Prześlij pliki do ''

route-planning.md

@@ -0,0 +1,159 @@
+# *Sztuczna inteligencja - projekt zespołowy - Autonomiczny Traktor*
+
+#### autorzy: Aleksandra Werda, Natalia Wiśniewska, Kinga Jagodzińska, Aleksandra Jonas
+***
+## Planowanie ruchu
+
+
+  - schemat procedury przeszukiwania grafu stanów z uwzględnieniem kosztu
+  - strategia A*
+  
+___
+
+Drugim zadaniem dotyczącym projektu jest zastosowanie strategii przeszukiwania przestrzeni stanów do problemu planowania ruchu agenta na kracie.
+___
+## Heurystyka
+- założenie — odległość pomiędzy sąsiadującymi polami wynosi 2, tyle samo co koszt wjazdu na puste pole
+- s — pole, na którym jesteśmy
+- f — pole końcowe
+- dla s = f program kończy pracę, bo znajdujemy się już w położeniu końcowym, dlatego pominęłyśmy ten przypadek w definicji heurystyki.
+```
+def hscore(self, s, f):
+        if f > s:
+            a_h = (f - s) // 5
+        else:
+            a_h = (s - f) // 5
+        if f % 5 >= s % 5:
+            b_h = f % 5 - s % 5
+        else:
+            b_h = s % 5 - f % 5 + 1
+        return 2 * m.sqrt(a_h * 2 + b_h * 2)
+```
+Wpierw obliczamy wysokość trójkąta, jaki tworzą obecne i końcowe pole, w celu wyznaczenia przeciwprostokątnej — odległość między s i f.
+
+___
+## Funkcja następnika
+Tworzymy listę, do której będziemy kolejno generować sąsiadów dla danego x.
+
+```
+def neighbours(self):
+        self.neighbours = list(range(25))
+        self.neighbours[0] = [1, 5]
+        self.neighbours[4] = [3, 9]
+        self.neighbours[20] = [15, 21]
+        self.neighbours[24] = [19, 23]
+        for x in range(1, 4):
+            self.neighbours[x] = [x - 1, x + 5, x + 1]
+        for x in range(5, 16, 5):
+            self.neighbours[x] = [x - 5, x + 1, x + 5]
+        for x in range(9, 20, 5):
+            self.neighbours[x] = [x - 5, x - 1, x + 5]
+        for x in range(21, 24):
+            self.neighbours[x] = [x - 1, x - 5, x + 1]
+        for x in [6, 7, 8, 11, 12, 13, 16, 17, 18]:
+            self.neighbours[x] = [x - 5, x - 1, x + 1, x + 5]
+```
+___
+##  Główna pętla strategii przeszukiwania
+Zaczynamy od znalezienia w open_set pola o najniższym f.
+```
+  while open_set:
+            # Szukanie pola w open_set z najniższym f
+            temp1 = max(self.f_score) + 1
+            x = 0
+            for i in range(len(open_set)):
+                if self.f_score[open_set[i]] <= temp1:
+                    x = open_set[i]
+                    temp1 = self.f_score[open_set[i]]
+```
+Jeżeli to pole odpowiada temu, do którego chcemy dojść — wywołujemy funkcję tworzącą ścieżkę z pola wyjściowego. Póki nie — pomijamy.
+```
+            if x == koniec:
+                return self.reconstruct_path(self.came_from, koniec)
+```
+
+Usuwamy x z open_set i wrzucamy do closed_set, aby upewnić się, że nie będziemy go ponownie sprawdzać.
+```
+            open_set.remove(x)
+            closed_set.append(x)
+```
+
+Następnie sprawdzamy sąsiadów:
+```
+            for y in self.neighbours[x]:
+```
+To tutaj chcieliśmy mieć pewność, że nie trafimy ponownie na x.
+```
+                if y in closed_set:
+                    continue
+```
+Chcemy również sprawdzić, czy jeżeli y jest już w open_set, to nie istnieje krótsze przejście np. z pola startowego przez inne pole na y, niż bezpośrednio na pole y.
+```
+                tentative_g_score = self.g_score[x] + self.game.fields[y][3]
+                if y not in open_set:
+                    open_set.append(y)
+                    tentative_is_better = True
+                elif tentative_g_score < self.g_score[y]:
+                    tentative_is_better = True
+```
+Wyliczamy g i f — przewidywany dystans od startu do celu, dla y.
+```
+                if tentative_is_better == True:
+                    self.came_from[y] = x
+                    self.g_score[y] = tentative_g_score
+                    self.f_score[y] = self.g_score[y] + self.hscore(y, koniec)
+```
+___
+## Tworzenie ścieżki
+Przechodzimy po tablicy poprzedników, aż dojdziemy do początku — pola, które nie ma poprzednika.
+```
+def reconstruct_path(self, came_from, current):
+    total_path = [current]
+    while came_from[current] != 0:
+        current = came_from[current]
+        total_path.insert(0, current)
+    return total_path
+```
+
+___
+## Koszt podróży na pola uprawne
+
+
+Zmiany w projekcie zaszły również w pliku run.py, gdzie generujemy losowo pola — każdy kolor odpowiada innej uprawie i etapie jej wzrostu. 
+
+
+Mamy tutaj tablicę tablic. Każda z nich zawiera kolejno informacje o: rodzaju upraw, glebie, nawodnieniu pola oraz koszcie podróży na pole z daną uprawą.
+
+```
+def randomize_field(self):
+        for x in range(25):
+            temp = []
+            # nasiona
+            temp.append(random.choice(["żyto", "jęczmień", "owies", "marchew", "rzodkiew", "pietruszka", "puste"]))
+            # gleba
+            temp.append(random.choice([True, False]))
+            # woda
+            temp.append(random.choice([True, False]))
+            # # growth rate
+            # temp.append(random)
+            # # cost
+            if temp[0] == "żyto":
+                temp.append(10)
+            elif temp[0] == "jęczmień":
+                temp.append(12)
+            elif temp[0] == "owies":
+                temp.append(8)
+            elif temp[0] == "marchew":
+                temp.append(14)
+            elif temp[0] == "rzodkiew":
+                temp.append(7)
+            elif temp[0] == "pietruszka":
+                temp.append(6)
+            elif temp[0] == "puste":
+                temp.append(2)
+            else:
+                temp.append(0)
+
+            self.fields.append(temp)
+```
+