🚀

kolla jag har gjort en drone

tryck ☝️ så får du se den, men rör inte min slider

inte så lätt va? dra ner slidern lite så kanske din såsiga hjärna kan hänga med

🤖

dags att PIDa

Här är några olika PIDs med olika parametrar, kan väl vara kul att se... den högra kan man ställa in själv

Testa och se om du kan hitta bättre PID-värden än jag och maila dom till mig på: hatiwiy466@temp-mail.org

PIDsen presterar bara bra för att dom inte behöver bry sig om balans, den gasar alltid symetriskt så rotationen alltid är 0 (testa "G" i 1)

För få mer kontroll måste man använda mer avancerad reglerteknik...😴 eller? 😲

🧠

Artificiella neuroner

Artificiella neurala nätverk är universella funktionsapproximatorer, så med tillräckligt många lager borde det gå att flyga min drone

Minns du hur NN fungerar? inte...? Här är en recap:

Vi tar ett neuron med 2 inputs och 1 output, neuronen har 2 vikter (W) och en bias (B)

Vår output y = ReLU(W∙X+B)

ReLU är vår aktiveringsfunktion som ger nätverk möjligheten att approximera olinjäritet [ReLU(x) = max(0, x)]

Leaky ReLU är ett alternativ till den vanliga som gör att aktiveringsfunktionen får nollskild derivata för inputs mindre än 0 (vilket inte kommer spela roll här)

Vi har 2 numeriska värden in, 1 numeriskt värde ut i vår neuron: y = f(x1, x2)

Nu kan vi se vad en ensam neuron kan lära sig, addition?

Ställ in träningsvärdena till vänster och tryck "kör"

Kolla outputen Y från den tränade neuronen genom X1, X2

Testa att träna in en OR-gate, AND-gate och XOR-gate. Fuzzy Logic

Den lär sig genom att minimera en kostnadsfunktion Cost(r, y) = 1/2 * (r - y)^2

Men hur?

🧬

hänger du me?

🧫

Lager av neuroner

Vi seriekopplar flera neuroner för att approximera mer komplexa funktioner

X1' = ReLU(w11∙x1 + w12∙x2 + b1)
X2' = ReLU(w21∙x1 + w22∙x2 + b2)
y = ReLU(w1∙x1' + w2∙x2' + b) = ReLU(w1∙ReLU(w11∙x1 + w12∙x2 + b1) + w2∙ReLU(w21∙x1 + w22∙x2 + b2) + b)

same same but different

testa att träna in lite olinjära funktioner som OR, AND, XOR osv.

🧑‍✈️🧠

Pilotnerver

Tryck "KÖR" för att se om skiten ens fungerar eller om jag bara har slösat tid här

När du har tröttnat på att se misslyckande kan du kryssa i pwo och starta om för att börja med ett färdigare nätverk

Det färdigtränade nätverket verkar vara lite blygt och presterar oftast inte första generationen, ge den lite tid eller testa att starta om

Idén med AI och neurala nätverk är att utifrån input och output hitta en funktion som beskriver sambandet

Det låter som en perfekt lösning för differentialekvationer, som en blackbox som kan användas överallt

Men att träna ett nätverk och hitta rätt design och parametrar är som att träna en dvärghamster att göra backflips

Här är mina tips:

1.

Aktiveringsfunktionen spelar roll för träningen bäst att testa några olika och se

2.

Trots att NN kan lära sig avancerade mönster är det bra att dumma ner allt så långt det går

För en människa är det uppenbart att rotationen sparad som vinkel i radianer representerar en vektor i planet

Men för slumpen att komma fram till eulers formel på kort tid och med få parametrar är önsketänk

Först försökte jag ge positionen av dronen och låta nätverket genom kostnadsfunktionen lista ut vart den skull hålla sig

men det fungerade bättre att dumma ner (behandla) informationen genom att ge riktningen till målet istället

3.

Det finns lokala minimums så det räcker och blir över, bäst att starta om när den inte vill lära sig

Hoppas du lärde dig något, jag gjorde inte det.