Edição 21, volume 1, artigo nº 9, Abril/Junho 2012 D.O.I: http://dx.doi.org/10.6020/1679-9844/2109
www.interscienceplace.org - Página 160 de 196
DESENVOLVIMENTO DE UM SISTEMA DE CONTROLE
NEURAL PARA AUTÓMATOS MÓVEIS
Annabell Del Real Tamariz1, Francisco Alves de Freitas Neto2, Fermin Alfredo Tang Montané3
1
Universidade Estadual do Norte Fluminense Laboratório de Ciências Matemáticas/Centro de Ciência e Tecnologia, Campos dos Goytacazes, Rio de Janeiro, Brasil, annabell;tang@uenf.br.
2
Instituto Federal de Educação, Ciência e Tecnologia Fluminense - Campus Bom Jesus do Itabapoana, Rio de Janeiro, Brasil,: kiko@iff.edu.br
3
Universidade Estadual do Norte Fluminense Laboratório de Ciências Matemáticas/Centro de Ciência e Tecnologia, Campos dos Goytacazes, Rio de Janeiro, Brasil, tang@uenf.br
Resumo – Este artigo apresenta um trabalho de pesquisa na área de
controle, onde foi desenvolvido um sistema de controle inteligente com uma arquitetura híbrida, implementado num robô-autômato móvel, para tomada de decisão em otimização de rotas e deslocamento, utilizando Redes Neurais Artificiais do tipo Hopfield. Sua relevância se deve a vocação que as Redes Neurais, em especial as recorrentes, possuem ao tratar processos de otimização em poucos ciclos computacionais e a sua simplicidade para a implementação em hardware, o que justifica a sua utilização em robôs-autômatos móveis. Finalmente serão apresentados os resultados experimentais obtidos descrevendo o sucesso do controle do robô e da qualidade de suas decisões durante o percurso de deslocamento.
Palavras-chave: Robótica Móvel, Redes Neurais Artificiais Hopfield,
Sistema de Controle, Arquitetura Híbrida.
Abstract – This paper presents a research work in the control area, we
developed an intelligent control system with hybrid architecture, implemented in a mobile automaton-robot, for decision-making in route and movement optimization, using Hopfield´s Artificial Neural Networks. Its relevance is due to the vocation of Neural Networks, in particular the recurrents, to deal with optimization processes in a few computational cycles and its simplicity for hardware implementation, which justifies its use in mobile automaton-robots. Finally we present the experimental results obtained describing the successful control of the robot and the quality of its decisions during the course of its movements.
KeyWords: Mobile Robotics, Hopfield Artificial Neural Networks, Control
System, Hybrid architecture.
www.interscienceplace.org - Página 161 de 196
1. Introdução
Uma das questões mais caras à imaginação inventiva do ser humano é a exploração dos limites homem-máquina e máquina-homem. No centro desta questão se encontram a proposta da inteligência artificial (IA), as questões da robótica e o mito do androide, problemáticas estas prefiguradas desde a antiguidade pelo mito do autômato (vide a Ilíada de Homero). Com o rápido desenvolvimento da tecnologia na modernidade este se apresenta sobre o aspecto da complexidade da robótica. O nome robô vem do tcheco robota, significando, trabalho forçado, ou escravo. A robótica é a área dedicada ao desenvolvimento de dispositivos que realizam tarefas onde a presença humana se torna difícil, arriscada e até mesmo impossível. A robótica móvel corresponde à linha de pesquisa que se concentra no estudo da forma de locomoção de veículos autônomos e semiautônomos.
O conceito de robôs autônomos ou semiautônomos implica que tais dispositivos apresentem capacidade de operar no mundo real com certo um nível de independência. Os robôs devem possuir características tais como: poder de decisão, capacidade de se adaptar a mudanças de ambiente, e capacidade de aprendizagem a partir da experiência. As técnicas de IA são utilizadas com essa finalidade, destacando-se em particular as técnicas de controle inteligente conhecidas como Redes Neurais Artificiais (RNAs) e Lógica Nebulosa.
