summaryrefslogtreecommitdiff
path: root/2017/ev3-controller
diff options
context:
space:
mode:
authorTimotej Lazar <timotej.lazar@fri.uni-lj.si>2017-07-18 17:07:49 +0200
committerTimotej Lazar <timotej.lazar@fri.uni-lj.si>2017-07-18 17:07:49 +0200
commit7f20764a1d47ebfa871d2b66cfd006c8e23cff4e (patch)
tree4123badae46e15ff7d7d3fd990fc7d1f51a5a23e /2017/ev3-controller
parent42bdab3f9db8797caf02a0799810c1d92c2f04e1 (diff)
Add project 2017/ev3-controller
Diffstat (limited to '2017/ev3-controller')
-rw-r--r--2017/ev3-controller/data_processing.py60
-rw-r--r--2017/ev3-controller/line_follower_Q.py80
-rw-r--r--2017/ev3-controller/nn_11_function.py86
-rw-r--r--2017/ev3-controller/nn_driver.py113
-rw-r--r--2017/ev3-controller/report.pdfbin0 -> 320583 bytes
-rw-r--r--2017/ev3-controller/training_data.csv570
6 files changed, 909 insertions, 0 deletions
diff --git a/2017/ev3-controller/data_processing.py b/2017/ev3-controller/data_processing.py
new file mode 100644
index 0000000..164c8bc
--- /dev/null
+++ b/2017/ev3-controller/data_processing.py
@@ -0,0 +1,60 @@
+import csv
+import numpy as np
+import random
+import collections
+#580
+def process(length=5, SEED=1552, data='training_data.csv'):
+
+ set=[]
+ output=[]
+ previous_set=[]
+ input=[]
+ inputs=[]
+
+ #read the data from file
+ with open(data, 'r') as csvfile:
+ csv_reader = csv.reader(csvfile, delimiter=',')
+ i=0
+ for row in csv_reader:
+ #create one-hot vector
+ vector=np.zeros((9,), dtype=np.int)
+ vector[int(row[0])]= vector[int(row[1])+3] = vector[int(row[2])+6] = 1;
+
+ #concatenate the number of vectors defined in "length"
+ if (i < length):
+ previous_set.append(vector.tolist())
+ else:
+ for pr in previous_set:
+ input=np.append(input, pr)
+ input = np.append(input, vector)
+ inputs.append(input)
+ input=[]
+ previous_set = previous_set[1:]+[vector.tolist()]
+ i = i + 1
+
+
+ #randomize data
+ random.seed(SEED)
+ random.shuffle(inputs)
+
+ #create inputs and outputs
+ for v in inputs:
+ set.append(v[:-6])
+ output.append(v[-3:])
+
+ #set the size of training set
+ training=int(len(output)*0.9)
+
+ #create training and test sets
+ training_set=set[:training]
+ training_output=output[:training]
+ test_set=set[training:]
+ test_output=output[training:]
+ return training_set, training_output, test_set, test_output
+
+
+training_x, training_y, test_x, test_y = process()
+
+
+
+
diff --git a/2017/ev3-controller/line_follower_Q.py b/2017/ev3-controller/line_follower_Q.py
new file mode 100644
index 0000000..a1ea427
--- /dev/null
+++ b/2017/ev3-controller/line_follower_Q.py
@@ -0,0 +1,80 @@
+import numpy as np
+from EV3Robot import *
+import csv
+gamma = 0.8
+alpha = 1.
+
+robot = Robot()
+robot.connect_motor( 'left' )
+robot.connect_motor( 'right' )
+robot.connect_sensor( 'color' )
+
+r = np.array([[1, -10, -1],
+ [-100, 10, -1],
+ [-100, -10, 100]]).astype("float32")
+
+#squre the difference
+
+q = np.random.rand(3,3)
+
+def update_q(state, next_state, action):
+ r_sa = r[state, action] #reward acc to state and action
+ q_sa = q[state, action] # q value acc to state and action
+ new_q = q_sa + alpha * (r_sa + gamma * max(q[next_state, :]) - q_sa)
+ q[state, action] = new_q
+ # renormalize row to be between 0 and 1
+ rn = q[state][q[state] > 0] / np.sum(q[state][q[state] > 0])
+ q[state][q[state] > 0] = rn
+ return r[state, action]
+
+def bgw(isee, follow_color=50, grey_zone=25):
+ if isee < follow_color - grey_zone: # BLACK
+ return 0
+ elif isee > follow_color + grey_zone: # WHITE
+ return 1
+ else: # move forward if in the grey zone
+ return 2
+
+def get_state():
+ isee = robot.color_sensor_measure('reflected_light_intensity')
+ color = bgw(isee)
+ return color
+
+def do_action(action, speed):
+ if action == 0:
+ robot.move(0,speed)
+ elif action == 1:
+ robot.move(speed, 0)
+ elif action == 2:
+ robot.move(speed, speed)
+
+
+def run(speed):
+ data_file = open('training_data.csv', 'wb')
+ while(1):
+ #check the state
+ state_1 = get_state()
+ #action taken according to maximum value of q table in color column
