Enlitteraturstudie#av2010s#finalistlag#rUNSWift729G11/projekt/studentpapper-12/martin... · RoboCup Enlitteraturstudie#av2010s#finalistlag#rUNSWift# Linköpings Universitet Artificiell

RoboCup En litteraturstudie av 2010s finalistlag rUNSWift

Linköpings Universitet

Artificiell Intelligent II, 729G11

Fördjupningsuppgift

Martin Krampell

[email protected]

Linköping

2012-10-16

Martin Krampell Linköpings Universitet markr644 729G11

1

Sammanfattning

RoboCup, morgondagens fotboll eller helt enkelt väldigt spännande grejer -‐

många benämningar på en och samma sak. Vi går igenom hur en robot faktiskt

lyckas att spela fotboll – och det med en hel del intelligens dessutom. Hur

roboten kan se, uppfatta och sedan navigera en fotbollsplan i miniformat

klargörs för att få en god generell förståelse för robotfotboll i allmänhet.

Avslutningsvis diskuterar vi kring ämnet och vart det här kan leda oss i

framtiden.


2

Innehållsförteckning

1. INLEDNING .................................................................................................................................... 3 1.1 KÄLLHANTERING ................................................................................................................................... 3

2. SYFTE .............................................................................................................................................. 3

3. ROBOCUP ....................................................................................................................................... 3 3.1 HISTORIA ..................................................................................................................................................... 3 3.2 OLIKA GRENAR OCH KLASSER .................................................................................................................. 4 3.3 FÖRUTSÄTTNINGAR ................................................................................................................................... 5 3.4 ROBOTEN ..................................................................................................................................................... 5

4. LAGET .............................................................................................................................................. 6

5. PERCEPTION ................................................................................................................................. 7 5.1 SYN ................................................................................................................................................................ 7 5.1.1 Objektidentifikation .......................................................................................................................... 7 5.1.2 Robotidentifikation ........................................................................................................................... 9 5.1.3 Bollidentifikation ............................................................................................................................ 10 5.1.4 Målidentifikation ............................................................................................................................ 10 5.1.5 RANSAC ............................................................................................................................................... 10

5.2 SENSORER .................................................................................................................................................. 12

6. POSITIONERING ........................................................................................................................ 12

7. KOMMUNIKATION ................................................................................................................... 14

8. BETEENDE .................................................................................................................................. 14 8.1 OLIKA ROLLER .......................................................................................................................................... 15

9. DISKUSSION ............................................................................................................................... 16

REFERENSER .................................................................................................................................. 18

BILAGA 1 – RANSAC PSEUDOKOD ........................................................................................... 19


3

1. Inledning

RoboCup Soccer är en internationell robot-‐tävling med syfte att skapa robotar

som klarar av att spela fotboll mot varandra. Målet med tävlingen är att främja

utvecklingen inom robotteknik samt artificiell intelligens (AI) och att göra detta

på ett åskådarvänligt men ändå utmanande sätt. Den här studien ämnar granska

finalistlaget rUNSWifts bidrag till 2010 års tävling samt att ge en insikt i hur en

robot faktiskt lyckas spela fotboll.

Denna rapport är resultatet av ett fördjupningsarbete i kursen Artificiell

intelligens II (729G11). Fokus kommer därför att läggas på den artificiella

intelligensen och mindre på andra delar av RoboCup.

1.1 Källhantering

Källor och referenser kommer att presenteras enligt Oxford-‐modellen. Komplett

litteraturförteckning hittas i slutet av rapporten. Om inte annat anges, så är allt

material baserat på ref.nr. 1; rUNSWift Team Report 2010 RoboCup Standard

Platform League. 1

2. Syfte

Syftet med fördjupningsarbetet är att sätta sig in i samt få en djup förståelse för

det valda ämnet och att sedan genom en skriftlig rapport presentera sina fynd.

Syftet med rapporten är således att redogöra för hur en fotbollsspelande robot

fungerar.

3. RoboCup

3.1 Historia

RoboCup grundades år 1997 och hålls årligen på en ny plats runt om i världen.

Den originella målsättningen med tävlingen är att år 2050 ha ett robot-‐lag som

1 http://www.cse.unsw.edu.au/~robocup/2010site/reports/report2010.pdf


4

är bra nog att vinna över det ledande mänskliga fotbollslaget. Tävlingen har

däremot sedan dess grundande expanderats för att täcka fler grenar än fotboll.