O Brasil apresenta alguns estudos (MEZENCIO, 2002; VASCONCELOS, 2007; DE LA ROCA, 2008) referentes a novas técnicas na área de robótica. É pertinente afirmar que essa área deve ser tratada como estratégica no domínio tecnológico pretendido por qualquer país atualmente. As áreas de utilização dessa tecnologia se estendem desde nanotecnologia até aplicações para otimização de colheitas e plantações. Carros autoguiados, aviões automáticos, mini-robôs exploradores, nano-robôs para tratamento de doenças, nano-robôs para conserto de dutos, assim como para avaliação e reparo de estruturas variáveis, são alguns exemplos de aplicação.
Um número maior de universidades e centros de pesquisas nacionais aposta no incentivo estratégico dessa área como forma de aquisição tecnológica. Tais
www.interscienceplace.org - Página 162 de 196 incentivos são objetivados com base em duas perspectivas. A primeira é alavancar e suportar o crescimento do parque produtivo brasileiro nos anos vindouros, aonde o ambiente competitivo força a reformulação de antigas técnicas de produção em detrimento a técnicas mais modernas, e a segunda é a inserção de novos modelos de ações em áreas que a presença humana se torna uma agressão ao conceito de preservação da vida.
Apesar do aumento de incentivos, o Brasil ainda se apresenta em um estágio bastante atrasado em comparação com seus parceiros desenvolvidos, suscitando a premente necessidade de ampliar os esforços para a aquisição de tais conhecimentos.
Este trabalho apresenta os resultados de um sistema de controle inteligente híbrido para um autômato móvel construí-do para atuar sobre uma plataforma plana simulando um ambiente controlado de deslocamento. Para este experimento, utilizou-se uma plataforma composta por uma matriz de pontos (vide Figura 1), onde alguns destes pontos são selecionados para caracterizar objetivos de deslocamento do autômato. Como restrição, o robô somente pode se deslocar sobre as trilhas que unem os pontos, desta forma foi possível simular um ambiente de caminhos que se interconectam.
Figura 1: Representação da Matriz de Pontos
A relevância desta pesquisa reside na capacidade de criarem-se autômatos móveis para tarefas gerais em ambientes pré-formatados. Dentre as possíveis aplicações futuras desta pesquisa, pode-se destacar: O deslocamento de robôs de transporte em autovias, robôs de limpeza de oleodutos, controle automático de tráfego de trens, ou qualquer outra atividade onde se necessitem de robôs
www.interscienceplace.org - Página 163 de 196 autômatos capazes de se deslocar de forma otimizada em ambientes de deslocamento pré-definidos (ARAÚJO, 2006; FIGUEIREDO, 2004).
2. ARQUITETURA DO ROBÔ
O sistema de controle inteligente, desenvolvido no presente trabalho, possui uma arquitetura híbrida, constituída pela união de dois componentes fundamentais: o componente Deliberativo ou Hierárquico (BOTELHO, 2003), e o componente de Subsunção ou Reativo (BROOKS, 1986; NILSSON, 1969). No protótipo proposto, o componente deliberativo é do tipo não embarcado enquanto o componente reativo encontra-se lotado em um microcontrolador embutido no próprio robô. O componente deliberativo analisa o ambiente e define as ações a serem desenvolvidas pelo robô; já o componente reativo toma conta da execução dessas ações tomando decisões de mais baixo nível, como manter a rota escolhida e preservação do autômato.
A arquitetura híbrida adotada encontra-se representada na Figura 2. Observa-se que existem dois componentes principais: Hierárquico e Reativo, cujo funcionamento e interação serão descrito em detalhes.
www.interscienceplace.org - Página 164 de 196 Com base na Figura 2, observa-se o sistema de controle se inicia na camada
Planejador da Missão, onde existe uma representação do ambiente e permite-se a
interação com o usuário para a definição das metas e as restrições que robô deverá atender durante o processo de deslocamento. Em seguida, o Raciocinador
Espacial define a rota a ser percorrida com base na otimização do gasto energético
de deslocamento. A rota otimizada é enviada ao Sequenciador de Plano, que cria a sequência de ações que será executada e envia essa sequência à componente reativa. Neste ponto o Controlador de Esquemas monitora os comportamentos do robô, através de uma biblioteca comportamental pré-definida, em função das instruções deliberativas e do quadro de instância apresentado pelos seus sensores. O módulo reativo deve responder da melhor forma possível, caso ocorra impedimento de execução da instrução deliberativa, garantindo assim a integridade do sistema e impedindo que a persistência do erro acarrete na impossibilidade da execução da missão designada.
