Navegação Planejada em Ambientes Conhecidos

De maneira geral, métodos de planejamento de caminho para robôs móveis em ambientes conhecidos tipicamente requerem uma decomposição do espaço livre do robô. Esta decomposição consiste de um número de áreas onde o robô pode mover-se livremente sem o perigo de colidir com obstácu- los. Além disto, áreas serão conectadas se o robô pode executar um movi- mento entre elas (KRöSE; van Dam, 1997).

Nas abordagens neurais para planejamento de caminho em ambiente conhecido, métodos de quantização de vetor neurais1 são usados para de- compor o espaço livre do robô. Estes métodos distribuem vetores protó-

tipos wi sobre o espaço livre resultando em uma decomposição deste es- paço em regiões disjuntas Si centralizadas em torno de vetores protótipos:

Si= {x : d(x, wi) ≤ d(x, wj), ∀ j}, onde x é uma posição dentro de uma re- gião Si e d(x, wi) é a distância entre o vetor x e o vetor protótipo wi). Isto é chamado de diagrama de Voronoi do espaço livre. Cada neurônio na rede corresponde a um vetor protótipo. Um exemplo de tal decomposição é dado na Figura 4.11. Muitas vezes, os vetores protótipos de regiões vizinhas estão conectados. Estas conexões são usadas ou para indicar que um caminho livre

1_{Modelos de redes neurais aplicadas a problemas de reconhecimento de padrão estatístico}

onde a distribuição de classes de vetores padrões geralmente se sobrepõe e ao mesmo tempo se deve determinar a localização ótima das fronteiras de decisão. Os algoritmos de aprendizagem de quatização de vetores definem uma eficiente aproximação para as fronteiras de decisão ótimas.

Figura 4.11: Exemplo de um diagrama Voronoi. Os pontos correspondem aos vetores protótipos wie as arestas são as fronteiras entre as áreas corres- pondentes de Si. Fonte adaptada de (KRöSE; EECEN, 1994).

de colisão existe entre regiões, ou para adquirir uma decomposição especí- fica do espaço livre mais adequada ao método de planejamento de caminho utilizado. Exemplos de como tais conexões podem ser usadas são vistos em (NAJAND; LO; BAVARIAN, 1992;GLASIUS; KOMODA; GIELEN, 1995).

Exemplos de Abordagens de RNAs

No trabalho de Najand, Lo e Bavarian (1992), uma rede neural é usada para aprender apenas o diagrama Voronoi do espaço livre de maneira mais efi- ciente. O diagrama Voronoi é aprendido por uma rede neural, que distribui seus vetores protótipos usando quantização de vetor padrão. Um conheci- mento a priori é utilizado para assegurar que os neurônios estão distribuídos somente sobre o espaço livre. Uma árvore de dispersão (spanning tree) mí- nima é então criada para conectar neurônios vizinhos. Na Figura 4.12 é mos- trado um exemplo de uma representação do espaço livre gerado por uma rede neural que corresponde a uma árvore de dispersão mínima de conexões en- tre neurônios. O algoritmo de planejamento de caminho planeja um caminho via vetores protótipos no ambiente do robô, seguindo as conexões na árvore. Dado que o método de quantização de vetores empilha vetores protótipos dis- tantes de todos os obstáculos, este caminho tem a propriedade de ser distante

Figura 4.12: Exemplo de uma representação do espaço livre gerada pela rede descrita em Najand, Lo e Bavarian (1992). Fonte adaptada de (KRöSE; EECEN, 1994).

ao máximo de todos estes obstáculos. A partir deste trabalho, um grande nú- mero de artigos tem sido apresentados na literatura que descrevem diferentes algoritmos de planejamento de caminho que utilizam técnicas mais avançadas de quantização de vetor para aprender representações do ambiente.

Morasso, Vercelli e Zaccaria (1992) propuseram um algoritmo de pla- nejamento de caminho, onde o robô móvel se move sempre em linha reta na direção de seu objetivo, enquanto está no espaço livre. Se o robô detecta a presença de um obstáculo em seu caminho, ele se move ao redor do obstá- culo até poder reiniciar o caminho na direção do objetivo. Este algoritmo de planejamento utiliza uma representação do ambiente do robô que precisa- mente diferencia o espaço livre a partir do espaço ocupado. Para tal, Morasso, Vercelli e Zaccaria (1992) descreveram uma rede neural que aprende esta tal representação. Como ilustrado na Figura 4.13, um número de neurônios da rede é distribuído uniformemente sobre o ambiente do robô, classificando as áreas como seguras ou inseguras. Um método de quantização de vetor é utili- zado para alterar a posição dos vetores protótipos e para adicionar dinamica- mente novos protótipos onde necessário. Uma heurística é utilizada para que os neurônios se movam na direção das fronteiras com obstáculos, para que esta representação se torne aplicável ao método de planejamento de caminho. A Figura 4.13 é um exemplo de uma representação resultante do aprendizado da rede neural. É importante notar que as conexões entre os neurônios não são usadas para planejamento de caminho. A representação é usada apenas para decidir se o robô está no espaço livre, neste caso ele executa a linha reta

Figura 4.13: Exemplo de uma representação gerada pela rede neural descrita em (MORASSO; VERCELLI; ZACCARIA, 1992). Os círculos preenchidos repre- sentam espaço ocupado e círculos abertos representam espaço livre. A figura mostra claramente que os neurônios representam precisamente as bordas entre o espaço livre e ocupado. Fonte adaptada de (KRöSE; EECEN, 1994).

até o objetivo, caso contrário, ele se move ao redor do obstáculo.