3.2 Olika grenar och klasser

Fotboll är inte den enda grenen inom RoboCup utan det finns även andra

tävlings-‐kategorier såsom Rescue (Räddning), @Home (Vardagshjälp) samt

Junior (Låta ungdomar lära sig utveckla robotar).

Inom grenen fotboll, eller Soccer som den officiellt heter, finns det även ett antal

olika klasser. 2 Nedan listas de olika klasserna och i vissa fall även deras sub-‐

klasser.

-‐ Humanoid

o Kid size

o Teenage size

o Adult size

-‐ Middle size

-‐ Simulation

o 2D

o 3D

-‐ Small size

-‐ Standard Platform

Den sistnämnda, nämligen ”Standard Platform League” (hädanefter SPL), är

kategorin som rUNSWift år 2010 deltog i. Det är även den tävling vi hädanefter

kommer att referera till när vi pratar om RoboCup och rUNSWifts bidrag. Denna

kategori baseras på att samtliga lag använder en identisk robot som erhålles i

samband med tävlingen. Lagen slipper bygga egna robotar och kan därför

fokusera all tid på mjukvaruutveckling. I samtliga av de andra klasserna krävs

det att laget utöver mjukvaran också bygger egna robotar. Hur robotarna får se

ut baseras på vilken kategori som de ska användas för, de får alltså inte se ut på

2 http://www.robocup.org/robocup-‐soccer/


5

vilket sätt som helst. Dessa specifikationer finns detaljerat beskrivna i reglerna

för varje klass.

3.3 Förutsättningar

Samtliga dimensioner, färger på objekt och dylikt finns klart definierat i

regelboken för SPL.3 Detta för att robotarna ska ha så lätt som möjligt att

identifiera olika objekt på plan. En tävlings-‐sport kräver dessutom tydligt

definierade regler och specifikationer för att kunna bli rättvis.

Figur 1. Visar planens olika element samt deras färg.

Färgen på de olika objekten är kanske en av de viktigaste aspekterna att

definiera när det kommer till RoboCup. Se Figur 1. För att förenkla robotarnas

visuella igenkänning av olika objekt så har dessa alltid samma färger och finns

alltså fördefinierat till utvecklarnas stora glädje.

3.4 Roboten

Roboten som används för SPL är av Humanoid-‐typ. Se Figur 2 nedan. Den har

alltså liknande anletsdrag som en människa; två armar, två ben, ett huvud osv.

Robottypen heter Nao och produceras av Aldebaran Robotics. Laget får inte på

något sätt modifiera roboten förutom i ett fåtal undantagsfall. Dessa

undantagsfall är bland annat att sätta svart-‐vita sponsor-‐klistermärken på ett av

3 http://www.tzi.de/spl/pub/Website/Downloads/Rules2010.pdf


6

benen samt lite smått besynnerligt; att tejpa ihop robotens händer och/eller

fingrar med silvertejp. Tejpen måste i sådana fall vara transparent eller vit.

Figur 2. Visar Roboten Nao samt i det här fallet det blå lag-‐bandet

Robotarna blir tilldelade rosa respektive blå ”armband” beroende på

lagtillhörighet. Notera det blå bandet i Figur 2. För det andra laget är just detta

band rosa. För varje match befinner sig 3 stycken Nao-‐robotar på plan som

spelare. SPL är alltså en tre-‐manna sport.

4. Laget

Laget heter som bekant rUNSWift och tog silver i 2010 års final av SPL. 4 Video

från tävlingen kan även hittas på YouTube.5 Laget vann däremot tävlingen

”Technical challenge”. Technical challenge (alt. Sv: tekniska utmaningen) testar

en robots förmåga till tre olika, tekniskt utmanande, företeelser. Dessa är som

följande; passning, dribbling samt en ”öppen utmaning”.6 Den öppna utmaningen

kräver att laget gjort något tillräckligt avancerat som imponerar på domarna.

Laget representerar ”The University of New South Wales” från Sydney, Australien,

och består till större delen av studenter.