Esta característica híbrida de modelo de arquitetura, ficou comumente conhecida como arquitetura AuRA (PIERI, 2002), e pode ser considerada como um planejador altamente modular. As partes envolvidas deste planejamento podem ser prontamente substituídas por outras sem o comprometimento do sistema de controle geral. É importante ressaltar que este paradigma apresenta dois conceitos fundamentais da automação móvel: A Deliberação (NILSSON, 1969) e a Reação (BROOKS, 1986).
3. TRATAMENTO NEURAL PARA A RESOLUÇÃO DE ROTAS
Nesta seção descrevem-se as características do ambiente de deslocamento adotado para os experimentos de controle inteligente do autômato móvel, assim como a representação do problema de cálculo de rotas ótimas mediante redes neurais.
Considera-se que o autômato móvel precisa deslocar-se a partir de uma base visitando um conjunto de pontos pré-definidos e retornando a base no final do percurso. O ambiente no qual o autômato pode-se deslocar é pré-formatado, semelhante a uma matriz de pontos, na qual somente são possíveis movimentos na horizontal ou na vertical. A Figura 3(a) mostra a representação de um ambiente de
www.interscienceplace.org - Página 165 de 196 deslocamento para o robô com 20 pontos de deslocamento. No exemplo, o robô tem como base o ponto 11 e como objetivo a visita de 3 pontos pré-definidos, pontos 6, 13, 18. Observa-se que existem diferentes deslocamentos possíveis entre cada par de pontos, por exemplo, na Figura 3(a), as rotas 11-7-3-2-6 e 11-7-6 são rotas alternativas. Deve-se escolher um caminho com o menor custo em centímetros, ou seja, menor distancia total percorrida. A distância entre cada par de pontos na grade de deslocamento é conhecida, o que permite calcular o conjunto rotas, com menor custo, entre os pontos pré-definidos (inclusive a base) (ver Figura 3(b)).
1 5 2 6 3 7 4 8 9 10 11 12 13 14 15 16 17 18 19 20 1 5 2 6 3 7 4 8 9 10 11 12 13 14 15 16 17 18 19 20 70cm 105cm 70cm 105cm 105cm 105cm (a) (b) j Ponto de Partida/Chegada k Ponto de Visita
i Ponto da matriz de deslocamentos
Figura 3: Exemplo de um ambiente de deslocamento para o robô
Para solucionar este problema combinatório, foi adotado um tratamento neural recorrente, conhecido como RNA- Holpfield (HAYKIN, 1994), vide Figura 4.
www.interscienceplace.org - Página 166 de 196
Figura 4: Representação de uma Rede Neural Hopfield
Na rede neural, utiliza-se um neurônio para cada ponto de visita pré-definido na grade, enquanto que os pesos de cada neurônio serão calculados com base na teoria descrita posteriormente.
No modelo neural da Figura 4, a saída yi, de cada neurônio, aqui representado
por círculos, está ligada ás entradas de todos os demais, e se esta ligação for simétrica, isto é, se os pesos do neurônio i ao neurônio j fossem iguais aos pesos do
neurônio j ao neurônio i, leia-se wij= wji, sendo i, j = 1, ... ,N, onde N é o numero de
neurônios da rede, temos uma RN Hopfield que converge a uma estabilidade garantida (HOPFIELD, 1985). Portanto, pode-se concluir que as redes neurais Hopfield trabalham com pesos de conexões previamente estabelecidos, que estão diretamente relacionados com a aplicação envolvida. Este estabelecimento de pesos é confirmado, pois segundo (HAYKIN, 1994), este modelo não apresenta uma fase de treinamento supervisionado.