4.4 Conclusão

Este capítulo apresentou uma revisão sobre diferentes abordagens de RNAs aplicadas ao problema da navegação de robôs móveis autônomos. Elas são amplamente utilizadas porque permitem a robôs móveis a possibilidade de aprender a agir de maneira adaptativa, principalmente em domínios do mundo real e mediante a imprecisão de sensores e atuadores.

Como visto no capítulo, RNAs foram utilizadas em tarefas de aprendi- zagem através da análise de interações percepção-ação aplicando-se à nave- gação reativa, localização, construção de mapa e planejamento de caminho. Entretanto não existe um sistema de navegação completo que seja puramente desenvolvido por componentes de redes neurais (MILLáN, 2003). Além disto, do ponto de vista de engenharia, um robô móvel completo deve incorporar outros tipos de técnicas de aprendizado para gerar modelos mais abstratos de suas percepções, ações e regras sensor-motor, combinando capacidades de

aprendizado com técnicas alternativas, tais como outras abordagens de inteli- gência artificial e aprendizado de máquina.

Há também uma área de pesquisa que busca inspiração em ciências biológicas tais como neuroetologia, para desenvolvimento de componentes neurais necessários para um completo sistema de navegação, cuja modelagem difere das arquiteturas de RNAs tradicionais. Os inúmeros esforços nesta direção caracterizam a pesquisa bio-inspirada, que tem a aprendizagem por reforço e os modelos de mapas cognitivos e células hipocampais como pedras angulares na construção de robôs móveis inteligentes.

O estudo realizado neste capítulo direcionou principalmente a cons- trução das arquiteturas neurais reativas propostas neste trabalho de tese. A abordagem de RNAs proposta conta com uma rede ART que recebe como padrão de entrada a percepção obtida através dos dados dos sensores de pro- ximidade, junto com a realimentação da ação executada no ciclo de controle anterior. A rede ART então reconhece o estado do ambiente e aciona uma rede MLP para o aprendizado da melhor ação a ser executada. Para o aprendizado

on-line destas redes é utilizado um algoritmo aleatório baseado na técnica de

aprendizado por reforço.

Como o mapa resultante do aprendizado auto-organizável da rede ART não produz relacionamentos topológicos do ambiente, foram propostas cama- das deliberativas para tratar da representação topológica de labirintos, através de um método de mapeamento cognitivo proposto. Todo o processo de evo- lução que resultou nas camadas reativas e deliberativas, até se chegar na ar- quitetura final NeuroGog será descrito ao longo dos próximos capítulos.

Evolução das Abordagens Reativas

5.1 Introdução

O Capítulo 4 apresentou formas de aprendizado e utilização de RNAs aplicadas a diferentes problemas envolvidos na construção de sistemas de na- vegação para robôs móveis autônomos, os quais serviram de guia para o de- senvolvimento das abordagens propostas neste trabalho de tese. Este capítulo descreve o desenvolvimento e a evolução de sucessivas arquiteturas baseadas no paradigma de controle reativo e subsunção (Seção 2.3). Foram utilizados diferentes tipos de RNAs, juntamente com uma técnica de aprendizado em tempo de operação, baseada na AR, com o objetivo de incorporar a um robô móvel capacidades de aprendizado autônomo e adaptativo para navegação em labirintos.

Através do aumento progressivo da complexidade do labirinto e da tarefa de navegação, tornou-se necessária uma junção envolvendo dois tipos de RNAs e diferentes formas de ligação entre os processos do nível mais baixo das arquiteturas, a fim de propiciar um efetivo sistema de controle fi- nal. Desta maneira foram investigados quais tipos de comportamentos podem ser obtidos através destes sucessivos arranjos neurais e se de fato ocorre um aprendizado efetivo em tempo de operação.

Como resultado esta evolução arquitetural deu origem a uma arquite- tura neural reativa, que provê um sistema de navegação cuja estratégia corres- ponde à Resposta ao Disparo de Reconhecimento (Seção 3.3.5). Esta arqui- tetura neural posteriormente foi incorporada à camada reativa da arquitetura final NeuroCog, como proposta de uma arquitetura híbrida de subsunção e baseada em comportamentos, para navegação em labirintos dinâmicos.