4 http://www.robocup2010.org/home_Results.php 5 http://www.youtube.com/watch?v=z5-‐11Awt0Rw 6 http://www.tzi.de/spl/pub/Website/Downloads/Challenges2010.pdf


7

5. Perception

Det första och kanske viktigaste roboten måste göra för att kunna spela fotboll är

att skapa sig en uppfattnings av världen. Den kan göra det på många olika sätt,

dock är synen kanske det viktigaste verktyget i robotens arsenal. Men då världen

endast är partiellt observerbar samt oerhört dynamisk så måste roboten

använda sig av oerhört smarta funktioner för att lyckas uppfatta omgivningen.

Roboten måste också använda andra funktioner än synen för att bilda en så

korrekt världsuppfattning som möjligt. Detta kan vara allt från gyroskop och

accelerometrar till motoriska sensorer. Men låt oss börja med att undersöka

synen.

5.1 Syn

Roboten har till sitt förfogande två kameror (920p) monterade i huvudet som är

kapabla att filma i upp till 30 bildrutor i sekunden. Nedan beskrivs hur roboten

använder sin syn för att hitta och identifiera objekten på plan. Den

implementerade metoden visade sig vara oerhört robust i olika ljusförhållanden

vilket lönade sig då ljusförhållandena skiljde sig drastiskt under tävlingarna från

hur det hade varit i lagets egna lokaler.

Robotens syn kan delas in i följande moduler: objekt-‐, robot-‐, boll-‐ samt mål-‐

identifikation och förklaras i detalj nedan.

5.1.1 Objektidentifikation

Denna process börjar med att identifiera planens kant. Detta görs med hjälp av

ett färghistogram som markerar ut alla punkter där den gröna planen övergår i

en annan färg – vilket då potentiellt indikerar en plan-‐kant. En algoritm

(RANSAC) används sedan för att avgöra var det är mest sannolikt att kanten går.

RANSAC, eller ”RANdom SAmple Consensus”, fungerar på så vis att den jämför

varje punkt mot en förväntad modell (i vårt fall en rak linje) och om tillräckligt

många punkter uppfyller kriteriet för tangering så har vi hittat vår kantlinje.

Pseudokod kan beskådas i Bilaga 1 och en djupare genomgång av algoritmen kan

hittas i 5.1.5 RANSAC. Vi kan se i Figur 3 dels punkterna och dels resultatet av


8

algoritmen, som markerat ut var den tror kanten är i form av en linje – vilket

också, i det här fallet, visar sig vara korrekt.

Figur 3. Visar hur kantidentifikationen markerar ut alla punkter för potentiell kant

samt algoritmens resultat av var den tror kanten är.

När kanten är identifierad vet vi att samtliga av de intressanta objekten befinner

sig under kanten, med undantag för målet. Vi kan därför markant minska

bildytan och därmed data-‐bearbetningen genom att ignorera allt ovanför

kantlinjen i de flesta följande analyser. Resterande identifikation utgår därmed

ifrån bildrutan under kanten vilket gör kantidentifikationen till den viktigaste

visuella identifikationen. Undantaget är mål-‐identifikationen som utgår ifrån

bild-‐delen ovanför plankanten, men drar även nytta av kantidentifikationen då

den endast behöver använda bildrutan ovanför plan-‐kanten.

Vidare används en funktion som identifierar samtliga områden av intresse i

bilden. Funktionen använder sedan färgen på dessa objekt för att avgöra vad det

sannolikast är för typ av objekt området innehåller. Figur 4 visar hur det här kan

se ut. De identifierade objekten skickas därefter vidare till respektive

identifikations-‐funktion. Ett objekt som sannolikt är en boll skickas således


9

vidare till bollidentifikation för vidare bearbetning. Det är den processen som

fastställer om det verkligen är en boll roboten ser. Samma gäller för de andra

objekten. Frågan vi kan ställa oss då är hur vi kan fastställa om ett objekt

verkligen är det som det antas vara.

Figur 4. Visar identifikationen av objekt på plan. Notera att identifikation inte

gjorts ovanför plan-‐kanten.

5.1.2 Robotidentifikation

Robotidentifikationen baseras på att bilden av den potentiella roboten genomgår

en rad ”sanity checks”. Dessa är exempelvis att objektet överstiger ett

tröskelvärde eller erhåller den rätta robot-‐formen. En vertikal linje kan ibland

identifieras som potentiell robot, men klarar inte kravet för dimensions-‐

förhållandet. Detta krav baseras på att ett objekt måste behålla ett visst

förhållande mellan längd och bredd. En linje är inte tillräckligt bred för att klara

av just det kravet och sorteras därför ut i det här steget – lämpligt nog.

