Um agente autônomo concorrente para o manipulador robótico Jaco Kinova

(1)

UNIVERSIDADE FEDERAL DA BAHIA

DISSERTAC

¸ ˜

AO DE MESTRADO

UM AGENTE AUT ˆ

ONOMO CONCORRENTE PARA O

MANIPULADOR ROB ´

OTICO JACO KINOVA

Edi Moreira Martins de Araujo

Programa de P´

os-Gradua¸

c˜

ao em Engenharia El´

etrica

Salvador

2018

(2)

EDI MOREIRA MARTINS DE ARAUJO

UM AGENTE AUT ˆ

ONOMO CONCORRENTE PARA O

MANIPULADOR ROB ´

OTICO JACO KINOVA

Esta Disserta¸c˜ao de Mestrado foi

apresentada ao Programa de

Pós-Gradua¸cão em Engenharia Elétrica

da Universidade Federal da Bahia,

como requisito parcial para obten¸c˜ao

do grau de Mestre em Engenharia

El´etrica.

Orientador: Prof. Dr. Augusto Cesar Pinto Loureiro da Costa

Salvador

2018

(3)

Martins de Araujo, Edi Moreira

Um Agente Autônomo Concorrente para o Manipulador Robótico Jaco Kinova / Edi Moreira Martins de Araujo. -- Salvador, 2018. 97 f.

Orientador: Prof. Dr. Augusto Cesar Pinto Loureiro da Costa. Dissertação (Mestrado - PEI - Programa de Pós-Graduação em Engenharia Industrial) -- Universidade Federal da Bahia, Escola Politécnica, 2018.

1. Manipulador Robótico. 2. Agentes Autônomos.

3. Jaco Kinova. 4. Robot Operating System. I. Loureiro da Costa, Augusto Cesar Pinto. II. Título.

Ficha catalográfica elaborada pelo Sistema Universitário de Bibliotecas (SIBI/UFBA), com os dados fornecidos pelo(a) autor(a).

(4)

(5)

RESUMO

Este trabalho tem como objetivo apresentar a implementa¸cão do Agente Autônomo Con-corrente (AAC) para o manipulador robótico Jaco Kinova, habilitando-o a execu¸cão de tarefas complexas de uma maneira completamente autônoma. A comunica¸cão entre o AAC e o manipulador será feita através do ROS (Robot Operating System), bem como a realiza¸cão dos comportamentos presentes no n´ıvel reativo. O Agente Autônomo Con-corrente é a implementa¸cão de uma arquitetura de agente cognitivo baseada no modelo cognitivo genérico para agentes autônomos. Este modelo ao longo dos anos mostrou-se bastante eficaz, sendo inicialmente utilizado para a implementa¸cão de um sistema de controle distribu´ıdo para sistemas multi-robôs, chamado Mecateam, obtendo resultados significantes em RoboCup’s Latin América e Brasileiras. O AAC já foi implementado em diversas aplica¸cões com êxito, como exemplo, o robô humanoide NAO e o robô omni-direcional AxeBot. Tais resultados apontam o AAC como um modelo de cogni¸cão bem indicado para a capacita¸cão de robôs a execu¸cão de tarefas que solicitam um alto grau de cogni¸cão.

Palavras-chave: Manipulador Rob´otico, Agentes Autˆonomos, Jaco Kinova, Robot

Operating System.

(6)

ABSTRACT

This work presents the use of the Concurrent Autonomous Agent (CAA) in an Jaco Ki-nova robot arm, enabling it to perform complex tasks in a completely autonomous way. The communication between the CAA and the manipulator will be made through the ROS (Robot Operating System), as well as the performance of the behaviors present in the reactive level. The Concurrent Autonomous Agent is an implementation of a cogni-tive agent architecture based on the Generic Cognicogni-tive Model for Autonomous Agents. This model over the years proved to be very effective, initially being used for the im-plementation of a distributed control system for multi-robot systems, called Mecateam, obtaining significant results in RoboCup’s Latin America and Brazilians. The CAA has already been implemented in several successful applications, such as the NAO humanoid robot and the AxeBot omnidirectional robot. These results point to CAA as a model of well-known cognition for the training of robots to perform tasks that require a certain degree of cognition.

Keywords: Robotic arm, Autonomous Agents, Jaco Kinova, Robot Operating System.

(7)

SUM ´

ARIO

Cap´ıtulo 1—Introdu¸c˜ao 1 1.1 Objetivo Geral . . . 2 1.1.1 Objetivos Espec´ıficos . . . 2 1.2 Justificativa . . . 2 1.3 Organiza¸c˜ao do Trabalho . . . 2

Cap´ıtulo 2—Problema Proposto 4 2.1 Conclus˜ao do Cap´ıtulo . . . 9

Cap´ıtulo 3—Revisão Bibliográfica e Fundamenta¸cão Teórica 10 3.1 Agentes Inteligentes . . . 10

3.1.1 Agentes Reativos . . . 12

3.1.2 Agentes Cognitivos . . . 12

3.2 Sistemas Baseados em Conhecimento . . . 13

3.2.1 Sistemas de Produ¸c˜ao . . . 13

3.2.2 Sistemas Especialistas . . . 14

3.2.2.1 Estrutura Geral de um Sistema Baseado em Conhecimento 16 3.3 Agente Autˆonomo Concorrente . . . 18

3.3.1 N´ıvel Cognitivo . . . 19

3.3.2 N´ıvel Instintivo . . . 21

3.3.3 N´ıvel Reativo . . . 21

3.3.4 Representa¸c˜ao de conhecimento do AAC . . . 22

3.3.5 Revis˜ao Bibliogr´afica do AAC . . . 24

3.4 ROS . . . 26

3.4.1 N´ıvel de Sistema de Arquivos . . . 27

3.4.1.1 Pacotes do ROS . . . 27 3.4.1.2 Pilhas do ROS . . . 28 3.4.1.3 Mensagens . . . 28 3.4.2 Processamento Gráfico . . . 28 3.4.2.1 Nós do ROS . . . 28 3.4.2.2 Tópicos do ROS . . . 29 3.4.2.3 Servi¸cos . . . 30 3.4.2.4 Servi¸cos de Parâmetro . . . 31 3.4.2.5 ROS Mestre . . . 31 3.4.3 N´ıvel de Comunidade . . . 31 iv

(8)

SUM ´ARIO v

3.4.4 Revis˜ao Bibliogr´afica-ROS . . . 31

3.5 JACO Kinova . . . 32

3.5.1 Package Kinova-ROS . . . 34

3.5.2 Virtual Robot Experimentation Platform (V-REP) . . . 36

3.6 Conclus˜ao do Cap´ıtulo . . . 37

Cap´ıtulo 4—Modelo Cinem´atico do Manipulador JACO Kinova 39 4.1 Cinem´atica Direta . . . 39

4.2 Cinem´atica Inversa . . . 44

4.3 Cria¸c˜ao dos Comportamentos . . . 48

4.4 Conclus˜ao do Cap´ıtulo . . . 57

Cap´ıtulo 5—Implementa¸c˜ao das Regras e Experimentos 58 5.1 N´ıvel Cognitivo . . . 58

5.2 N´ıvel Instintivo . . . 58

5.3 Representa¸c˜ao de Conhecimento do AAC utilizado nos Experimentos . . 59

5.4 N´ıvel Reativo . . . 59 5.5 Experimento I . . . 61 5.6 Experimento II . . . 67 5.7 Experimento III . . . 71 5.8 Conclus˜ao do Cap´ıtulo . . . 74 Cap´ıtulo 6—Conclus˜ao 75

Apˆendice A—Regras do N´ıvel Cognitivo 80 Apˆendice B—Planos do N´ıvel Instintivo 83

(9)

LISTA DE FIGURAS

2.1 Uma instˆancia simples de um quebra-cabe¸ca de oito pe¸cas, com a imagem do lado esquerdo sendo o estado inicial (Figura 2.1(a)) e a imagem do lado

direto sendo o estado objetivo (Figura 2.1 (b) ). . . 5

2.2 Diagrama do problema do mundo dos blocos. . . 6

2.3 Exemplo de uma Torre de Han´oi com 3 discos sendo montada. . . 7

2.4 Exemplo de uma Torre de Han´oi sem pinos. . . 8

2.5 Todos os estados iniciais poss´ıveis. . . 8

3.1 Diagrama esquem´atico de um Agente Reativo. . . 12

3.2 Diagrama esquem´atico de um Agente Cognitivo. . . 13

3.3 Estrutura gen´erica de um sistema de produ¸c˜ao. . . 14

3.4 Arquitetura de um Sistema Especialista. . . 16

3.5 Sistema Baseado em Conhecimento vs Sistema Especialista. . . 17

3.6 Estrutura geral de um Sistema Baseado em Conhecimento. . . 18

3.7 Modelo Gen´erico de Agentes Cognitivos. . . 19

3.8 Fluxo de informa¸c˜oes do Agente Autˆonomo Concorrente. . . 20

3.9 Fluxo de informa¸c˜oes do N´ıvel Cognitivo do AAC. . . 20

3.10 Fluxo de informa¸c˜oes do N´ıvel Instintivo do AAC. . . 21

3.11 Formato de uma rega de produ¸c˜ao. . . 24

3.12 Sintaxe completa na forma de Backu-Naur. . . 24

3.13 Formato de quadros na linguagem do AAC. . . 25

3.14 Sistemas de Arquiteturas Rob´oticas. . . 26

3.15 Log´otipo do ROS. . . 27

3.17 Conceitos b´asicos do ROS. . . 29

3.18 Manipulador JACO Kinova. . . 33

3.19 Medidas do manipulador JACO Kinova. . . 34

3.20 Software V-REP. . . . 35

3.16 Exemplo de Sistema Grafo do ROS. . . 38

4.1 Sistema de referˆencia. . . 40

4.2 Modelo geométrico que descreve a posi¸cão ~x e a orienta¸cão (vetores ~n, ~s e ~a) do elemento terminal em rela¸cão a um sistema de coordenadas solidário à base do robô. . . 41