Esta construção levanta algumas questões, pois este modelo altamente recorrente determina que qualquer alteração em uma das saídas repercute-se nas entradas dos demais neurônios. Podemos concluir que a evolução deste quadro pode acarretar a duas questões definitivas: ou a rede encontra um estado de equilíbrio ou diverge de forma indefinida. Caso esta última situação ocorra, este modelo neural será de pouca utilidade.
www.interscienceplace.org - Página 167 de 196
4. REDES HOPFIELD CONTÍNUAS
As Redes Neurais Hopfield (RN Hopfield) quando comparadas com as Redes Binárias, apresentam uma sensível diferença por tratar-se de uma ativação não discreta (sigmóide). Por esta razão, os valores de saída não apresentam resultados discretos, mas sim uma variação contínua entre 0 e 1. Em termos práticos, as aplicações das Redes Contínuas são diferentes das Discretas. Enquanto as discretas têm a função de endereçamento de memória baseado no conteúdo, as contínuas são basicamente utilizadas para a resolução de problemas de otimização combinatória. O fator que leva ao seu uso para esta finalidade está no alto grau de paralelismo inerente desta estrutura. Isto permite um alto desempenho quando comparados com algoritmos sequenciais (HOPFIELD, 1982).
Em (HOPFIELD, 1985), define-se uma RN Hopfield Contínua como se fosse um sistema de equações diferenciais não lineares. A progressão dos cálculos envolvidos resulta em uma equação energética (vide Equação 1) do sistema a ser minimizada ao longo das iterações:
N i N j N j x N j j j j j j i ji j x I dx x R x x E 1 1 1 0 1 1 ) ( 1 2 1
(1)Hopfield e Tank demonstraram que este sistema neural sempre converge desde que sejam respeitadas as condições iniciais descritas anteriormente, independentemente dos valores iniciais propostos. Porem não existe garantias de que o valor otimizado obtido corresponda ao mínimo global, normalmente o que se obtém são mínimos locais que dependem dos valores iniciais. No mesmo artigo, ainda demonstrou-se, que um modelo bem equacionado sempre apresentará um mínimo global dentre os muitos mínimos locais alcançados (HOPFIELD, 1985).
A grande questão, e um dos principais problemas desenvolvidos neste trabalho, é a determinação dos pesos neurais para efetuar os cálculos de otimização. Enquanto nos processos de reconhecimento de padrões os pontos de estabilidade são coincidentes com os próprios padrões que determinam os pesos de conexões, a otimização necessita determinar estes valores sem conhecer o destino da convergência, pois este é o próprio valor buscado (valor ótimo). A falta de um método rigoroso faz com que sejam utilizados recursos heurísticos ou até mesmo
www.interscienceplace.org - Página 168 de 196 estocásticos para esta determinação. Apesar das dificuldades, Redes Neurais altamente recorrentes são capazes de otimizar problemas combinatórios (HOPFIELD, 1985). Em particular, o uso de RN Hopfield Contínuas tem sido utilizada com grande sucesso devido à qualidade de suas respostas e principalmente devido a sua velocidade de convergência (HAYKIN, 1994). De fato, qualquer função objetiva quadrática pode ser reescrita de acordo com a equação energética da rede neural Hopfield, Equação1.
5. METODOLOGIA
Para solução deste problema utilizando uma RN Hopfield, as unidades neurais foram organizadas em uma matriz bidimensional de n x n, onde n corresponde ao número de pontos a serem visitados pelo robô móvel. A representação da rede neural adotada no caso de estudo é mostrada na Figura 5. No exemplo da Figura, destacam-se em azul as entradas do neurônio Xi. Mostra-se em vermelho a
retroalimentação, em particular a sinapse entre o neurônio Xi e Yj.
y
11y
12y
Xiy
44w
Xi,Yj
y
Yj
Figura 5 Representação Rede Neural Adotada
A Tabela 1 ilustra com um exemplo a representação de uma saída neural no caso de n=4 pontos de visitação. Cada linha da matriz representa um ponto selecionado a ser visitado e cada coluna representa a ordem de visitação de cada ponto.
