs are progressively built towards unexplored regions of the space from an initial configuration as shown in Figure 1.

Progressive construction of an RRT.

At every step a random $q\_rand$ configuration is chosen and for that configuration the nearest configuration already belonging to the tree $q\_near$ is found. For this a definition of distance is required (in motion planning, the euclidean distance is usually chosen as the distance measure). When the nearest configuration is found, a local planner tries to join $q\_near$ with qrand with a limit distance . If $q\_rand$ was reached, it is added to the tree and connected with an edge to $q\_near$. If $q\_rand$ was not reached, then the configuration $q\_new$ obtained at the end of the local search is added to the tree in the same way as long as there was no collision with an obstacle during the search. This operation is called the Extend step, illustrated in Figure 2. This process is repeated until some criteria is met, like a limit on the size of the tree.

Robot Navigation - A Star Algorithm

Objective

The aim of this lab is to understand the A* algorithm and implement it in Matlab.

1 - Introduction

In computer science, A* is a computer algorithm that is widely used in pathfinding and graph traversal, the process of plotting an efficiently traversable path between points, called nodes. A* achieves better time performance by using heuristics.

2 - The Algorithm

A* uses a best-first search and finds a least-cost path from a given initial node to the goal node. As A* traverses the graph, it follows a path of the lowest expected total cost or distance, keeping a sorted priority queue of alternate path segments along the way.

It uses a knowledge-plus-heuristic cost function of node x to determine the order in which the search visits nodes in the tree. The cost function is a sum of two functions:

1. the past path-cost function, which is the known distance from the starting node to the current node x (denoted g(x))
2. a future path-cost function, which is an admissible "heuristic estimate" of the distance from x to the goal (denoted h(x)).

The h(x) part of the f(x) function must be an admissible heuristic; that is, it must not overestimate the distance to the goal. Thus, for an application like routing, h(x) might represent the straight-line distance to the goal, since that is physically the smallest possible distance between any two points or nodes.

If the heuristic h satisfies the additional condition h(x) = d(x,y) + h(y) for every edge (x, y) of the graph (where d denotes the length of that edge), then h is called consistent. In such a case, A* can be implemented more efficiently. No node needs to be processed more than once and. Now let's look at closely to the each steps.

Robot Navigation - The Rotational Sweep Algorithm

Objective

The aim of this post is to understand the rotational plane sweep algorithm to build a visibility graph and implement it in Matlab.

1 - Introduction

The rotational plane sweep is a path planning algorithm based on topological maps. It is one of the most powerful method of intelligent robot navigation. The basic concepts and details of the algorithm are going to be explained in the next chapter. After that, we are going to see the results.

2 - The Algorithm

Topological map is a simplified map with only relationship between points. It can be represented as a graph:

• nodes are real positions
• edges join positions in the free space.

They include the distance. It is easy to find a path in a topological map. So, the only problem is how to build a topological map? We are going to create visibility graph.

In order to create visibility graph. We should define for a 2D polygonal configuration space

• The nodes $v_{i}$ of the visibility graph include the start location, the goal location, and all the vertices of the configuration space obstacles. 
• The graph edges $e_{ij}$ are straight-line segments that connect two line-of-sight nodes $v_{i}$ and $v_{j}$, i.e., 

\begin{equation} e_{ij} \neq \emptyset \Longleftrightarrow sv_{i} + (1 - s)v_{j} \in cl(Q_{free}) \forall s \in [0, 1] \end{equation}