4.3 ˆAngulos de rota¸c˜ao roll, pitch e yaw. . . . 41

4.4 Exemplo de parˆametros para nota¸c˜ao de Denavit-Hartenberg. . . 42

4.5 Manipulador JACO Kinova, com ˆangulos em [180°, 270°, 90°, 180°, 180°, 350°] e medidas em rela¸c˜ao a Tabela 4.1. . . 44

(10)

LISTA DE FIGURAS vii 4.6 Espa¸co de trabalho do manipulador JACO Kinova. . . 46 4.7 Sistema de referência utilizado nas simula¸cões e experimentos. . . 48 4.8 Fluxograma de a¸cões de cada comportamento. . . 49 4.9 Simula¸cão I - Manipulador JACO kinova executando o comportamento

p1n3 p3n1. . . 50 4.10 Simula¸c˜ao II - Manipulador JACO kinova executando o comportamento

p1n2 p2n1. . . 50 4.11 Simula¸c˜ao III - Manipulador JACO kinova executando o comportamento

p3n1 p2n2. . . 50 4.12 Simula¸cão I - Evolu¸cão no tempo da posi¸cão do efetuador do

comporta-mento p1n3 p3n1. . . 51 4.13 Simula¸cão II - Evolu¸cão no tempo da posi¸cão do efetuador do

comporta-mento p1n2 p2n1. . . 51 4.14 Simula¸cão III - Evolu¸cão no tempo da posi¸cão do efetuador do

comporta-mento p3n1 p2n2. . . 52 4.15 Simula¸cão I - Evolu¸cão no tempo das posi¸cões das juntas do manipulador

do comportamento p1n3 p3n1. . . 53 4.16 Simula¸cão II - Evolu¸cão no tempo das posi¸cões das juntas do manipulador

do comportamento p1n2 p2n1. . . 53 4.17 Simula¸cão III - Evolu¸cão no tempo das posi¸cões das juntas do manipulador

do comportamento p3n1 p2n2. . . 54 4.18 Simula¸cão IV - Evolu¸cão no tempo das posi¸cões das juntas do manipulador

durante a montagem da Torre de Hanói. . . 54 4.19 Simula¸cão IV - Evolu¸cão no tempo da posi¸cão do efetuador durante a

montagem da Torre de Hanói. . . 55 4.20 Simula¸cão IV - Evolu¸cão no tempo das posi¸cões das juntas dos fingers

do manipulador durante a montagem da Torre de Han´oi. Para fingers totalmente abertos 0e 100 totalmente fechados. . . 55 4.21 Medidas do Manipulador JACO em mil´ımetros, com todos os ˆangulos de

juntas em 180°. . . 56 5.1 Exemplo de trˆes regras implementadas no n´ıvel cognitivo. . . 60 5.2 Exemplo de uma regra implementada no n´ıvel instintivo com o modelo do

mundo. . . 60 5.3 Modelo de mensagem enviada ao n´ıvel instintivo contendo o novo estado

do mundo após cada comportamento executado. . . 61 5.4 Estado Inicial e estado objetivo do experimento I. . . 61 5.5 Sistema gráfico do n´ıvel reativo do manipulador JACO Kinova no ROS. . 62 5.6 Regras do plano 1, utilizadas para a realiza¸cão do experimento I presente

no n´ıvel instintivo. . . 63 5.7 Experimento I - Manipulador JACO Kinova executando o primeiro

com-portamento na montagem da Torre de Han´oi. . . 64 5.8 Experimento I - Manipulador JACO Kinova executando o segundo

(11)

LISTA DE FIGURAS viii 5.9 Experimento I - Manipulador JACO Kinova executando o terceiro

com-portamento na montagem da Torre de Han´oi. . . 65

5.10 Experimento I - Manipulador JACO Kinova executando o quarto compor-tamento na montagem da Torre de Han´oi. . . 65

5.11 Experimento I - Manipulador JACO Kinova executando o quinto compor-tamento na montagem da Torre de Han´oi. . . 65

5.12 Experimento I - Manipulador JACO Kinova executando o sexto compor-tamento na montagem da Torre de Han´oi. . . 66

5.13 Experimento I - Manipulador JACO Kinova executando o sétimo e último comportamento na montagem da Torre de Hanói. . . 66

5.14 Experimento I - Evolu¸c˜ao no tempo da posi¸c˜ao do efetuador . . . 67

5.15 Experimento I - Evolu¸c˜ao no tempo dos ˆangulos das juntas do manipulador. 67 5.16 Estado Inicial e estado objetivo do experimento II. . . 68

5.17 Experimento II - Ordem de execu¸c˜ao das regras do plano 2 utilizadas do n´ıvel instintivo durante o experimento. . . 69

5.18 Experimento II - Evolu¸c˜ao no tempo da posi¸c˜ao do efetuador. . . 70

5.19 Experimento II - Evolu¸c˜ao no tempo dos ˆangulos das juntas do manipulador. 70 5.20 Estado Inicial e estado objetivo do experimento III. . . 71

5.21 Experimento III -Evolu¸cão no tempo dos ângulos das juntas do manipulador. 72 5.22 Experimento III - Ordem de execu¸cão das regras utilizadas do n´ıvel ins-tintivo durante o experimento. . . 73

5.23 Experimento III - Evolu¸c˜ao no tempo da posi¸c˜ao do efetuador. . . 74

A.1 Regras 1-10 implementadas no n´ıvel cognitivo. . . 80

B.1 Plano 1: Implementado no n´ıvel instintivo. . . 83

B.2 Plano 2: Implementado no n´ıvel instintivo. . . 84

(12)

LISTA DE TABELAS

3.1 Exemplo de um conjunto de regras de produ¸c˜ao. . . 14

3.2 Execu¸c˜ao do procedimento interpretador definido na Tabela 3.1. . . 14

3.3 Exemplo de um fato simples (a) e um composto (b). . . 23

3.4 Exemplo de uma base de fatos. . . 23

3.5 Formatos dos tipos de mensagens do ROS. . . 30

3.6 Especifica¸c˜oes do JACO Kinova . . . 33

3.7 Principais ”n´os”e t´opicos utilizados pelo Kinova-Ros (Figura 3.16). . . 36

4.1 Medidas do manipulador JACO Kinova (metros), (Figura 4.5). . . 45

4.2 Parˆametros Alternativos. . . 45

4.3 Parˆametros de Denavit Hartenberg do manipulador JACO Kinova. . . 45

4.4 Posi¸cões dos discos da Torre de Hanói utilizada nas simula¸cões em rela¸cão a base do manipulador utilizando o sistema de referência conforme a Figura 4.7. . . 49

(13)

LISTA DE SIGLAS

IA Inteligˆencia Artificial ROS Robot Operating System

AAC Agente Autônomo Concorrente LTP Lógica Temporal Proposicional LPO Lógica de Primeira Ordem

UHRSP Unifield Humanoid Robotics Software Platform

API Application Programming Interface

DROS Dave’s Robotic Operating System

DSP Digital Signal Processor

RPC Remote Procedure Call

TCP Transmission Control Protocol

UDP User Datagram Protocol

V-REP Virtual Robot Experimentation Platform

ODE Open Motor Dynamics

SE Sistemas Especialistas

SBC Sistema Baseado em Conhecimento

SBRP Sistema Baseado em Regras de Produ¸c˜ao (SBRP) MT Mem´oria de Trabalho

MI Motor de Inferˆencia

NSBC N´ucleo do Sistema Baseado em Conhecimento

LHS left Hand Side

RHS Right Hand Side

GDL Graus de Liberdade D-H Denavit-Hartenberg

ZMP Zero Moment Point

(14)

Cap´ıtulo

1

INTRODUC

¸ ˜

AO

O termo Robô foi proposto pela primeira vez no inicio do século 20 pelo Checo Ka-rel Capek na pe¸ca teatral chamada Rossum’s Universal Robots. Desde então, o sonho de criar seres que pudessem realizar tarefas de uma maneira completamente autônoma surgiu. Esse sonho gerou o ramo multidisciplinar conhecido como robótica, que por sua vez envolve diversas áreas de conhecimento, tais como Engenharia Elétrica, Engenharia Mecânica, Inteligência Artificial(IA), entre outras. Inicialmente os robôs eram totalmente dependentes da supervisão humana para realizar suas tarefas, porém, com o passar do tempo esta dependência come¸cou a diminuir e estes robôs come¸caram a apresentar um significativo grau de autonomia. De forma a lograr desta completa autonomia, essas máquinas devem ser dotadas de algum tipo de inteligência, isto é, devem ser capazes de tomar decisões por conta própria. Essa necessidade, por sua vez, alude ao ramo da Inteligência artificial.

O grau de autonomia presente nos robôs está associado com a tarefa que o mesmo venha a executar. Em algumas linhas de montagem industrial, os comportamentos dos robôs podem ser supervisionados por uma máquina de estados discretos, que determina exatamente quais a¸cões estão dispon´ıveis em um dado estado, porém, em tarefas mais complexas, especialmente aquelas que exigem planejamento, o mecanismo de tomada de decisão deve ser mais robusto, de maneira que o robô venha adquirir a capacidade de realizar estas tarefas em um tempo hábil, com um alto grau de precisão e de uma forma completamente autônoma (SHHEIBIA, 2001). Para atender a estas necessidades, este trabalho propõe a implementa¸cão de um sistema inteligente, baseado em agentes cognitivos, para o manipulador robótico JACO Kinova, capacitando-o desta forma a realiza¸cão de tarefas complexas de uma maneira completamente autônoma.