www.interscienceplace.org - Página 169 de 196 Ponto 1° 2° 3° 4° 1 * 2 * 3 * 4 *
Tabela 1: Representação de uma saída neural otimizada
Portanto para que a solução neural seja útil é necessário que sua saída corresponda a uma matriz onde só ocorra ativação neural em um neurônio de cada linha, (cada ponto só pode ser visitado uma vez), e um neurônio por coluna, (só pode haver um ponto visitado por vez). Assim a ativação de um neurônio da linha x na j-ésima coluna, corresponde à visitação deste ponto x após j-1 pontos serem visitados.
Podemos generalizar o problema de determinar o percurso de menor custo afirmando que é equivalente à minimização das distâncias entre os pontos. Com base nesta afirmação, adota-se a função de pesos proposta por Hopfield e Tank (HOPFIELD, 1985), para calcular os pesos de conexão entre os neurônios.
j i se j i se onde Dd C B A ij i j i j XY XY ij ij XY Yj Xi 0 1 : ) ( ) 1 ( ) 1 ( ,1 ,1 ,
(2)Na equação 2, XiYj, corresponde ao peso da sinapse do neurônio da linha Y,
coluna j para o neurônio da linha X com a coluna i. O símbolo ij, representa a
função de Kronecker (MACHADO, 1999). O símbolo dXY representa a distância entre
os pontos Y e X. Os valores A, B, C e D são constantes positivas usados como parâmetros para ajustar a rede. Observa-se que algumas componentes da equação (2), serão eliminadas caso referenciem neurônios na mesma linha ou coluna.
Vale observar que existe outro caminho equivalente obtido ao percorrer o caminho resultante no sentido inverso, porem, este caminho será desconsiderado, já que implica em cálculos desnecessários.
Se o cálculo for bem sucedido a rede deverá convergir para um resultado final onde só existirá uma linha ativada e apenas uma coluna ativada para cada solução neural, representando assim uma solução viável para o problema combinatório. Se
www.interscienceplace.org - Página 170 de 196 ainda, os ajustes dos parâmetros A, B, C, e D, estiverem corretos a saída deverá representar uma solução heurística de boa qualidade próxima do percurso de custo mínimo entre os pontos considerados.
O maior desafio no uso de otimização combinatória com Redes Neurais Recorrentes é a determinação dos parâmetros A, B, C, e D da equação dos pesos neurais desenvolvida por Hopfield e Tank, vide Equação (2). Para a determinação destas constantes, aplicou-se um método empírico, pois apesar do esforço de Matsuda (KONISHI, 2001), de encontrar um modelo formal para a determinação destas constantes, não foram obtidos resultados qualitativos aplicando seu método.
De fato, a tarefa para determinação dos valores dos parâmetros da equação energética neural mostrou-se bastante árdua mesmo para um número reduzido de pontos. Porem o seu uso justifica-se quando se trata de sistemas de tempo real, pois a velocidade de convergência é relativamente alta quando comparadas com outros métodos inexatos. Outro fator importante para seu uso em sistemas robóticos-autômatos móveis está no alto poder de paralelismo inferido nestes sistemas, o que facilmente permite uma migração para outras soluções em hardware em detrimento do consumo de recursos computacionais processados.
6. RESULTADOS EXPERIMENTAIS
Os resultados experimentais confirmaram as expectativas como sendo uma plataforma factível capaz de solucionar as necessidades de locomoção do robô-autômato móvel, para o problema proposto especifico, com alto desempenho. A Figura 6 apresenta o protótipo denominado R3.
www.interscienceplace.org - Página 171 de 196
Figura 6: Vista frontal do protótipo R3
Para melhor detalhar o funcionamento do sistema deliberativo da arquitetura híbrida adotada, podemos observar os módulos desenvolvidos:
Modelo Ambiental: Foi necessária a descrição da matriz de deslocamento. Este ponto é fundamental para a correta tomada de decisão quanto à rota, bem como ferramenta fundamental de acompanhamento do deslocamento do autômato, Figura 7.
