96 lines
3.7 KiB
Markdown
96 lines
3.7 KiB
Markdown
##### Raport przygotowały: Natalia Plitta, Marta Roszak, Kinga Molik, Sara Kowalska
|
|
|
|
##### Raportowany okres: 5 kwietnia - 26 kwietnia 2020
|
|
|
|
##### Niniejszy raport poświęcony jest przekazaniu informacji na temat stanu projektu grupowego realizowanego na przedmiot Sztuczna Inteligencja w roku akademickim 2019/2020.
|
|
|
|
Ruch agenta został zaimplementowany za pomocą algorytmu A* z następującymi warunkami:
|
|
|
|
- agent wykonuje: krok do przodu/ obrót w prawo/ obrót w lewo;
|
|
- agent nie może wejść na pole "zajęte" przez stolik;
|
|
- koszt wejścia na puste pole to 1;
|
|
- koszt wejścia na pole z kałużą to 3.
|
|
|
|
****
|
|
|
|
Koszt F obliczany jest z sumy kosztu G i kosztu H.
|
|
|
|
Koszt H obliczany jest z funkcji:
|
|
|
|
```
|
|
def heuristic(current, goal):
|
|
dx = abs(current[0] - goal[0])
|
|
dy = abs(current[1] - goal[1])
|
|
return math.sqrt(dx * dx + dy * dy)
|
|
```
|
|
|
|
Która oblicza odległość do punku końcowego przy pomocy wzoru Euklidesa.
|
|
|
|
Metoda __aStar__, wywoływana przez metodę __goByAStar__, wytycza ścieżkę, którą będzie poruszał się kelner. W pierwszej kolejności sprawdzane jest, czy nasz punkt docelowy jest osiągalny. Jeżeli tak, to zaczynamy wytyczanie ścieżki. Tworzymy węzły (obiekty klasy __Node__) startowy i końcowy oraz listy pomocnicze 'open' i 'closed'.
|
|
|
|
```python
|
|
start_node = Node(None, start)
|
|
start_node.g = start_node.h = start_node.f = 0
|
|
end_node = Node(None, end)
|
|
end_node.g = end_node.h = end_node.f = 0
|
|
|
|
open_list = []
|
|
closed_list = []
|
|
open_list.append(start_node)
|
|
```
|
|
|
|
Dopóki lista 'open' ma dostępne pola, jest możliwa dalsza droga. Porównujemy koszty F i za każdym razem uaktualniamy obecny punkt, w którym koszt jest najmniejszy.
|
|
|
|
Jeżeli nasz obecny węzeł jest węzłem końcowym, tzn. osiągnęliśmy nasz cel, metoda zwraca nam ścieżkę zbudowaną z odwróconej listy "kroków" (stanów) do klasy kelner.
|
|
|
|
Jeśli nie osiągnęliśmy celu, przechodzimy do analizowania sąsiadów obecnej pozycji, najpierw sprawdzamy, czy punkt ten jest osiągalny :
|
|
|
|
```python
|
|
for new_position in [(0, -1), (0, 1), (-1, 0), (1, 0)]:
|
|
node_position = (current_node.position[0] + new_position[0],current_node.position[1] + new_position[1])
|
|
if node_position[0] >= (rows - 1) or node_position[0] <= 0 or node_position[1] >= (rows - 1) or node_position[1] <= 0:
|
|
continue
|
|
if node_position in cantwalk:
|
|
continue
|
|
new_node = Node(current_node, node_position)
|
|
children.append(new_node)
|
|
```
|
|
|
|
Tworzymy listę 'children'- potencjalnych następnych kroków.
|
|
|
|
*Zmienna 'didBreak' pozwala nam na kontynuacje algorytmu bez redundantnego analizowania węzłów.*
|
|
|
|
Jeśli nie analizowaliśmy danego węzła, obliczamy dla niego dany koszt G
|
|
|
|
- jeśli jest on nieosiągalny - koszt jest zbyt duży do dalszego podążania w tym kierunku;
|
|
- jeśli jest to "kałuża", to koszt wynosi 3;
|
|
- jeśli jest to "zwykła płytka", koszt wynosi 1.
|
|
|
|
Następnie obliczamy koszt H i koszt F (jako sumę G i H) dla danego węzła 'child' i dodajemy go do listy 'open'.
|
|
|
|
```python
|
|
if child.position in cantwalk:
|
|
child.g = current_node.g + 99999
|
|
elif child.position in puddles:
|
|
child.g = current_node.g + 3
|
|
else:
|
|
child.g = current_node.g + 1
|
|
child.h = heuristic(child.position, end_node.position)
|
|
child.f = child.g + child.h
|
|
```
|
|
|
|
Kontrolowane jest również, czy dany krok nie oddalałby agenta od celu:
|
|
|
|
```python
|
|
for open_node in open_list:
|
|
if child == open_node and child.g > open_node.g:
|
|
didBreak = True
|
|
break
|
|
|
|
if didBreak:
|
|
continue
|
|
|
|
open_list.append(child)
|
|
```
|
|
|
|
Gdy wytyczona zostanie ścieżka, metoda __goByAStar__ przy pomocy dostępnych akcji (__rotateRight__, __rotateLeft__ i __goForward__), "wykonuje" odpowiednie ruchy, zgodne z wytyczoną ścieżką. |