+ action = np.argmax(q,axis=0)[state_1]
+ # do the action
+ do_action(action, speed)
+ state_2 = get_state()
+ update_q(state_1, state_2, action)
+
+ action2 = np.argmax(q,axis=0)[state_2]
+ do_action(action2,speed)
+ state_3 = get_state()
+ update_q(state_2, state_3, action2)
+
+ collect_data(data_file, state_1, state_2, action2)
+
+
+def collect_data(data_file, prev_state, current_state, action):
+ writer = csv.writer(data_file, delimiter=',')
+ writer.writerow([prev_state, current_state, action])
+
+
+
+run(15)
+
+
diff --git a/2017/ev3-controller/nn_11_function.py b/2017/ev3-controller/nn_11_function.py
new file mode 100644
index 0000000..677db1b
--- /dev/null
+++ b/2017/ev3-controller/nn_11_function.py
@@ -0,0 +1,86 @@
+import numpy as np
+from data_processing import process
+
+#get the data
+training_x, training_y, test_x, test_y = process()
+X=np.array(training_x)
+y=np.array(training_y)
+
+
+#sigmoid function
+def nonlin(x, deriv=False):
+ if (deriv == True):
+ return x * (1 - x)
+ return 1 / (1 + np.exp(-x))
+
+#print(X)
+#print(y)
+
+def train(X=X,y=y, descent_rate=0.01, hl1=2):
+ np.random.seed(1)
+
+ # randomly initialize our weights with mean 0
+ syn0 = 2 * np.random.random((len(X[1]), hl1)) - 1
+ syn1 = 2 * np.random.random((hl1, len(y[1]))) - 1
+
+ for j in range(5000):
+
+ # Feed forward through layers 0, 1, and 2
+ l0 = X
+ l1 = nonlin(np.dot(l0, syn0))
+ l2 = nonlin(np.dot(l1, syn1))
+
+ #print(l2)
+
+ # calculate the error in from the target value
+ l2_error = y - l2
+
+ if (j % 100) == 0:
+ print ( "Error:" + str(np.mean(np.abs(l2_error))))
+
+ # calculate the desired change in weights - bigger if our confidence is higher, use descent rate to control convergence
+ l2_delta = l2_error * nonlin(l2, deriv=True)*descent_rate
+
+ # how much did each l1 value contribute to the l2 error (according to the weights)?
+ l1_error = l2_delta.dot(syn1.T)
+
+ # calculate the desired change in weights - bigger if our confidence is higher, use descent rate to control convergence.
+ l1_delta = l1_error * nonlin(l1, deriv=True)*descent_rate
+
+ #update the weights
+ syn1 += l1.T.dot(l2_delta)
+ syn0 += l0.T.dot(l1_delta)
+
+
+ return syn0, syn1
+
+
+def calculate_output(syn0, syn1, l0):
+ l1 = nonlin(np.dot(l0, syn0))
+ l2 = nonlin(np.dot(l1, syn1))
+ return l2
+
+
+#test neural network
+l0=test_x
+#print(l0)
+
+#train the neural network
+syn0, syn1=train(X, y)
+print(syn0)
+print(syn1)
+
+#get the output values based on the trained network
+l2 = calculate_output(syn0, syn1, l0)
+
+#check correctness of nn
+correct = np.equal(np.argmax(test_y, 1), np.argmax(l2, 1))
+print(correct)
+
+accuracy = np.mean(correct.astype(float))
+print(accuracy)
+
+#Print inputs and predicted outputs
+#for i in range(len(l0)):
+ #print(l0[i])
+ #print(l2[i]) \ No newline at end of file
diff --git a/2017/ev3-controller/nn_driver.py b/2017/ev3-controller/nn_driver.py
new file mode 100644
index 0000000..b03c125
--- /dev/null
+++ b/2017/ev3-controller/nn_driver.py
@@ -0,0 +1,113 @@
+import numpy as np
+from EV3Robot import *
+
+robot = Robot()
+robot.connect_motor( 'left' )
+robot.connect_motor( 'right' )
+robot.connect_sensor( 'color' )
+
+#syn0, syn1=train()
+
+#syn0 = [[-0.05111396, -0.65152816],
+ #[-0.60031302, -0.42462132],
+ #[-0.61138226, -0.94931736],
+ #[-0.54869344, -1.05984886],
+ #[ 0.01826786, 0.24129794],
+ #[ 0.14427619, -0.29771331],
+ #[-0.74305135, 0.076575 ],
+ #[-0.08188871, -0.31810276],
+ #[-0.26736444, 0.20061916],
+ #[-1.58011504, -1.44969247],
+ #[-0.47182455, 2.43261639],
+ #[ 2.17045716, -1.52101072]],
+
+#syn1 = [[ -3.47021005, -61.89030242, 12.78322924],
+ #[ -2.8108547, 22.64381972, -65.90059129]]
+
+syn0 = [[-0.22387899, 0.0272135 ],
+ [-0.53776054, -0.36374634],
+ [-0.61603734, -0.48518088],
+ [-0.57052126, -0.56987098],
+ [ 0.2442093, 0.23051107],
+ [-0.17470505, 0.42684878],
+ [-0.53413718, 0.49524244],
+ [-0.49455046, 0.49381262],
+ [-0.17848447, 0.17378944],
+ [-0.84917023, -1.20753232],
+ [ 2.3610183, 0.48650416],
+ [-1.5081981, 1.38669447]]
+
+syn1 = [[ -1.50414787, 17.11258305, -19.87962655],