Figura 7: Matriz de Deslocamento
Seleção de Pontos: Para maior imparcialidade quanto ao teste, demonstrando a sua capacidade de percorrer qualquer conjunto de pontos do ambiente, um gerador estocástico de pontos foi desenvolvido onde 5, dos 24 pontos da matriz são selecionados para a visitação. O aplicativo é capaz de montar uma matriz de custo de deslocamento, entre os pontos determinados. Estas distâncias, juntamente com os fatores A, B, C, D, da Equação (2), são fundamentais para a determinação dos pesos neurais. Na Figura 8 apresentam-se os valores destas constantes obtidos após sucessivos testes.
Figura 8: Valores dos parâmetros A,B,C,D obtidos.
Otimizador de Rotas: Este certamente é o núcleo de todo o projeto, pois utiliza recursos de “Inteligência Artificial” para minimizar o caminho a ser percorrido pelo robô dentro de seu ambiente de deslocamento atendendo
www.interscienceplace.org - Página 172 de 196 a visitação dos pontos determinados pelo módulo de “Seleção de Pontos”. A determinação da condição inicial da entrada neural é fundamental para a convergência da rede no mínimo energético global da rede Hopfield (HAYKIN, 1994). Esta determinação foi obtida por geração estocástica, variando continuamente os valores entre 0(zero) e 1(um). Este ponto é também crucial para o cálculo de uma rota de qualidade: diferentes entradas podem trazer diferentes mínimos locais. Para tentar obter uma qualidade superior às respostas, o sistema deliberativo gera otimizações diferentes para diversas entradas, acumulando sempre o melhor resultado obtido.
Figura 9: Representação da convergência neural em função dos padrões estocásticos iniciais
A Figura 9 apresenta um gráfico para análise dos resultados, baseado no problema proposto pela Figura 7. Neste estão dispostos os custos onde ocorreram à convergência em função dos valores de instâncias das entradas neurais iniciais. Neste exemplo, podemos encontrar claramente a presença de 3, grupos de convergência. O primeiro obteve valores de custo superiores a 2, considerados os piores resultados de otimização. O segundo grupo obteve valores de custo intermediários com valores entre 1 e 1,5. Neste caso pode-se verificar que este representa a maioria das convergências. Atribui-se a este, o fato da imprecisão da escolha dos parâmetros A, B, C, D da Equação (2), e pela possibilidade de ocorrência de pontos de convergência indesejáveis, naturais de redes Hopfield
www.interscienceplace.org - Página 173 de 196 (HAYKIN, 1994). Finalmente podem-se observar os valores de convergência em torno de 0.5. Estes sim, ótimos resultados do problema. Neste caso ainda está clara a existência de uma grande quantidade de pontos de convergência para um grande grupo de condições neurais iniciais.
A Figura 10 mostra ainda que com uma seleção aleatória de condições iniciais, rapidamente a rede converge para o mínimo global se o ponto de energia mínima global corresponder a uma grande quantidade de valores neurais iniciais.
Figura 10: Gráfico do valor de convergência neural em função do número de gerações de padrões iniciais
A Figura 11 mostra o resultado plotado na interface da aplicação. Verifica-se neste exemplo, que os resultados qualitativos são de boa qualidade.
www.interscienceplace.org - Página 174 de 196 Sequenciador de Instruções: Uma vez definido a ordem de visitação dos pontos com o menor custo de deslocamento, é fundamental que o sistema deliberativo gere uma sequencia de instruções para que o autômato percorra o caminho necessário até atingi-los. A transmissão desta sequencia até o autômato está vinculada com a percepção da chegada em cada estágio intermediário: o robô deve completar uma instrução antes de receber outra.