Har ett objekt identifierats som en robot så behöver processen därefter

bestämma robotens lagtillhörighet. Den gör detta genom att se till färg-‐bandet

runt robotens midja. Färgen roboten ser jämförs med de två förbestämda lag-‐

färgerna (som finns fördefinierade i robotens system). Då ljusförhållandena kan

skilja sig drastiskt väljs det lag ut som färgen mest representerade.


10

5.1.3 Bollidentifikation

Det kanske viktigaste objektet att identifiera är bollen. Då hela fotbolls-‐spelandet

utgår från detta objekt så är det vitalt att roboten med så stor exakthet som

möjligt kan avgöra vilket objekt som är bollen. Den gör detta genom att göra en

rad tester på de identifierade objekt som tros vara en boll, antaget att det finns

några sådana.

Dessa tester bygger på att man kan identifiera kant-‐punkter på objektet och

sedan se om dessa resulterar i ett cirkelformat objekt. Vidare körs flera ”sanity

checks” på objektet för att säkerställa att det är en boll. Dessa är exempelvis om

bollen överstiger tröskelvärdet för den tillåtna storleken eller om bollens

centrumpunkt befinner sig ovanför kantlinjen – vilket, för båda av fallen, en boll

givetvis inte får göra.

Även om bollen har en, i sammanhanget, unik färg (jämfört med de andra

objekten på plan) så behöver bolligenkänningen göra dessa specifika tester.

Anledningen till detta är att objekt som inte är bollar trotts allt identifieras som

potentiella bollar och måste elimineras på något sätt. Laget insåg tidigt behovet

av rigorösa tester då de rosa lag-‐banden relativt ofta identifierades som

potentiella bollar och skapade märkliga effekter.

5.1.4 Målidentifikation

Precis som med de andra identifikationsprocesserna genomgår potentiella mål

en rad ”sanity checks” såsom att ribban befinner sig rimligt ovanför kantlinjen

samt att förhållandet mellan höjd och bredd stämmer. Utöver det så bestäms

måltillhörigheten baseras på färgen av målet. Målidentifikation görs på bildrutan

ovanför kantlinjen.

5.1.5 RANSAC

Låt oss reda ut varför RANdom SAmple Consensus, eller RANSAC, är metoden

som används för att lösa det aktuella problemet, nämligen att identifiera en linje

från våra punkter – punkter som illustrerar en övergång från det gröna fältet till

något annat. En vanlig metod att använda i denna typ av problem är Minsta


11

KvadratMetoden, hädanefter MKM. MKM minimerar kvadratsumman av

avstånden mellan samtliga punkter och modellen man försöker skapa och kan på

så sätt lista ut vilken modell som passar datan bäst. Låt oss gå igenom hur

RANSAC fungerar innan vi begrundar varför just den och inte MKM används.

RANSAC är en iterativ metod som provar sig fram och jämför sina resultat mot

ett tidigare bästa för att till slut returnera den bästa modellen den fann, om den

nu fann något. Algoritmen itererar k antal gånger och har inget hittats så går den

vidare (returnerar nil) och antar att det inte finns någon linje i synfältet. RANSAC

använder sig till skillnad från MKM bara av ett litet urval, n antal, punkter vid

modellskapandet. Detta modellskapande kan exempelvis göras med hjälp av

MKM. Dessa punkter slumpas fram från den tillgängliga datan och görs på nytt

för varje iteration algoritmen körs igenom. Modellen som skapas utifrån de

slumpade punkterna används i testningen av resterande punkter. Matchar

tillräckligt många punkter, d antal, av de resterande punkterna modellen med ett

acceptabelt avstånd, t, så sparas modellen. För varje iteration jämförs de olika

modellerna och om algoritmen hittar en bättre lösning ersätts den tidigare

sparade. Returneringen sker därför inte förrän efter att samtliga iterationer

genomförts.

Vi vet att roboten har en begränsad beräkningskapacitet och att vi helst vill ha så

effektiva algoritmer som möjligt. Vi kan också se att RANSAC är k antal gånger så

beräkningskrävande som MKM. Vad finns det då för vinning med att använda

RANSAC istället för MKM?

