Máquinas Vivas

“A inteligência emerge a partir das interações do agente com o mundo e algumas vezes a partir de interações indiretas entre os componentes do próprio agente” (Brooks, 1991).

No paradigma de aprendizado desenvolvimentista (Weng, 1996a) o agente robótico tem de aprender sobre si próprio bem como sobre o ambiente a seu redor. O modelo computacional é responsável apenas por oferecer o suporte ao aprendizado. Apenas elementos estruturais e de processamento geral são considerados como aceitáveis. Entretanto, alguns comportamentos considerados inatos tais como: analogias à sensação de “dor”, “perigo”, “fome” são aceitos como pré-instaláveis (Weng & Hwang, 2006). O aprendizado inicia com o agente conhecendo sua própria constituição e interagindo com ela para obter o controle da própria estrutura física. O aprendizado tem de ocorrer de forma autônoma a partir da interação do agente com seu ambiente via sensores e atuadores, em tempo real do mesmo modo que nos seres vivos. Aprendizado autônomo não significa não intervenção, o agente interage com o ambiente e aprende, isso inclui interagir com humanos, a diferença crucial está em como essa interação ocorre (Weng, 1998).

A questão central no paradigma desenvolvimentista é: como produzir um substrato generalista capaz de aprender, de forma autônoma, a interpretar percepções produzindo o comportamento adequado? Uma possível resposta poderia considerar o modelo bootstrap learning (Kuipers et al., 2006), cujo objetivo é alcançar o aprendizado de alto nível compondo

múltiplos métodos simples de aprendizado. Métodos gerais o suficiente para criar os pré- requisitos para métodos mais específicos.

Um segundo exemplo é o modelo SHOSLIF (Self-organization Hierarchical Optimal Subspace Learning and Inference Framework) proposto por (Weng, 1995; 1996b) o qual pode ser visto como um aproximador de propósito geral capaz de aprender a aproximação de uma função ݂ǣ ܺ ՜ ܻ que mapeia vetores em um espaço ݉-dimensional em vetores num outro espaço ݊-dimensional, ݉ ب ݊.

O modelo de aprendizagem computacional de Oudeyer & Kaplan (2006) é baseado na exploração motivada zone of proximal development (Vygostsky, 1978), segundo a qual os adultos deliberadamente desafiam o nível de entendimento das crianças empurrando-as para atividades que estão além de suas habilidades, porém não muito além, de modo que ainda permaneçam compreensíveis. Nesse contexto, o agente robótico deve ser intrinsecamente motivado na direção ótima do progresso da aprendizagem, evitando situações com as quais ele já se encontra familiarizado.

2.4 Conclusão

Os elementos apresentados e discutidos na Subseção 2.1 sugerem que um modelo computacional dos mecanismos de suporte a habilidades espaciais, como auto-localização, orientação e navegação, precisa incluir elementos neurais que sejam sensíveis à localização do agente no espaço, bem como ao seu deslocamento e mudanças de orientação. A sensitividade dessas estruturas neurais deve considerar as características do ambiente tal como percebidas pelo agente, juntamente com informações vestibulares do próprio agente, o qual tem conhecimento sobre os movimentos de seu corpo.

O substrato de Células de Posição sugere que o modelo computacional deve considerar a existência de um sistema de referência global. Entretanto, como discutido anteriormente, esse substrato é primordialmente ancorado na percepção de marcas distantes e na ausência destas pela disposição geométrica local. Logo, o modelo computacional tem de considerar mecanismos de percepção de marcas bem como da geometria local.

O substrato de Células de Direção da Cabeça produz uma indicação da localização relativa de uma marca percebida pelo animal como confiável. Tal indicação direcional se mantém atualizada apesar da movimentação da cabeça do animal, mesmo em condições de

eliminação da luz. O substrato é subsidiado primariamente pela percepção visual de marcas, mas, na ausência desta, informações vestibulares sobre os movimentos do animal são usadas para produzir uma estimativa de orientação. Logo, o modelo computacional deve considerar, primariamente, mecanismos de orientação a partir da percepção e representação de marcas e, secundariamente, mecanismos de orientação com base na integração dos movimentos do agente.

O substrato de Células de Grade parece ser ativado exclusivamente pela percepção do espaço vazio em torno do agente. Tal percepção produz uma representação em forma de malha de triângulos eqüiláteros, sendo que a ativação das células que representam os vértices dos triângulos é primariamente dirigida pela percepção que o animal tem de sua movimentação em uma dada direção. Logo, o modelo computacional deve considerar mecanismos capazes de manter atualizada uma noção de orientação, bem como inferir, de forma efetiva, o deslocamento produzido por um movimento.

O conteúdo apresentado na Subseção 2.2 sugere que: i) O modelo computacional deve prospectar mecanismos capazes de assimilar associações entre percepções oriundas de diferentes sistemas perceptivos, tempo e espaço. Devem ser considerados mecanismos capazes de produzir memórias associativas e em um nível mais elevado, ações comportamentais; ii) O modelo computacional pode ser composto por módulos que realizam processos cognitivos específicos, porém também se faz necessário acomodar interdependências.

A modularização distinguindo atividades cognitivas em termos de episódios, habilidades e significados, abre perspectivas de facilitação da implementação computacional. Entretanto, o conhecimento atual sobre os substratos fisiológicos que suportam essas memórias bem como dos processamentos envolvidos, ainda é muito superficial.

Os modelos apresentados e discutidos na Subseção 2.3 apontam para uma estrutura hierárquica mista agregando elementos métricos e topológicos, além de mecanismos de percepção e identificação de marcas. De acordo com a Subseção 2.3.4, um modelo biologicamente plausível deve incorporar mecanismos de aprendizado autônomo, bem como por ensinamento, sendo que apenas algumas estruturas comportamentais são aceitas como pré-instaláveis. Deste modo, o conhecimento sobre o ambiente e a viabilidade das ações empreendidas pelo agente robótico devem emergir do aprendizado, em contraposição com as

leis de controle, regras de aplicabilidade e mecanismos de busca local necessários ao modelo SSH.

Os elementos métricos como distâncias, orientação e localização referenciadas em sistemas cartesianos devem ser considerados para compor módulos que descrevem a configuração local de uma parte do ambiente. Tais módulos concentram-se no computo de deslocamentos, coordenadas e ângulos, produzindo uma estimativa de localização e orientação a partir de informações vestibulares, porém também podem incluir informações sensoriais.

Os elementos topológicos devem ser considerados na construção de uma representação de alto nível que dota o agente com as capacidades cognitivas necessárias para a identificação de lugares e suas interconexões. Deste modo, com o deslocamento do campo métrico para o da percepção e cognição, o problema central passa a ser o desenvolvimento de modelos capazes de suportar os processos cognitivos requeridos.

Nesta tese, Células de Posição foram consideradas na obtenção de um mapa topológico estendido em forma de grafo onde os nodos representam lugares e as interconexões representam os caminhos entre os lugares. Células de Grade foram empregadas na obtenção de mapas métricos locais cuja finalidade foi apoiar as atividades de navegação e exploração local. Em razão da exigüidade dos prazos, não foram envidados esforços para a produção de modelos de Células de Direção, sendo esta uma atividade remetida a trabalhos futuros.