Em (BITTENCOURT, 1997) um modelo genérico de agentes cognitivos é proposto. Este modelo consiste em uma arquitetura cognitiva utilizada para modelar agentes de qualquer natureza. O modelo genérico de agentes cognitivos é utilizado como base em (COSTA; BITTENCOURT, 1999) para a proposta de uma arquitetura de agente autônomo inteligente chamada de Agente Autônomo Concorrente (AAC). Este agente utiliza uma arquitetura de três camadas: cognitiva, instintiva e reativa. Cada uma

(15)

1.1 OBJETIVO GERAL 2

delas é implementada como um processo e representa um n´ıvel decisório distinto que complementa as demais para a constru¸cão de um agente cognitivo. A complexidade do comportamento do agente é incrementada a cada camada.

O AAC possui a caracter´ıstica de poder ser implementado em qualquer sistema robótico, modificando-se apenas sua camada reativa, levando em conta a caracter´ıstica de hardware de cada robô. Alguns experimentos foram realizados com êxito como pode ser verificado em (COSTA et al., 2011), onde o n´ıvel reativo do AAC foi embarcado no robô omnidirecional AxéBot. Em (COSTA et al., 2015), o AAC foi aplicado no robô huma-noide Aldebaran NAO. Já em (FERREIRA, 2014) uma rede de três microcontroladores foi projetada para embarcar o AAC no robô omnidirecional AxéBot. Com tais resulta-dos, pode-se chegar a conclusão de que o AAC é um modelo de agente bem indicado para capacitar robôs a execu¸cão de tarefas que solicitam um alto grau de cogni¸cão, sendo esta arquitetura escolhida para ser utilizada neste trabalho.

1.1 OBJETIVO GERAL

Esta disserta¸cão tem como objetivo geral utilizar a arquitetura do AAC juntamente com o ROS (Robot Operating System) para capacitar o manipulador robótico JACO Kinova a realiza¸cão autônoma de tarefas complexas.

1.1.1 Objetivos Espec´ıficos

Este trabalho tem cinco objetivos espec´ıficos sendo eles:

• Implementar um sistema de comunica¸cão entre o AAC e o ROS; • Habilitar o Manipulador robótico a execu¸cão de tarefas complexas;

• Aprofundar os estudos sobre a plataforma ROS, testando suas principais ferramen-tas e aplica¸c˜oes;

• Implementar o n´ıvel Reativo do AAC, destinado ao JACO Kinova no ROS;

1.2 JUSTIFICATIVA

Manipuladores robóticos podem ser utilizados em diversas aplica¸cões, porém muitos destes manipuladores estão limitados a movimentos sequenciais predefinidos ou neces-sitam de controle humano, ou seja, não possuem a capacidade de identificar mudan¸cas no ambiente e tomar decisões de uma maneira autônoma. Neste contexto, este tra-balho propõe a implementa¸cão de um sistema inteligente em um manipulador robótico, habilitando-o a execu¸cão de tarefas complexas de uma maneira completamente autônoma. As ideias aqui propostas podem ser utilizadas em diversas aplica¸cões onde o manejo de objetos por parte de manipuladores robóticos torna-se necessário.

1.3 ORGANIZAC¸ ˜AO DO TRABALHO

(16)

1.3 ORGANIZAC¸ ˜AO DO TRABALHO 3

• O cap´ıtulo 2 tem como objetivo apresentar o problema proposto;

• O cap´ıtulo 3 tem como objetivo contextualizar a proposta, apresentando a revisão bibliográfica acerca de assuntos cruciais para o desenvolvimento deste trabalho; • O cap´ıtulo 4 apresentará o modelo cinemático direto e inverso do robô JACO

Ki-nova;

• Os resultados e experimentos s˜ao demonstrados no cap´ıtulo 5;

(17)

Cap´ıtulo

2

PROBLEMA PROPOSTO

Em (NORVIG; RUSSELL, 2014), os autores definem a Inteligência Artificial como o estudo da a¸cão racional. Como será visto no cap´ıtulo 3, um agente racional é aquele capaz de agir de forma a alcan¸car resultados otimizados, ou seja, para cada sequência de percep¸cões poss´ıveis, é selecionada uma a¸cão que venha a maximizar sua medida de desempenho, dada a evidência fornecida pela sequência de percep¸cões e por qualquer conhecimento interno do agente. Para mensurar a medida de desempenho de um agente, primeiro precisa-se saber qual o seu objetivo. Considerando que um certo objetivo seja alcan¸car um determinado estado do mundo, a tarefa do agente é descobrir como agir, no presente e no futuro, para que atinja o estado desejado, e para isso, o agente precisa decidir que tipos de a¸cões e estados deveria considerar. Norvig e Russell (2014) utilizam o conceito formula¸cão de problema como o processo de decidir que a¸cões e estados de-vem ser considerados, dado um objetivo, dividindo um problema formalmente em cinco componentes:

• Estado inicial: Estado inicial do agente ou do mundo;

• A¸cões poss´ıveis: Uma descri¸cão de todas as a¸cões que estão dispon´ıveis para o agente dado um estado s;

• Modelo de transi¸cão: Descri¸cão do resultado de cada a¸cão do agente, que determina o resultado de executar uma a¸cão a em estado s;

• Teste de objetivo: Que determina se um estado ´e o estado objetivo;

• Custo de caminho: Que determina um custo a cada a¸cão executada pelo agente. Estes elementos definem um problema, sendo a solu¸cão um caminho desde o estado inicial até o estado objetivo. A qualidade da solu¸cão será então medida pela fun¸cão custo de caminho, e uma solu¸cão ótima tem o menor custo de caminho entre todas as solu¸cões poss´ıveis.

(18)

PROBLEMA PROPOSTO 5 A abordagem de resolu¸cão de problemas ou planejamento é aplicada a uma ampla séries de ambientes de tarefas em IA como exemplo: o quebra-cabe¸ca de oito pe¸cas, mundo dos blocos e a Torre de Hanói (NORVIG; RUSSELL, 2014).

O quebra-cabe¸ca de oito pe¸cas consiste em um tabuleiro 3 x 3 com oito pe¸cas nume-radas e um quadrado vazio. O objetivo ´e alcan¸car um estado objetivo especificado, como o lado direito da Figura 2.1.

Figura 2.1: Uma instˆancia simples de um quebra-cabe¸ca de oito pe¸cas, com a imagem do lado esquerdo sendo o estado inicial (Figura 2.1(a)) e a imagem do lado direto sendo o estado objetivo (Figura 2.1 (b) ).

Fonte: (NORVIG; RUSSELL, 2014). A formula¸cão padrão é dada por:

• Estados: Os estados s˜ao descritos como a posi¸c˜ao das oito pe¸cas no tabuleiro; • Estado inicial: Qualquer estado inicial pode ser designado. Na Figura 2.1 pode-se

observar um exemplo de estado inicial;

• A¸cões poss´ıveis: As a¸cões poss´ıveis são de mover os quadrados numerados nos sentidos Esquerda, Direita, Para cima ou Para baixo;

• Modelo de transi¸cão: Para uma estado e uma a¸cão, ele devolve um estado resul-tante; como exemplo, se for aplicado na Figura 2.1(a), a a¸cão Esquerda, teria como resultado a comuta¸cão entre o número 5 e o quadrado vazio;

• Teste de objetivo: Verificar se o estado objetivo foi alcan¸cado, como o exemplo na Figura 2.1(b);

• Custo de caminho: Para este exemplo cada movimento de mover um quadrado custa 1, e assim, o custo de caminho fica sendo o n´umero de movimentos.

(19)

PROBLEMA PROPOSTO 6 O mundo dos blocos (Figura 2.2) é um dos dom´ınios de planejamentos mais famosos. Este dom´ınio consiste em um conjunto de blocos montados sobre uma mesa. Estes blocos podem ser empilhados, porém apenas um bloco pode estar diretamente sobre o outro e pode ser movido apenas um bloco por vez. O objetivo será sempre de construir uma ou mais pilhas de blocos, conforme o estado objetivo.

Figura 2.2: Diagrama do problema do mundo dos blocos.

Fonte: (NORVIG; RUSSELL, 2014). Um exemplo de formula¸c˜ao para o mundo dos blocos seria:

• Estados: Os estados s˜ao descritos como a posi¸c˜ao dos blocos no mundo;

• Estado inicial: Qualquer estado inicial pode ser designado, desde que, apenas um bloco esteja diretamente sobre o outro. Na Figura 2.2 podemos observar um exem-plo de estado inicial;

• A¸cões poss´ıveis: As a¸cões poss´ıveis são MoverParaMesa(X,Y) e Mover(X, Mesa, C), sendo que x e y podem ser os blocos A, B ou C;

• Modelo de transi¸cão: Para um estado e uma a¸cão, ele devolve um estado resultante; como exemplo, se for aplicado no estado inicial da Figura 2.2(a), a a¸cão

MoverPa-raMesa(C,A), teria como resultado o bloco C sobre a mesa, ou seja, ou blocos A,

B e C todos sobre a mesa;

• Teste de objetivo: Verificar se o estado objetivo foi alcan¸cado, como o exemplo da Figura 2.2;

• Custo de caminho: Cada passo custa 1, e assim, o custo de caminho fica sendo o n´umero de passos.