+ [ -1.63558919, -16.87799893, 3.60433587]]
+
+print("get train data",syn0)
+print(syn1)
+
+
+def nonlin(x, deriv=False):
+ if (deriv == True):
+ return x * (1 - x)
+
+ return 1 / (1 + np.exp(-x))
+
+def calculate_output(syn0, syn1, l0):
+ l1 = nonlin(np.dot(l0, syn0))
+ l2 = nonlin(np.dot(l1, syn1))
+ return l2
+
+def run1(speed):
+ previous = []
+
+ while(1):
+ #check the state
+ state_1 = get_state()
+ #action taken according to maximum value of q table in color column
+ if(previous==[]):
+ action=1
+
+ #get action from
+ # action = np.argmax(q,axis=0)[state_1]
+ else:
+ vector=toBinary(previous)
+ current=[0,0,0]
+ current[int(state_1)]=1
+ input=np.append(vector, current)
+
+ l2 = calculate_output(syn0, syn1, [input])
+
+
+ action=np.argmax(l2)
+ # do the action
+ do_action(action, speed)
+
+ state_2=get_state()
+ previous=[state_1, state_2, action]
+
+def toBinary(set):
+ vector = np.zeros((9,), dtype=np.int)
+ vector[int(set[0])] = vector[int(set[1]) + 3] = vector[int(set[2]) + 6] = 1;
+ return vector
+
+
+def bgw(isee, follow_color=50, grey_zone=25):
+ if isee < follow_color - grey_zone: # BLACK
+ return 0
+ elif isee > follow_color + grey_zone: # WHITE
+ return 1
+ else: # move forward if in the grey zone
+ return 2
+
+def get_state():
+ isee = robot.color_sensor_measure('reflected_light_intensity')
+ color = bgw(isee)
+ return color
+
+def do_action(action, speed):
+ if action == 0:
+ robot.move(0,speed) #left
+ elif action == 1:
+ robot.move(speed, 0) #right
+ elif action == 2:
+ robot.move(speed, speed) #forward
+
+run1(40) \ No newline at end of file
diff --git a/2017/ev3-controller/report.pdf b/2017/ev3-controller/report.pdf
new file mode 100644
index 0000000..0d8703b
--- /dev/null
+++ b/2017/ev3-controller/report.pdf
Binary files differ
diff --git a/2017/ev3-controller/training_data.csv b/2017/ev3-controller/training_data.csv
new file mode 100644
index 0000000..5e6f5af
--- /dev/null
+++ b/2017/ev3-controller/training_data.csv
@@ -0,0 +1,570 @@
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,0,0
+0,2,2
+2,2,2
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+1,2,2
+2,2,2
+2,0,0
+0,0,0
+2,2,2
+1,1,1
+2,2,2
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+2,2,2
+0,0,0
+0,2,2
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,0,0
+0,0,0
+1,1,1
+2,0,0
+0,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+0,0,0
+2,2,2
+1,1,1
+1,1,1
+1,2,2
+2,2,2
+0,0,0
+2,2,2
+2,2,2
+1,1,1
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,2,2
+2,2,2
+2,2,2
+0,0,0
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,1,1
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+2,0,0
+0,0,0
+0,0,0
+0,0,0
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+2,0,0
+0,0,0
+0,0,0
+0,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+2,1,1
+1,1,1
+1,2,2
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+2,2,2
+0,0,0
+0,2,2
+2,2,2
+1,1,1
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+0,0,0
+0,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+2,0,0
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+1,2,2
+2,0,0
+0,0,0
+2,2,2
+1,1,1
+1,1,1
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+0,0,0
+0,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+0,0,0
+2,2,2
+2,0,0
+1,1,1
+1,1,1
+1,1,1
+0,0,0
+0,2,2
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+0,0,0
+0,0,0
+2,1,1
+1,1,1
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+1,1,1
+2,2,2
+0,0,0
+2,2,2
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+0,0,0
+2,2,2
+2,0,0
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+1,2,2
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+0,0,0
+0,0,0
+2,2,2
+1,1,1
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,2,2
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+2,2,2
+2,2,2
+2,2,2
+0,0,0
+0,0,0
+2,2,2
+2,2,2
+2,0,0
+0,0,0
+0,2,2
+2,2,2
+2,0,0
+0,0,0
+2,2,2
+2,2,2
+2,2,2
+2,2,2
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,2,2
+2,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1
+1,1,1