Antag att brus i bilden skapar en grupp punkter som sitter tätt tillsammans

utanför den verkliga linjen. Se Figur 3 för exempel på detta. Vi kan benämna

denna typ av problem som ”worst case”. MKM skulle då föröka använda dessa

punkter som en del av den resulterande linjen, vilket kunde vara fel. Genom att

slumpmässigt plocka ut en liten delmängd av punkter, minskar man påverkan av

sådana grupper av bruspunkter då den resulterande linjen beräknas. Denna

slumpmässiga delmängd kan vara effektiv då vi vet att majoriteten av våra


12

punkter borde ligga på linjen vi försöker identifiera. RANSAC används

förmodligen för att gardera sig mot ”worst case” situationer och att på så vis få ut

ett så exakt resultat som möjligt – även om det kräver lite mer beräkning. Ett

”best case” skulle vara en situation där samtliga identifierade punkter ligger

exakt där de borde – i vårt fall att punkterna följer en rak linje längs kanten.

RANSAC är i ett ”best case” k gånger sämre än MKM, beräkningsmässigt, men då

man nästan aldrig utgår från en sådan situation så väljs RANSAC som lösningen

på problemet.

5.2 Sensorer

Roboten har utöver syn olika typer av sensorer, bland annat två accelerometrar,

två gyroskop, en sonar, för att bara nämna ett fåtal. Dessa sensorer används för

att bestämma kamerans position relativt roboten. Systemet kan exempelvis veta

om det är dess egna kroppsdelar som synd i kamerabild och därigenom

exkludera de delarna ur analysmaterialet. Skulle den inte kunnat göra detta så

skulle det kunna skapas märkliga identifikationer av objekt som befinner sig

direkt framför roboten – objekt som inte går att springa ifrån. Onekligen ett

handikappande attribut – tur det inte finns.

6. Positionering

Roboten har nu identifierat samtliga objekt i sin periferi, men den vet

fortfarande inte var den befinner sig i förhållande till objekten i fråga. Det är

därför dags att beräkna var den befinner sig.

I grunden gör roboten en s.k. ”död räkning”, alltså den beräknar sin position med

hjälp av sin relativa förflyttning med riktning och avstånd. Denna position kan vi

att kalla den estimerade positionen. Roboten har i sitt interntillstånd en räknare

som håller koll på vart den borde befinna sig baserat på antalet tagna steg samt i

vilken riktning dessa steg togs. Denna metod är inte helt optimal och behöver

därför feedback från sina percept för att kunna uppdatera sitt interntillstånd.


13

Figur 5. Visar hur positionering fungerar när vi bara ser en stolpe. Den svarta pilen

visar hur vi räknar ut vår nya position genom att använda vår estimerade position.

Roboten har en rad olika metoder i sin arsenal för att kunna räkna ut sin position

givet visuell data. Dessa metoder är skapade för separata situationer och vilken

som används baseras på vad roboten ser. Ser roboten i sin periferi exempelvis

bara en stolpe kan den teoretiskt sett befinna sig var som helst på en cirkel med

centrum på stolpen på längden r (radien). Se Figur 5. Vet roboten heller inte

vilken stolpe det är den ser (exempelvis om övre delen av stolpen/ribban är

gömd) så kan den befinna sig på längden r runt två cirklar, en runt varje stolpe.

Vi måste i det fallet använda tidigare estimerad positioneringsdata för att avgöra

vilken stolpe det är som vi tror att vi ser. När detta fastslagit kan vi gå vidare.

Vi kan i det här fallet beräkna vår riktiga position genom att använda den

estimerade positionen och dra en linje till den närmast möjliga observerade

punkten. Se Figur 5. Vi antar på så vis den minsta felmarginalen i vår estimerade

position samtidigt som vi skapar en så exakt ny positionering vi bara kan. Vi får

nöja oss med en sådan position tills vi vid ett senare tillfälle kan skapa oss en

mer exakt positionering.


14

Roboten har till sitt förfogande en mängd olika funktioner som kan användas i

praktiskt taget alla möjliga situationer för att beräkna sin position. Detta kan

vara allt från triangulering till linje-‐matchning. Den kan alltså använda sig av två

målstolpar och avståndet till en av dessa för att triangulera sin position

respektive matcha de linjerna den ser mot en intern representation av planen för

att på så vis räkna ut var den borde befinna sig.