Uma solu¸c˜ao para o problema da Figura 2.2, seria aplicar em sequˆencia na seguinte ordem:

(20)

PROBLEMA PROPOSTO 7 • Mover(B,Mesa,C);

• Mover(A,Mesa,B).

A Torre de Hanói é um jogo considerado como um precedimento para avalia¸cão de capacidade de memória de trabalho, planejamento e principalmente solu¸cão de problemas. Este jogo (Figura 2.3) consiste em uma base contendo três pinos (no caso das simula¸cões e experimentos mostrados nos Cap´ıtulos 4 e 5 estes pinos foram substitu´ıdos por locais demarcados conforme a Figura 2.4) onde são dispostos alguns discos uns sobre os outros, em ordem crescente de diâmetro, de cima para baixo. O problema consiste em passar todos os discos de um pino para o último pino, usando um dos pinos como auxiliar, sendo considerado o final do jogo quando os três discos ficam montados, conforme a última imagem da Figura 2.3. Existem duas regras que devem ser seguidas na montagem da Torre:

• S´o poder´a movimentar um disco por vez;

• Nunca um disco maior pode estar sobre um disco menor.

A tarefa escolhida para a realiza¸cão dos experimentos no Cap´ıtulo 5, foi a de capacitar o manipulador JACO kinova a montar uma Torre de Hanói com 3 objetos, a partir de qualquer configura¸cão inicial poss´ıvel, dentre os 25 estados iniciais aceitos para uma Torre com 3 discos. Na Figura 2.5, temos todos os estados iniciais poss´ıveis.

Figura 2.3: Exemplo de uma Torre de Han´oi com 3 discos sendo montada.

Fonte: Criado pelo autor.

Um exemplo de formula¸cão de problemas para a Torre de Hanói seria: • Estados: Os estados são descritos como a posi¸cão dos discos no mundo;

(21)

PROBLEMA PROPOSTO 8 Figura 2.4: Exemplo de uma Torre de Han´oi sem pinos.

Fonte: Criado pelo pr´oprio autor atrav´es do software V-REP. Figura 2.5: Todos os estados iniciais poss´ıveis.

Fonte: Criado pelo pr´oprio autor.

• Estado inicial: Qualquer estado inicial dentre os 25 poss´ıveis (Figura 2.5) podem ser aceitos;

• A¸c˜oes poss´ıveis: Movimentar os discos da Torre, respeitando as duas regras descritas anteriormente;

• Modelo de transi¸cão: Para um estado e uma a¸cão, ele devolve um estado resultante; como exemplo, na Figura 2.3, onde a cada movimento há uma nova configura¸cão

(22)

2.1 CONCLUS ˜AO DO CAP´ITULO 9

do mundo;

• Teste de objetivo: Verificar se o estado objetivo foi alcan¸cado;

• Custo de caminho: Cada movimento custa 1, e assim, o custo de caminho fica sendo o n´umero de movimentos. Usando como exemplo a Figura 2.3, temos sete movimentos.

2.1 CONCLUS ˜AO DO CAP´ITULO

Neste cap´ıtulo foi apresentado o problema proposto para este trabalho. Inicialmente o conceito de formula¸cão de problemas proposto por (NORVIG; RUSSELL, 2014) foi demonstrado e alguns exemplos clássicos de resolu¸cão de problemas em IA foram expostos. No cap´ıtulo seguinte, os principais conceitos para a resolu¸cão do problema proposto serão descritos, fazendo sempre uma revisão bibliográfica para cada um deles.

(23)

Cap´ıtulo

3

REVIS ˜

AO BIBLIOGR ´

AFICA E FUNDAMENTAC

¸ ˜

AO

TE ´

ORICA

Este cap´ıtulo tem como objetivo contextualizar a proposta, apresentando a revisão bibliográfica e fundamenta¸cão teórica acerca de assuntos cruciais para o desenvolvimento deste trabalho. Neste contexto, será apresentada uma explana¸cão a respeito do manipu-lador robótico JACO Kinova, Agentes Inteligentes, Agente Autônomo Concorrente e o ROS.

3.1 AGENTES INTELIGENTES

Recriar aspectos do comportamento humano em máquinas sempre foi um dos prin-cipais objetivos da IA. Este objetivo contribuiu em muitos sentidos para o surgimento e desenvolvimento da tecnologia de agentes. Tal tecnologia possui como principal mo-tiva¸cão a constru¸cão de entidades computacionais autônomas, que possam ser capazes de realizar determinadas tarefas em benef´ıcio de usuários ou de outras entidades, como por exemplo, outros agentes (COSER et al., 1999).

Agentes têm sido utilizados com sucesso em diversas aplica¸cões incluindo atividades mais simples que variam desde a intera¸cão homem-máquina, até atividades mais comple-xas, como no monitoramento de um sistema atmosférico conforme podemos observar em (BARBOSA et al., 2005).

Norvig e Russell (2014) descreve agentes como sendo “tudo o que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre este ambiente por intermédio de atuadores”. Os autores ainda explicitam o conceito de racionalidade acerca de agentes inteligentes. Para os autores o conceito de agentes racionais é umas das questões centrais para abordagem da inteligência artificial. A defini¸cão do que é racional depende de quatro fatores:

• A medida de desempenho que define o crit´erio de sucesso; • O conhecimento pr´evio que o agente tem do ambiente;

(24)

3.1 AGENTES INTELIGENTES 11

• As a¸c˜oes que o agente pode executar;

• A sequência de percep¸cões do agente até o momento. A defini¸cão de um agente racional seria:

Para cada sequência de percep¸cões poss´ıvel, um agente racional deve solucionar uma a¸cão que se espera venha a maximizar sua medida de desempenho, dada a evidência fornecida pela sequência de percep¸cões e por qualquer conhecimento interno do agente (NORVIG; RUSSELL, 2014).

Um agente racional deve ser autônomo, à medida que ele deve aprender baseado na sua percep¸cão e nos efeitos de cada a¸cão que realiza.

Uma defini¸c˜ao gen´erica para agentes foi proposta em (COSTA et al., 2001 apud J.FERBER; GASSER, , p.19):

Um agente é uma entidade real, ou virtual, imersa em um dado ambiente onde ela pode tomar algumas a¸cões, estar habilitada para receber e represen-tar parcialmente este ambiente, podendo ainda comunicar-se com so demais agentes do ambiente. Este agente apresenta um comportamento autônomo que é uma consequência de suas observa¸cões, do conhecimento armazenado e das intera¸cões com os demais agentes do ambiente.

Weiss (1999) classifica agente inteligente como aquele capaz de seguir certos tipos de a¸c˜oes autˆonomas como:

• Reatividade: Capacidade que o agente tem de perceber o ambiente a sua volta e responder a essas mudan¸cas com o intuito de alcan¸car seus objetivos;

• Pr´o-atividade: Capacidade que o agente possui de tomar a¸c˜oes orientadas a metas, tomando a iniciativa para atingir seus objetivos;

• Habilidade Social: Capacidade de interagir em uma comunidade composta por outros agentes.

Wooldridge (2009) define agentes como sendo “sistemas computacionais capazes de a¸c˜oes autˆonomas em algum ambiente com a finalidade de alcan¸car seus objetivos de projeto”.

Pode-se observar uma faixa de caracter´ısticas relativamente pequena com respeito a defini¸cão do que é um agente. Em todas as defini¸cões, parece claro a imagem de uma entidade autônoma, que atua em favor de um usuário ou de outros agentes.

Os agentes podem ser classificados de acordo com a complexidade computacional dos mesmos. Agentes com pouca complexidade computacional s˜ao chamados de Agen-tes Reativos, e aqueles com alta complexidade s˜ao chamados de AgenAgen-tes Cognitivos ou Inteligentes (COSTA et al., 2001).

(25)

3.1 AGENTES INTELIGENTES 12

3.1.1 Agentes Reativos

Os Agentes Reativos (Figura 3.1) selecionam suas a¸cões com base na percep¸cão atual, ignorando o restante do histórico de percep¸cões (NORVIG; RUSSELL, 2014). Eles não apresentam memória de trabalho e não conseguem planejar suas a¸cões futuras, seguindo o modelo de funcionamento baseado no estimulo-resposta. Um termostato pode ser visto como um agente reativo, onde, para o estado de temperatura em “frio” o aquecimento mantém-se “ligado” e quando a temperatura encontra-se no estado “quente” o aqueci-mento então é desligado. Estes agentes não possuem uma representa¸cão explicita do ambiente nem um modelo de comunica¸cão de alto n´ıvel ou conhecimento de outros agen-tes quando em sociedade.

Agentes Reativos são baseados em modelos de organiza¸cão biológica ou etológica, como por exemplo, as sociedades de formigas ou cupins. Se observarmos uma sociedade de formigas, veremos que embora uma formiga não seja considerada inteligente, o formigueiro como um todo é considerado como um sistema inteligente e complexo (COSTA et al., 2001).

Figura 3.1: Diagrama esquem´atico de um Agente Reativo.

Fonte: (NORVIG; RUSSELL, 2014).

3.1.2 Agentes Cognitivos

Os Agentes Cognitivos (Figura 3.2) possuem uma representa¸cão explicita do ambi-ente e dos outros agambi-entes quando se encontram em sociedade. Eles possuem memória de trabalho, podendo raciocinar sobre a¸cões tomadas no passado e planejar suas a¸cões futu-ras. Possuem um alto n´ıvel de complexidade computacional e caracterizam-se por possuir um comportamento de inteligência (COSTA et al., 2001). Estes agentes baseiam-se no modelo de organiza¸cão social humano.

