Please use this identifier to cite or link to this item:
http://hdl.handle.net/1942/41359
Title: | Optimaliseren van nauwkeurigheid van een robot-airhockeytafel met machine learning via ensemble trees en neurale netwerken | Authors: | Cappuyns, Ian | Advisors: | LEEN, Geert ROBBENS, Kim |
Issue Date: | 2023 | Publisher: | UHasselt | Abstract: | Beckhoff Automation BV te Lummen is een verdeler van automatiseringsoplossingen voor elke industrie. Ter illustratie van haar diverse producten werd er een robot-airhockeytafel ontwikkeld. De robot bepaalt wiskundig het traject van de puck met behulp van visie en speelt de puck terug. Het doel van deze masterproef is het optimaliseren van de nauwkeurigheid van dit traject door middel van machine learning. Bij deze masterproef werden de eisen opgesplitst in twee delen. Vooraleer er aan het machine learning model gewerkt kan worden moeten er eerst data verzameld worden over het traject van de puck aan de hand van camera’s. Hierbij moet de locatie van de puck bepaald worden door de combinatie van twee camera’s i.p.v. één. Als volgt moet er onderzocht worden hoe de trajectbepaling en de aanvalstechnieken van de puck geoptimaliseerd kunnen worden via machine learning. Eerst werden de camera’s softwarematig gecombineerd in TwinCAT 3. De PLC logt het traject van de puck in CSV-bestanden die kunnen worden gebruikt voor de training van het machine learning model. Python scripts gebruiken deze logs om de modellen te trainen en het traject te voorspellen. Ten slotte werd het beste model in de TwinCAT 3 real-time omgeving geïmplementeerd om de robot aan te sturen. Uit deze masterproef is gebleken dat het best presterende model een neuraal netwerk was. Deze kan de puck op 50 frames in de toekomst voorspellen met een gemiddelde fout kleiner dan 3 cm. | Notes: | master in de industriële wetenschappen: elektromechanica | Document URI: | http://hdl.handle.net/1942/41359 | Category: | T2 | Type: | Theses and Dissertations |
Appears in Collections: | Master theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
b3aea3b7-2049-40e8-b87f-f9cdffe9dfa0.pdf | 9.51 MB | Adobe PDF | View/Open | |
f0c5f008-dfd0-4af3-8c93-6b885ba0066b.pdf | 892.38 kB | Adobe PDF | View/Open |
Google ScholarTM
Check
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.