7. Kommunikation

Kommunikation sägs vara en av de viktigaste aspekterna i den s.k. riktiga

fotbollen och vi kan lätt anta att samma sak gäller för våra kära robotar.

Robotarna är alltid uppkopplade trådlöst mot ett närverk där de kan dela

information mellan sina lagkamrater. Robotarna kan berätta för sina

lagkamrater dels var de själva befinner sig, men även var exempelvis bollen och

motspelare befinner sig.

Det trådlösa nätverket används inte bara för kommunikation robotarna emellan,

den används dessutom för att skicka ut taktiker och liknande från huvuddatorn.

Detta gör att robotarna tillsammans skapar en typ av ”hive-‐mind” som i sig självt

kan se en betydligt större del än en enskild robot skulle kunnat göra.

8. Beteende

Nu har robotarna sett och uppfattat situationen runt sig och det är dags att agera

utifrån detta på ett fördelaktigt sätt. Robotarna kan utföra en del olika basala

handlingar; såsom att gå, sparka (bollen) samt göra inkast. Dessa utförs i

lämpliga tillfällen. Målvakten kan även ”kasta sig” genom att lägga sig i vägen för

bollen.

Om målvakten har kastat sig, eller en spelare ramlat för den sakens skull, så

måste roboten kunna resa sig upp. Om den genom sina gyroskop känner att den

ligger ner kommer den att försöka resa sig upp genom en tidigare preciserad


15

serie med rörelser. Utöver dessa basala handlingar kan även spelarna anta olika

roller som dikterar vilka typer av handlingar som kommer att utföras.

8.1 Olika roller

Den kanske viktigaste rollen är målvakten, då denne är det sista som står mellan

motståndarlaget och målet. Målvakten är den enda spelaren som är fast med sin

position – den kan alltså inte byta och bli utespelare. Målvakten kommer att

försöka placera sig mellan bollen och målets mitt (enligt en tänkt tangerande

linje), där den kan täcka bäst samtidigt som den kan se hela planen. Då den har

konstant uppsikt över planen kan den även sända ut bollens position till de

andra i laget. Målvakten kan då den tror att ett skott skjutits mot mål dessutom

försöka rädda genom att lägga sig i vägen för bollen – eller ”kasta sig” som man

säger i fotbollsvärlden.

De två andra spelarna i laget kan anta rollen som antingen anfallare eller

understödjare. Vilken av robotarna som får vilken roll beror på vilken som

befinner sig i det mest fördelaktigaste läget i förhållande till bollen. En heuristik

med bollavstånd och rotationsvinkel används för att avgöra vilken som blir vad.

Rotationsvinkeln avser den grad som en robot är vinklad mot motståndarnas

mål – ryggen mot sitt egna mål är mest fördelaktigt.

Rollerna ändras kontinuerligt då bollen befinner sig bättre i fördel för olika

spelare i varje instans. Dock implementerade laget en viss mån av säkerhet så

dessa byten av roller inte skulle ske alltför lätt. Då avståndsbedömningen inte är

hundraprocentig implementerades detta för att byten av roller inte skulle kunna

ske baserat på fel-‐mätningar. Kan ingen signifikant skillnad i avstånd till bollen

mätas robotarna emellan ges anfallar-‐rollen till båda robotarna – till dess att

avståndet till bollen förminskats tillräckligt så en eventuell skillnad i avstånd går

att räkna ut och inte längre är marginell.

Anfallaren kan spela både defensivt och offensivt. Bollen kan sparkas iväg från

den egna planhalvan om risken bedöms hög. Vidare kan den välja att skjuta eller

dribbla in bollen i mål. Understödjarens roll är att hålla sig lite i bakgrunden och


16

därigenom inte hindra anfallaren. Den ska också försöka hålla koll på bollen samt

hålla sig vänd den ifall anfallaren skulle tappa bort den (Det händer väldigt ofta,

dessvärre).