(26)

3.2 SISTEMAS BASEADOS EM CONHECIMENTO 13

Figura 3.2: Diagrama esquem´atico de um Agente Cognitivo.

Fonte: (NORVIG; RUSSELL, 2014).

3.2 SISTEMAS BASEADOS EM CONHECIMENTO 3.2.1 Sistemas de Produ¸c˜ao

Sistemas de produ¸cão são sistemas que representam o conhecimento através de um conjunto de regras baseadas em regras produ¸cão, isto é, pares de expressões consistindo em uma condi¸cão e uma a¸cão. Post (1943) propôs um sistema consistindo em um conjunto de regras de modifica¸cão sintática de transforma¸cões sobre uma memória de trabalho (MT) composta de uma camada de caracteres.

De acordo com (BITENCOURT, 2006) um modelo de sistema de produ¸c˜ao (Figura 3.3) na sua forma mais simples apresenta trˆes componentes:

• Mem´oria de Trabalho: Uma sequˆencia de caracteres;

• Regras: Conjunto ordenados de pares (LHS-Left Hand Side, RHS- Right Hand

Side), sendo LHS e RHS sequˆencias de caracteres;

• Interpretador: Responsável pela modifica¸cão da memória de trabalho de acordo com as regras de modifica¸cão.

De acordo com (BITENCOURT, 2006) o interpretador tem como fun¸c˜ao realizar o seguinte procedimento:

Para cada regra (LHS, RHS), se a sequência de caracteres LHS está contida na memória de trabalho, então substituir os caracteres LHS na memória de trabalho pelos caracteres de RHS; se não continua na próxima regra.

Pode ser verificado abaixo um exemplo de sistema de produ¸c˜ao retirado de (BITEN-COURT, 2006).

(27)

Exemplo: Este sistema de produ¸cão é capaz de multiplicar dois números em nota¸cão

unária (na qual o número n é representado por uma sequência de n algarismos), podendo

ser especificado atrav´es do seguinte conjunto de regras:

Tabela 3.1: Exemplo de um conjunto de regras de produ¸c˜ao. 1 x∗→B∗ 2 1 x 11 →1A x 1 3 1A →A21 4 2A →A2 5 1B →B1 6 2B →B1 7 ∗A →∗ 8 ∗B →∗

Fonte: (BITENCOURT,2006).

Podemos observar que inicialmente contém um problema na memória de trabalho a ser resolvido. Pegando como exemplo ∗11 x 11∗(onde os caracteres ∗tem fun¸cão de delimitadores) a execu¸cão do interpretador definido na Tabela 3.1 resultaria na sequência de valores descritos na Tabela 3.2, como conteúdo da memória de trabalho

Tabela 3.2: Execu¸c˜ao do procedimento interpretador definido na Tabela 3.1. ∗11 x 11∗ →2 ∗11A x 1∗ →3 ∗1A21 x 1∗ →1

∗1A21B∗ →3 ∗A2121B∗ →5 ∗A212B1∗ →6 *A21B11* →7 ∗21B11∗ →5 ∗2B111∗ →6 *B1111* →8 ∗1111∗

Fonte: (BITENCOURT,2006).

Figura 3.3: Estrutura gen´erica de um sistema de produ¸c˜ao.

3.2.2 Sistemas Especialistas

De acordo com (BITENCOURT, 2006), outros tipos de sistemas que utilizam o for-mato de regras de produ¸cão como método de representa¸cão de conhecimento são os Siste-mas Especialistas (SE). Segundo o autor, um SE tem como proposito mimetizar a atua¸cão de um especialista humano em um dom´ınio bastante especifico. Sistemas Especialistas

(28)

surgiram através da utiliza¸cão da estrutura funcional dos sistemas propostos por Post, quando os sistemas de produ¸cão ganham generalidade e passam a utilizar um método de representa¸cão de conhecimento como linguagem formal para a cria¸cão de sua base de regras e da sua memória de trabalho. Em geral um SE atual apresenta uma estrutura com três módulos conforme a Figura 3.4, contendo uma base regras, uma memória de trabalho e um motor de inferência que substitui o interpretador utilizado na arquitetura genérica de um sistema de produ¸cão. A base de regras e a memória de trabalho (também chamada de base de fatos) formam a base de conhecimento do SE e o motor de inferência é o mecanismo de controle do sistema que avalia e aplica as regras de acordo com as informa¸cões da memória de trabalho.

As memórias de trabalho de um SE devem respeitar um método de representa¸cão de conhecimento, ou seja, uma linguagem e uma descri¸cão matemática de seu significado. Um exemplo de formalismo de representa¸cão de conhecimento é a lógica de primeira ordem (LPO)(BITENCOURT, 2006) (REZENDE, 2003).

A base de regras de acordo com (BITENCOURT, 2006), passa a conter condi¸cões que representam perguntas à representa¸cão de conhecimento da memória de trabalho. Desta forma, estas condi¸cões devem ser comparadas com a MT com o intuito de decidir se a MT deve ser alterada de acordo com as consequências das regras. Portanto, o motor de inferência (antigo interpretador no modelo de Post) agora funciona como um mecanismo de inferência lógica, sendo que este processo ocorre em ciclos, onde cada ciclo consiste em três fases:

• Correspondˆencia de dados: onde deve-se encontrar as regras cujas premissas s˜ao satisfeitas pela MT (gerando o conjunto de conflitos);

• Resolu¸cão de conflitos: Etapa na qual as regras que serão realmente executadas são escolhidas dentro do conjunto de conflitos. Se esse conjunto estiver vazio, a execu¸cão é terminada, caso contrário, torna-se necessário utilizar algum método de resolu¸cão de conflitos, como prioridades atribu´ıdas estatisticamente, simplicidade e especificidade, grau de importância, sele¸cão ao acaso dentre outros;

• A¸cão: Etapa que é realizada as altera¸cões na memória de trabalho de acordo com a consequência das regras selecionadas.

BITENCOURT (2006) descreve que as principais caracter´ısticas do motor de in-ferência presente em um SE dizem respeito à funcionalidades como: método de racioc´ınio, estratégia de busca, resolu¸cão de conflitos e representa¸cão de incerteza. No caso das re-gras de produ¸cão, existem basicamente dois tipos de modos de racioc´ınio: encadeamento progressivo e encadeamento regressivo (BITENCOURT, 2006) (REZENDE, 2003).

No encadeamento progressivo (forward chaining), também conhecido como encade-amento dirigido por dados, a solu¸cão para o problema vem a partir das informa¸cões fornecidas pelo usuário, ou seja, a parte esquerda da regra é comparada com a descri¸cão da situa¸cão atual, contida na memória de trabalho. As regras que satisfazem a esta descri¸cão tem sua parte direita executada, sendo que na maioria das vezes significa a in-trodu¸cão de novos fatos na memória de trabalho. Geralmente este tipo de encadeamento é

(29)

Figura 3.4: Arquitetura de um Sistema Especialista.

utilizado em problemas de planejamento, projeto ou classifica¸c˜ao (BITENCOURT, 2006) (REZENDE, 2003).

Já o encadeamento regressivo (backward chaining), também conhecido como encadea-mento dirigido a objetivos, parte da suposi¸cão de que cada provável solu¸cão é verdadeira, tentando reunir evidencias que comprovem a sua veracidade. Estas evidencias são procu-radas nas informa¸cões fornecidas pelo usuário. Geralmente o encadeamento regressivo é utilizado em ambientes onde existem uma pequena quantidade de sa´ıdas possiveis, porem uma grande quantidade de estados iniciais, como exemplo em problemas de diagnósticos. Em geral um SE adota apenas um modo de racioc´ınio, com exce¸cão de sistemas que utilizam o encadeamento misto, onde os encadeamentos progressivos e regressivos se al-ternam de acordo com o desenvolvimento da solu¸cão do problema e com a disponibilidade de dados (BITENCOURT, 2006).

3.2.2.1 Estrutura Geral de um Sistema Baseado em Conhecimento

Rezende (2003) define Sistemas Baseados em Conhecimento (SBC) como ”progra-mas de computador que usam o conhecimento representado explicitamente para resolver problemas”. De acordo com autor, um SBC tem como objetivo manipular conhecimen-tos e informa¸cões de forma inteligente, sendo usados em problemas que requerem uma quantidade considerável de conhecimento humano. Sendo assim, o conhecimento e o pro-cesso de resolu¸cão de problemas são os pontos centrais no desenvolvimento de um SBC. O autor ainda apresenta um distin¸cão entre SBCs e SEs. De acordo com o autor SEs são SBCs que resolvem problemas em dom´ınios mais restritos, ordinariamente resolvidos por um especialista humano, enquanto SBCs são sistemas capazes de resolver

(30)

proble-3.2 SISTEMAS BASEADOS EM CONHECIMENTO 17

mas usando conhecimento espec´ıficos sobre o dom´ınio da aplica¸cão. Na Figura 3.5 são apresentados as caracter´ısticas desses sistemas no contexto de Sistemas Inteligentes. Nas se¸cões e cap´ıtulos seguintes desta disserta¸cão os termos Sistemas Especialistas e Sistemas Baseados em Conhecimento serão usados indistintamente.

Figura 3.5: Sistema Baseado em Conhecimento vs Sistema Especialista.

