Beres

-Autori: Filip Béreš, Matej Gornál

Co ?

Robot za učelu pohybu podľa určitých prikazov.

Preco ? Povodny projekt: | povodny projekt - inspiracia Prvotná motivácia naučenie sa robiť s robotmi a rôznymi programami ktoré sa pri tom používajú.

Ako ?

Pouzitim Pycharm - https://www.jetbrains.com/pycharm/

Pre pouzitie hocijakeho editora sa moze pouzit navod z [ https://bitbucket.org/sth-2023-2024/class-sthdf-2023-2024/src/master/2023-2024-STHDF-Projects/Project_004_CarCharm_STHDF_2023-2024/ | povodny projekt ]

Robota sma najprv vycvicili cez stranku "Teachable Machine." Na ktorej sme si najprv najstavili Background noise s počtom vzoriek 35.

Bohužial, to sme zistili, že je nedostačujuci počet. Z dvovodu, že robot nasledne reagoval aj na okolite zvuky ktore sa ho netykali napríklad šušťanie. Preto sme si následne zvyšili počet vzoriek pri background noise na 75. A z toho sa odstanila reakcia na vlastný motor. Následne sme si určili aj 4 strany pohybu "Doprava","Dolava","Dozadu","Dopredu". S počtom vzoriek 90 - kde uz boli pridane zvuky rozpravania v pozadi, elektricky a zvuku motora. To následne stačilo na spravné fungovanie robota a reagovanie na príkaz pohybu.

Následne pomocou vzoriek natrenujeme robota a overime si funkčnost zvukovych príkazov.

Upravili sme povodny kod programu, coho dosledkom sme sa zbavili pomalej reakcie robota na zvuk.

Kedze pre zvukove vstupy, ktore boli dopredu, dozadu, dolava, doprava sa model casto mylil, kvoli predpone do, skusili sme upravit tieto zvuky na V-vpred, L-lavo, P-pravo, Z-dozadu, ktore su si menej podobne ako do-... . Keby chceme mat model, ktory by rozoznaval "Doprava","Dolava","Dozadu","Dopredu", museli by sme mat velmi vela vzoriek, podla ktorych by bol model natrenovany, co nie je pri teachable machine realne.

Pri kratkom vyskume sme zistili, ze ani kombinacia V a L nie je najstastnejsia kombinacia, kedze foneticky zneju podobne.

Touto zmenou sme dospeli ku zlepšenie, ale nie 100% nému.

So zmenou sa hybe robot preciznejsie, ale aj dokonale natrenovanie tohto modelu by vyzadovalo v odhade minimalne cez 1000 vzoriek na kazdy zvuk, co by teachable machine uz zvladal tazsie, kvoli tomu, ze subor - model do ktoreho sa dany natrenovany model uklada sa zvacsuje, tym padom by bolo komplikovanejsie mat velky model z teachable machine

Nový kód je efektívnejší vďaka svojej modularite, prehľadnosti, diagnostickým informáciám, lepšiemu riadeniu príkazov, efektívnemu spracovaniu dát a jednoduchosti pri práci s cestami. Tieto vlastnosti zlepšujú udržiavateľnosť kódu a umožňujú lepšie ladenie a sledovanie správania robota.

Tento kod oproti povodnemu ma definovanu samostatnu funkciu na vyhodnocovanie toho, kedy sa pohnut ktorym smerom a robi to efektivnejsie oproti staremu kodu. Aj s viacerymi vypismi, ktore na display-i mbota ukazuju ktorym smerom sa robot hybe

Kod v githube: github-projektu