9. Diskussion

RoboCup är sannerligen ett intressant forskningsområde som kommer se stora

framsteg i framtiden. Jag är imponerad över hur mycket arbete som krävs för

något om kan verka så trivialt – att sparka en boll – faktiskt kan vara så svårt. Jag

som dessutom kan tycka det är kul att titta på ”vanlig” fotboll ser en stor charm i

robotfotboll och kan förstå att det är och kan bli en ännu större åskådarsport.

Genom att studera rUNSWifts bidrag har jag fått en djupare förståelse för hur en

fotbollsspelande robot skulle kunna utformas – och hur morgondagens robot-‐

sport kan se ut.

Jag tror personligen att vi mycket väl kan få se robot-‐människa fotboll år 2050.

Den nuvarande fotbollen, om man kan kalla det det, som utövas inom RoboCup

kan verka nedslående för sannolikheten för att en sådan turnering skulle ske

inom en sådan snar framtid. Om än intelligent, så ingenting i närheten av vad

som faktiskt krävs av en s.k. agent för att kunna spela fotboll mot en människa.

Jag hävdar däremot att de fysiska förutsättningarna ännu inte är rätt. Det är inte

den mentala kompetensen hos personerna som bygger de nuvarande agenterna

som begränsar, snarare deras val av metoder. När ett system byggs upp görs

detta nästan uteslutande manuellt och systemet måste till stora delar hård-‐kodas

och specificeras i förväg. Då fotbollsspelande är en så pass avancerad procedur

så krävs det mer än if-‐ och else-‐satser för att roboten ska klara av det bra. Skulle

man istället förlita sig mer på exempelvis maskininlärning och agenter som

själva kan förbättra sina system så skulle detta resultera i betydligt bättre

fotbollsspelare7. Problematiken som uppstår blir då den oerhörda processorkraft

som krävs för att detta skulle gå att genomföra.

7 http://www.comp.leeds.ac.uk/mscproj/reports/0304/duong.pdf.gz


17

Vi kan med Moore’s lag8 estimera att vi år 2050 kommer ha en processorkraft

som är upp emot en miljon gånger snabbare än den idag. Visserligen har vi på

senare tid nått den magiska gränsen där våra transistorer inte kan bli mycket

mindre och att Moore’s lag därför skulle kunna upphöra att gälla. Oavsett

resultat så kan vi med säkerhet säga att vi kommer att ha tillräckligt med

beräkningskapacitet i framtiden. Med denna enorma ökning av processorkraft

blir det därför mer och mer aktuellt att använda sig av spännande metoder

såsom maskininlärning och genetiska algoritmer för att utveckla

fotbollsspelande robotar.

Avslutningsvis kan man säga att RoboCup är ett lärorikt och spännande

forskningsområde som faktiskt kan bidraga till andra delar av vetenskapen – allt

genom att spela lite fotboll. Det är sannerligen något jag personligen kommer

följa lite närmre i framtiden. Den där matchen 2050 kommer för övrigt bli riktigt

spännande, synd bara att man ännu inte kan köpa biljetter.

8 http://en.wikipedia.org/wiki/Moore's_law


18

Referenser

1, http://www.cse.unsw.edu.au/~robocup/2010site/reports/report2010.pdf

2012-‐09

2, http://www.robocup.org/robocup-‐soccer/ 2012-‐09

3, http://www.tzi.de/spl/pub/Website/Downloads/Rules2010.pdf 2012-‐09

4, http://www.robocup2010.org/home_Results.php 2012-‐09

5, http://www.youtube.com/watch?v=z5-‐11Awt0Rw 2012-‐09

6, http://www.tzi.de/spl/pub/Website/Downloads/Challenges2010.pdf 2012-‐

09

7, Tran Duc Duong, Applying mahine learning methods to imporve player’s

behaviours in Robocup soccer simulation, 2003/2004

8, http://en.wikipedia.org/wiki/Moore's_law 2012-‐09

9, Stuart Russel, Peter Norvig, Artificial Intelligence – A Modern Approach, Thrid

Edition, Prentice Hall, 2010


19

Bilaga 1 – RANSAC Pseudokod

Pseudokod hämtad från Wikipedia; http://en.wikipedia.org/wiki/RANSAC

Documents

Enlitteraturstudie#av2010s#finalistlag#rUNSWift729G11/projekt/studentpapper-12/martin... · RoboCup Enlitteraturstudie#av2010s#finalistlag#rUNSWift# Linköpings Universitet Artificiell