Em (REZENDE, 2003) uma estrutura geral de SBC é apresentado (Figura 3.6). Esta estrutura é composta por cinco módulos, no qual destacam-se os módulos responsáveis pelo armazenamento da Base de Conhecimento e pelo mecanismo de inferência. Os módulos são classificados como:

• O núcleo do Sistema Baseado em Conhecimento: é o responsável pelas principais atividades do sistema. Neste módulo que é efetuado o controle de intera¸cão com o usuário, processamento de conhecimento e explica¸cões das conclusões obtidas a partir de alguma linha de racioc´ınio. Neste módulo que está presente o Motor de Inferência (MI) (REZENDE, 2003). O Motor de Inferência tem um papel bastante similar ao apresentado por (BITENCOURT, 2006) presente na Se¸cão 3.1. O MI tem como fun¸cão desenvolver o racioc´ınio baseado nas informa¸cões obtidas pelo usuário e no conhecimento apresentado na Base de Conhecimento;

• Base de Conhecimento (BC): Representa uma abstra¸cão do mundo descrito expli-citamente, através de um formalismo de representa¸cão de conhecimento que possa ser processado pelo núcleo do Sistema Baseado em Conhecimento;

• Memória de Trabalho (MT): Onde são armazenadas as conclusões de um processo de racioc´ınio;

(31)

3.3 AGENTE AUT ˆONOMO CONCORRENTE 18

• Base de Dados: Onde o sistema obtêm ou armazena os dados e informa¸cões. • Interface com o usuário: Onde obtêm-se as informa¸cões junto ao usuário.

Figura 3.6: Estrutura geral de um Sistema Baseado em Conhecimento.

Fonte: (REZENDE, 2003).

3.3 AGENTE AUT ˆONOMO CONCORRENTE

A arquitetura do AAC foi inspirada no modelo genérico para agentes cognitivos pro-posto em (BITTENCOURT, 1997) (Figura 3.7). A ideia principal desta arquitetura é de implementar percep¸cão, a¸cão, comunica¸cão, coopera¸cão, planejamento e tomada de decisão, utilizando a programa¸cão concorrente. Neste modelo concorrente, a arquitetura de tomada de decisão era completamente centralizada, ocasionando alguns problemas de sincronismo entre o agente e o ambiente.

Com o intuito de solucionar esses problemas de sincroniza¸cão, a arquitetura do agente cognitivo concorrente migrou de uma abordagem centralizada, para uma arquitetura des-centralizada, através da sua implementa¸cão no framework Expert-Coop++ (COSTA; BITTENCOURT, 1999). Esse modelo baseia-se na hipótese de que as atividades cog-nitivas possuem três caracter´ısticas principais: auto-organiza¸cão, natureza evolutiva e dependência histórica (COSTA et al., 2011). De acordo com esse modelo, um agente cog-nitivo é composto por três n´ıveis decisórios: n´ıvel reativo, instintivo e cogcog-nitivo (Figura 3.8). Cada um desses n´ıveis implementa um processo decisório distinto, complemen-tando os demais n´ıveis para a constru¸cão de um agente cognitivo. A arquitetura do AAC permite que esta seja implementada em qualquer sistema robótico, modificando-se sua camada reativa (levando em conta as caracter´ısticas de hardware de cada robô) e criando novas bases de regras, para os n´ıveis cognitivo e instintivo.

(32)

Figura 3.7: Modelo Gen´erico de Agentes Cognitivos.

Fonte:(BITTENCOURT, 1997).

3.3.1 N´ıvel Cognitivo

A fun¸cão do n´ıvel Cognitivo (Figura 3.9) é de possuir um modelo simbólico do ambi-ente, um conjunto de planos, uma base de conhecimento codificado em regras de produ¸cão com a qual é poss´ıvel estabelecer metas e escolher o plano mais adequado para alcan¸ca-las. Estes planos são executados pelo n´ıvel instintivo. O n´ıvel cognitivo recebe informa¸cões simbólicas do n´ıvel instintivo e as mensagens dos outros agentes (quando inserido em um sistema multiagente). Um importante aspecto do AAC é que enquanto os n´ıveis instintivo e reativo trabalham no alcance de uma meta local, o n´ıvel cognitivo pode, concomitan-temente, se dedicar a tarefas de planejamento e cria¸cão de novas metas (FERREIRA, 2014).

Um componente importante presente em todos os n´ıveis decisórios do AAC, o mailbox, tem um papel fundamental no funcionamento do agente. O mailbox consiste de um objeto instanciado em cada processo da biblioteca Expert-Coop++ que oferece uma interface de comunica¸cão baseada em soquetes UNIX e uma estrutura de dados que funciona como um buffer, armazenando as mensagens em uma fila de tamanho finito. Quando uma mensagem é lida, a mesma é removida da fila.

(33)

Figura 3.8: Fluxo de informa¸c˜oes do Agente Autˆonomo Concorrente.

Figura 3.9: Fluxo de informa¸c˜oes do N´ıvel Cognitivo do AAC.

(34)

3.3.2 N´ıvel Instintivo

O n´ıvel instintivo (Figura 3.10) é o responsável pelo reconhecimento das mudan¸cas do estado do ambiente, atualiza¸cão das informa¸cões simbólicas utilizadas na base de conhecimento do n´ıvel cognitivo e pela escolha do comportamento a ser utilizado pelo n´ıvel reativo. O reconhecimento das mudan¸cas do estado do ambiente é realizado após cada ciclo de percep¸cão-a¸cão executado pelo n´ıvel reativo. Este n´ıvel executa planos, que se bem sucedidos, levam a satisfa¸cão de metas locais, criadas pelo n´ıvel cognitivo. Um Sistema Baseado em Conhecimento (SBC), composto por um Motor de Inferência (MI), Base de Regras (BR) e uma Base de Fatos (Estado do Mundo) são implementados neste n´ıvel.

Figura 3.10: Fluxo de informa¸c˜oes do N´ıvel Instintivo do AAC.

O arquivo de regras, implementado pelo usuário, fornecerá as regras necessárias para classificar os estados do ambiente, escolher o comportamento mais adequado a este estado e gerar informa¸cões a ser enviadas ao n´ıvel cognitivo. Lógica e quadros são os formalismos admitidos para representa¸cão de conhecimento do agente.

3.3.3 N´ıvel Reativo

O n´ıvel reativo é o responsável pela intera¸cão do agente com o ambiente. Ele recebe a percep¸cão do ambiente e determina as a¸cões que serão tomadas sobre ele. Tais a¸cões são determinadas por um conjunto de comportamentos que serão implementados no n´ıvel

(35)

reativo do agente. A cada ciclo de a¸cão-percep¸cão apenas um comportamento está ativo. Os comportamentos podem ser entendidos como um conjunto de a¸cões que devem ser executadas afim de alcan¸car determinados objetivos. Em (COSTA et al., 2011) um sis-tema de controle para rastreamento de trajetória foi encapsulado no n´ıvel reativo do robô Axébot, com o intuito de rastrear a referencia de trajetória recebida do n´ıvel instintivo. A execu¸cão das trajetórias a serem rastreadas foram então chamadas de comportamen-tos. Já em (COSTA et al., 2015), o n´ıvel reativo foi implementado no modulo UHRSP (Unifield Humanoid Robotics Software Platform) do robô Humanoide NAO. O UHRSP disponibiliza uma plataforma de controle de caminhada chamado de Zero Moment Point (ZMP), que recebe do n´ıvel instintivo do AAC qual o comportamento será executado pelo controlador ZMP.

No presente trabalho, o n´ıvel reativo foi implementado no ROS. O ROS possui um conjunto de ferramentas e bibliotecas que permite ter o controle do manipulador JACO Kinova tanto no espa¸co cartesiano, quanto no espa¸co de juntas.

3.3.4 Representa¸c˜ao de conhecimento do AAC

Em (REZENDE, 2003), o autor define representa¸cão de conhecimento como algo que pode ser entendido como uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplica¸cão. Ainda de acordo com o autor uma representa¸cão de conhecimento deve apresentar as seguintes caracter´ısticas:

• Ser compreens´ıvel ao ser humano;

• Abstrair-se dos detalhes de como funciona o processador de conhecimento que o interpretar´a;

• Ser robusta, de modo a permitir sua utiliza¸cão mesmo que não aborde todas as situa¸cões poss´ıveis.

• Ser generalizável, ou seja, que possa ter vários pontos de vista do mesmo aconteci-mento, de maneira que possa ser atribu´ıda a diversas situa¸cões e interpreta¸cões. BITENCOURT (2006 apud FURBACH; DIRLICH; FREKSA, 1984) aponta compo-nentes essenciais de uma representa¸cão de conhecimento como:

• Mundo externo;

• A representa¸c˜ao propriamente dita:

• A rela¸c˜ao entre o mundo externo e a representa¸c˜ao propriamente dita.

O mundo externo e a representa¸cão devem possuir operadores que possibilitem a manipula¸cão dos seus elementos, e a rela¸cão entre estes corpos de conhecimento, como o autor os denomina, compõe a semântica da representa¸cão.

(36)

O Agente Autônomo Concorrente utiliza Lógica de Primeira Ordem (LPO) e qua-dros como método de representa¸cão de conhecimento do seu Sistema Baseado em Co-nhecimento (BITTENCOURT; COSTA, 2001). A base de fatos (Tabelas 3.3 e 3.4) (ou memória de trabalho) é responsável pelo armazenamento de informa¸cões do ambiente a partir de fatos, possuindo um formato de três termos: objeto, atributo e valor (Figura

??). Na parte ”a” da Tabela 3.3, ´e apresentado um fato simples com apenas um atributo

de um determinado objeto e na parte ”b”, ´e apresentado o caso de m´ultiplos atributos. Tabela 3.3: Exemplo de um fato simples (a) e um composto (b).

(logic ( <objeto><atributo><valor>)) (logic ( <objeto ><atributo 2 ><valor 2 >)(logic ( <objeto><atributo 1><valor 1 >)) ...

(logic ( <objeto ><atributo n ><valor n >)

(a) (b)

Fonte: Criado pelo pr´oprio autor. Tabela 3.4: Exemplo de uma base de fatos.

((logic ( robo velocida 2.5)) (logic ( robo orientacao 0.5)) (logic ( robo dis obstaculo 1.5))) Fonte: Criado pelo pr´oprio autor.

A inteligência do agente é baseada em regras de produ¸cão (Figura 3.11). Estas regras são concebidas com intuito de tentar prever todos os poss´ıveis estados do ambiente, determinando para cada um destes estados, qual o comportamento o agente irá executar (JÚNIOR; COSTA, 2007). A biblioteca Expertcoop++ possui um analisador de regras responsável por realizar analises léxicas e sintáticas dos seus arquivos de regras, além de formalizar a sua gramática de linguagem. Esta gramática descrave as estruturas de linguagem das regras, sendo o lado direito e o lado esquerdo os mais importantes (Figura 3.12). O lado direito é identificado pelo token ”if” e contém a representa¸cão do estado do ambiente ( ou condi¸cões como na se¸cão 3.2.1 e Figura 3.11 ) e o lado esquerdo é identificado pelo token ”then”, sendo este responsável por conter informa¸cões para modificar o estado do ambiente (ou consequências como na se¸cão 3.2.1 e Figura 3.11) (JÚNIOR; COSTA, 2007).

O analisador léxico é o responsável pela leitura do arquivo de regras, carácter por carácter, extraindo uma sequência de s´ımbolos léxicos (tokens). Cada s´ımbolo léxico é uma palavra reservada (podendo ser identificadores ou operadores), sendo que cada uma possui uma fun¸cão pré-definida , como exemplo: if, then, filter, logic, frame, message, to

(37)

Figura 3.11: Formato de uma rega de produ¸c˜ao.

Fonte: (FERREIRA, 2014).

analisar se uma dada senten¸ca do arquivo de regras está gramaticamente correta. A sin-taxe completa na forma de Backu-Naur da linguagem de representa¸cão de conhecimento utilizada pelo AAC é apresentada na Figura 3.12.

Figura 3.12: Sintaxe completa na forma de Backu-Naur.

Fonte: (JUNIOR; COSTA, 2007).

Além de LPO, o AAC admite quadros na sua representa¸cão de conhecimento (Figura 3.13). O termo ”frame id” é um identificar que permite qua o quadro seja fornecido como valor de atributo para outros quadros (FERREIRA, 2014).

3.3.5 Revis˜ao Bibliogr´afica do AAC

A arquitetura do AAC possui a caracter´ıstica de poder ser implementado em qualquer sistema robótico, para isso, é apenas necessário a cria¸cão de bases de regras para os n´ıveis

(38)

Figura 3.13: Formato de quadros na linguagem do AAC.

Fonte: (FERREIRA, 2014).

instintivo e cognitivo, além da modifica¸cão da sua camada reativa, levando em conta a caracter´ıstica de hardware de cada robô.

Em (COSTA et al., 2011), o n´ıvel reativo do AAC foi embarcado no robô omnidi-recional AxéBot. Neste caso, o n´ıvel reativo foi composto por um módulo responsável pela implementa¸cão da instrumenta¸cão do sistema, encapsulando um sistema de controle em cascata para controle da posi¸cão do centro de massa do robô. O n´ıvel instintivo foi embarcado em um sistema computacional baseado no microprocessador ARM7, chamado

Stargate Kit. Um sistema de representa¸c˜ao de conhecimento tamb´em foi utilizado, sendo

responsável por identificar os estados do ambiente contidos no n´ıvel instintivo e de acordo com estes estados, determinar a referência de trajetória a ser rastreada pelo controlador encapsulado no n´ıvel reativo.

Em (FERREIRA, 2014) uma rede de três microcontroladores foi projetada para em-barcar o AAC no robô omnidirecional AxéBot. A rede foi concebida mimetizando a rede funcional do AAC. Os três n´ıveis deste ultimo foram embarcados em cada nó da rede. O n´ıvel reativo, consistia em um controlador cinemático de posi¸cão baseado no modelo do robô omnidirecional AxéBot, o mesmo foi embarcado no microcontrolador PSoC 5Lp. O n´ıvel instintivo foi embarcado em um módulo microcontrolado, baseado no microcon-trolador NXP LPC1768. Um sistema baseado em conhecimento com uma base de regras em LPO (Lógica de Primeira Ordem) foi implementado neste n´ıvel com o intuito de coordenar a sele¸cão de comportamentos no n´ıvel reativo. Já o n´ıvel cognitivo, foi im-plementado em um módulo baseado DIL/NetPC 2486. Foi imim-plementado também um sistema baseado em conhecimento com um motor de inferência que pôde utilizar LPO, quanto LTP (Lógica Temporal Proposicional). O trabalho em questão, demonstrou que a arquitetura de hardware projetada para o AAC, atendeu satisfatoriamente as demandas de concorrência e comunica¸cão exigida pelo mesmo, além de, demonstrar outra carac-ter´ıstica importante do AAC, que seria a capacidade de suportar mais de um método de inferência na sua arquitetura cognitiva.

Em (COSTA et al., 2015), o AAC sendo aplicado no robˆo humanoide Aldebaran NAO. Foi utilizado os mesmos n´ıveis instintivos e cognitivos implementados no RoboCup, atualizando apenas as suas bases de regras. O n´ıvel reativo foi modificado, levando em conta as caracter´ısticas de hardware do NAO, com seus comportamentos sendo utilizados atrav´es do UHRSP.

Com tais resultados, pode-se chegar a conclusão de que o AAC é um modelo de agente bem indicado para capacitar robôs a execu¸cão de tarefas que solicitam um alto

(39)

3.4 ROS 26

grau de cogni¸cão. Conclui-se também quem o modelo do AAC pode ser implementado em qualquer sistema robótico.

Outro ponto a ser considerado, é a facilidade de implementa¸cão do agente, visto que, o mesmo possui um conjunto de bibliotecas de classes chamada de ExpeertCoop++ escrita em linguagem de programa¸cão C++, orientado a objetos, projetado para auxiliar a implementa¸cão de Sistemas Multiagantes sob restri¸cão de tempo real do tipo melhor esfor¸co (BARBOSA et al., 2005).

3.4 ROS

Desenvolver códigos de programa para controle de robôs é dif´ıcil, visto que, a área da robótica cresce a um ritmo extremamente acelerado, tendo seu campo de atua¸cão ampliado a cada instante. Outro fator importante é o grande número de diferentes robôs, que por sua vez apresentam uma ampla variedade de hardware, o que torna a reutiliza¸cão desses códigos, nesses diferentes tipos de robôs, quase inviável (OLIVEIRA et al., 2013).

Atualmente existem várias plataformas (frameworks) para desenvolvimento de aplica¸cões robóticas, que tem como intuito gerenciar a complexidade e facilitar a prototipagem de programas para pesquisas, o que resultou em muitos sistemas de programas robóticos que atualmente são usados em Universidades e Industrias (QUIGLEY et al., 2009) como exemplo: Open Platform for Robotic Services (OPRos), Urbi, Microsoft Robotics

Stu-dio, Dave’s Robotic Operating System(DROS), Robotic Operating System (ROS), Player,

YARP, Orocos (Figura 3.14). Estes softwares possuem ferramentas e conte´udos API (Application Programming Interface) que permitem utilizar as suas funcionalidades sem a necessidade de desenvolver detalhes de implementa¸c˜ao destes (SANTOS, 2013).

Dentre estas plataformas o ROS (Figura 3.15) pode ser evidenciado, sendo o mesmo o sistema mais utilizado atualmente no mundo (KERR; NICKELS, 2012) com trabalhos sendo desenvolvidos tanto em ambientes industriais como em ambientes acadˆemicos.

Figura 3.14: Sistemas de Arquiteturas Rob´oticas.

Fonte:(Santos, 2013).

O Robotic Operation System (ROS) é um software de código aberto, desenvolvido em 2007, que disponibiliza bibliotecas e ferramentas para ajudar desenvolvedores de progra-mas robóticos a criarem suas aplica¸cões. Ele fornece diversos servi¸cos, incluindo abstra¸cão de hardware, implementa¸cão de bibliotecas, controle de baixo n´ıvel de dispositivos

(dri-vers), gerenciamento de pacotes e troca de mensagens entre processos (OLIVEIRA et al.,

(40)

3.4 ROS 27

hardware na área da robótica, permitindo por exemplo, que diferentes grupos de pesquisa possam trocar informa¸cões e experiências, reutilizando códigos e ferramentas criadas com o seu aux´ılio (BARROS, 2014).

Figura 3.15: Log´otipo do ROS.

Fonte: http://www.ros.org/, acessado em :31/01/2017.

A filosofia de cria¸cão do ROS é baseada no sistema operacional UNIX. Ele possui um sistema baseado em mensagens, sendo composto por bibliotecas escritas em linguagens como C++ e Python. O ROS possui três n´ıveis de conceitos: o n´ıvel de sistema de arquivos, o n´ıvel do Grafo de Computa¸cão e o n´ıvel de comunidade.

3.4.1 N´ıvel de Sistema de Arquivos

O Sistema de Arquivos s˜ao divididos em: pacotes, manifestos, mensagens, servi¸cos e pilhas stacks.

3.4.1.1 Pacotes do ROS

Os pacotes (package) são as unidades principais de organiza¸cão do ROS, neles estão contidos as bibliotecas, conjuntos de dados, arquivos de configura¸cão, códigos fontes e arquivos executáveis, habitualmente chamados de “nós”. Sendo um sistema baseado em pacotes, sua principal caracter´ıstica é a de que arquivos podem referenciar outros arquivos de uma maneira bastante simples (BARROS, 2014). A estrutura de um pacote quase sempre pode ser representado do seguinte modo.

• src/ - Contém os códigos fonte geralmente escritos em linguagem Python ou C++; • bin/ - Contém arquivos executáveis;

• lib/ - Contém as bibliotecas necessárias para executar os arquivos da pasta bin; • launch/ – Arquivos de Inicializa¸cão de pacote, está contido os arquivos launch

(.launch/XML), necess´arios para utilizar a ferramenta do ROS chamada roslaunch; • include/ – Cont´em arquivos de cabe¸calho em C++;

(41)

3.4 ROS 28

• msg / - Contém arquivos de descri¸cão do tipo de mensagem (.msg); • scripts/ - Contém scripts executáveis;

• Srv/ - Contém arquivos de descri¸cão do tipo de servi¸co (.srv); • Manifest.xml – Arquivo onde se encontra as informa¸cões do pacote; • CMakelist.txt – Arquivo de constru¸cão CMak.

3.4.1.2 Pilhas do ROS

Os pacotes (packeage) do ROS eram organizados em pilhas (stacks), sendo que seu principal objetivo é de simplificar o compartilhamento dos códigos que estão contidos nos pacotes, facilitando assim a sua reutiliza¸cão. O stack era o principal mecanismo de distribui¸cão de softwares que utilizam o ROS (BARROS, 2014), porém é de extrema importância salientar que o conceito de stack no ROS está em desuso, visto que, suas versões mais recentes utilizam o conceito de “metapacotes” (Metapackages).

3.4.1.3 Mensagens

Um arquivo do tipo mensagem define a estrutura de dados da requisi¸cão e da resposta para os servi¸cos do ROS, sendo esses publicados por executáveis, no caso nós. Este arquivo é composto pela descri¸cão de campos e constantes, sendo que os campos (variáveis) são dados enviados para e pela mensagem e as constantes são valores fixos para a interpreta¸cão destes campos (OLIVEIRA et al., 2013). Para facilitar a gera¸cão automática do código fonte da mensagem, o ROS faz uso de uma descri¸cão simplificada dos valores de dados, que são atribu´ıdos em arquivos do tipo “.msg” que se encontram no subdiretório de um pacote do ROS.

3.4.2 Processamento Gr´afico

O Processamento Gráfico no ROS é uma rede peer-to-peer de processos, ou seja, pro-cessamento de dados em conjunto. Os conceitos do Grafo de Computa¸cão são: nós(nodes), tópicos, mensagens, servi¸cos, mestre, servidor de parâmetro.

3.4.2.1 N´os do ROS

Os nós (nodes) são processos que executam instru¸cões, geralmente utilizando biblio-tecas do ROS, como o roscpp baseada em C++ ou rospy baseada em python. Quando combinados em um grafo, comunicam uns com os outros através de streaming de tópicos, servi¸cos via RPC (Remote Procedure Call1) e o servidor de parâmetro. Um sistema de controle de robô, como o apresentado neste trabalho, compreende muitos nós, onde se

1_{Protocolo para execu¸}_c˜_{ao remota de procedures em computadores ligados em rede, podendo ser}

im-plementado sobre diferentes protocolos de transportes, como ´e o caso do TCP (Transmission Control

(42)

3.4 ROS 29

tem um nó para realizar o controle cinemático do robô, um nó para receber mensagens do AAC, um nó para enviar mensagens ao AAC, e assim por diante. A utiliza¸cão dos nós no ROS traz uma série de vantagens ao sistema em geral, dentre elas:

• Maior tolerância a falhas, visto que problemas relacionados a um único nó são isolados ao mesmo;

• Independência com linguagens de programa¸cão, visto que, cada nó pode ser escrito com uma linguagem diferente;

• Menor complexidade no código em rela¸cão a aplica¸cões monol´ıticas.

Todos os nós executados são identificados no sistema gráfico com um nome, como pode ser observado na Figura 3.16.

3.4.2.2 T´opicos do ROS

No ROS um nó pode se comunicar com outros nós por meio de um sistema de trans-porte com a semântica de publicador/subscritor (publisher/subscriber) (Figura 3.17). Para que um nó possa enviar uma mensagem, o mesmo precisa publica-la em um de-terminado tópico. Caso outro nó queira receber o conteúdo desta mensagem, o mesmo terá que subscrever neste mesmo tópico. Um nó pode publicar ou subscrever múltiplos tópicos ao mesmo tempo, podendo haver situa¸cões onde a publica¸cão ou subscri¸cão em um tópico seja disputada entre diversos nós, visto que, em geral os publicadores e subs-critores não possuem conhecimento da existência uns dos outros. Cada tópico recebe um nome e qualquer nó pode enviar ou receber mensagens do mesmo (WADA, 2016).

Figura 3.17: Conceitos b´asicos do ROS.

(43)

3.4 ROS 30

O ROS atualmente suporta os protocolos de comunica¸c˜ao TCP/IP e UDP, sendo respectivamente conhecidas como TCPROS e UDPROS, tendo como padr˜ao a primeira alternativa.

Os nós comunicam-se por intermédio do envio de mensagens via tópicos, mensagens estas que são simplesmente uma estrutura de dados, que compreende os campos pré-definidos. O ROS possui grande diversidade no tipo de mensagens como mostrado na Tabela 3.5. Muitos destes tipos de mensagens foram elaborados para aplica¸cões robóticas, permitindo a integra¸cão de diversas áreas, como navega¸cão, geometria, visão, dentre outras (ROMERO, 2014).

Tabela 3.5: Formatos dos tipos de mensagens do ROS. Package Tipo de mensagem Orientadas `as ´areas

std msgs string, bool, int8, int16,_{char, float, MultiArrays Mensagens no formato comum} da programa¸c˜ao;

geometry msgs twist, transform, pose,_point Geometria primitiva como pontos,vetores, posi¸c˜oes ou velocidades;

nav msgs odometry, path,_{occupancyGrid} Mensagens indicadas para a navega¸cão; trajectory msgs JointTrajectory Orienta¸cão para jun¸cão de trajetórias; visualization msgs ImageMarker,_{InteractiveMarker} Utilizadas na camada dealto n´ıvel, como a

ferramenta rviz;

stereo msgs DisparityImage Especificas paraprocessamento stereo, como disparidade de imagens; sensor msgs Image, PointCloud,_LaserScan Definidas para usar emsensores, como cˆamaras,

laser scan, infravermelhos; Fonte: Criado pelo autor.

3.4.2.3 Servi¸cos

O modelo publicador/subscritor de mensagens é um padrão de comunica¸cão muito flex´ıvel, porem sua grande quantidade de trocas de mensagens não é apropriada para requisi¸cões do tipo RPC, ou intera¸cões do tipo requisi¸cão/resposta que são geralmente solicitadas em sistemas distribu´ıdos, tendo em vista, que os nós são destinados à trans-missão unidirecional de dados (CONLEY, 2012). Neste caso as requisi¸cões e respostas são feitas através de servi¸cos que são definidos por um par de estruturas de mensagens: uma para a requisi¸cão e outra para resposta.

(44)

3.4 ROS 31

Um nó disponibiliza um servi¸co que é identificado por um nome especifico e outro nó cliente usa o servi¸co por meio de mensagem de requisi¸cão e aguarda a resposta (CONLEY, 2012).

As bolsas (bags) são um formato de arquivos do ROS (.bag), que servem para salvar e recuperar dados obtidos a partir de mensagens. Através desses arquivos que torna-se poss´ıvel o armazenamento de dados, por exemplo provenientes de sensores, possibili-tando a verifica¸cão de algoritmos sem a necessidade de repetidas execu¸cões na prática (ROMERO, 2014).

3.4.2.4 Servi¸cos de Parˆametro

O servidor de parâmetro do ROS permite que os nodos possam armazenar e recuperar parâmetros durante a sua execu¸cão. Ele foi desenvolvido para que as ferramentas do ROS possam inspecionar o estado de configura¸cão do sistema, modificando-o se necessário (THOMAS, 2013).

3.4.2.5 ROS Mestre

O ROS Mestre (Master) tem como principal fun¸cão fornecer as informa¸cões necessárias para que os nós possam se comunicar. Quando um nó aparece no sistema, o Master providencia os dados necessários para que este nó possa formar uma liga¸cão peer-to-peer com os restantes nós que publicam e subscrevem os mesmos tópicos.

3.4.3 N´ıvel de Comunidade

O ROS possui alguns recursos que auxiliam comunidades distintas a troca de software e conhecimento (ROMERO, 2014). Podemos destacar os seguintes recursos:

• Wiki do ROS: Principal fórum onde se encontra informa¸cões sobre o ROS como documenta¸cão e tutoriais;

• Repositórios: O ROS possui uma rede federada de repositórios de códigos onde diferentes institui¸cões de ensino lan¸cam seus próprios componentes de software de robôs;

• ROS Answers: Site onde qualquer pessoa pode se cadastrar para realizar perguntas e encontrar respostas acerca do ROS;

• Distribui¸cões: O ROS possui diversas versões, que podem vir a ser instalada no computador. Estas versões desempenham um papel semelhante ao das distribui¸cões linux.

3.4.4 Revis˜ao Bibliogr´afica-ROS

Em (OLIVEIRA et al., 2013) podemos verificar diferentes funcionalidades e aplica¸c˜oes da plataforma ROS. Neste caso foi apresentado um sistema de trajet´oria para o controle de