Como descrito anteriormente, faz parte das restrições do problema que o robô só percorra o caminho sobre as linhas que unem os pontos de uma matriz. Por este motivo, o algoritmo visa minimizar o número de
movimentos enviados para o autômato. Esta otimização foi
particularmente facilitada pelas equidistâncias dos pontos do modelo ambiental, pois nestas condições, o trabalho se reduz a uma minimização de instruções de rotações. Uma decomposição da trajetória inicial em retas sobrepostas às ligações dos pontos da matriz foi suficiente para obtenção de resultados satisfatórios, vide Figura 12.
www.interscienceplace.org - Página 175 de 196 Tradutor de Comandos: O sistema embarcado do autômato está baseado em um micro-controlador. Os dados recebidos por ele (instruções do deliberativo) devem ser traduzidos para uma sinalização de baixo nível apropriadamente codificada para a transmissão de rádio.
O ponto mais importante deste modelo é que a existência de uma abordagem híbrida tornou claramente mais simples o desenvolvimento deliberativo do sistema de controle. Deve ficar claro que o deliberativo é incapaz de detalhar todas as manobras efetuadas pelo robô, ele simplesmente aguarda a completude do movimento. Todos os procedimentos intermediários de deslocamento são de responsabilidade da subsunção.
Desta forma podemos concluir que as principais características do sistema deliberativo são:
Representação do modelo ambiental de R3;
Uso de RN Hopfield contínua como otimizador de rotas;
Capacidade de criar rotas sobre as linhas da matriz de pontos (necessidade para os sensores do R3);
7. CONCLUSÕES
Com base nos objetivos iniciais, de se criar um sistema de controle para um autômato móvel que fosse capaz de se deslocar em um ambiente controlado. Pode-se obPode-servar que os resultados obtidos com a abordagem neural foram bastante satisfatórios. A construção do protótipo e o desenvolvimento de seu sistema de controle usando uma abordagem RN-Hopfield, não só atingiram os objetivos iniciais, como também apresentaram grande fluidez na coordenação dos atuadores do robô. Outra questão que se pode observar foi a importância da adoção de métodos de alto desempenho para controle de robôs autônomos através de sistemas altamente conexionistas, como a Rede Hopfield, que além de apresentar alto desempenho na convergência, também apresentam característica de migração para sua implementação puramente em hardware, apesar das dificuldades de se obter os valores dos parâmetros (A, B, C, D), Equação (2). Deve-se lembrar que a robótica móvel sempre está envolvida com sistemas de alto desempenho,
www.interscienceplace.org - Página 176 de 196 principalmente tratando-se de robôs autômatos onde toda a reatividade as adversidades devem partir de seu sistema de controle.
Alem das otimizações neurais, as demais etapas de seu sistema de controle, também foram eficientes, o autômato demonstrou extrema capacidade de recuperação e cumprimento da rota mesmo em situações bem adversas.
A abordagem clássica híbrida e a divisão das etapas de seu sistema de controle, também influenciaram bastante na alta performance e adaptabilidade do robô, principalmente devido modularização que estas apresentam.
Cabe aqui ressaltar que a adoção de novos sensores e de novos atuadores viabiliza adaptações deste modelo de controle para execução de tarefas em ambientes diversos com um amplo número de possíveis aplicações em áreas tais como indústria, automação de escritórios, auxilio a deficientes físicos ou idosos. Por exemplo, a adoção de sonares e ajustes no modelo reativo, poderia levar o autômato para fora de sua plataforma de deslocamento, podendo habitar corredores ou até mesmo, dutos de transporte de materiais.
Este trabalho fez parte da dissertação de mestrado de um dos autores e atualmente é tema de pesquisa em iniciação científica de alunos do curso de ciência da computação da UENF e de estágio de estudantes do Instituto Federal Fluminense em Campos dos Goytacazes.
Referências Bibliográficas
ARAÚJO, S. A. Navegação Autônoma de Robôs. In: Anais do XXII Simpósio Brasileiro de Telecomunicações. 2006.
BOTELHO, S. Construindo Robôs Autônomos Holonômicos para Jogar Futebol. Lab. de I.A. – FURG. Rio Grande do Sul. 2003.
BENINI FABRICIU ALARCÃO VEIGA. Rede Neural Recorrente com Pertubação Simultânea aplicada no problema do Caixeiro Viajante. Dissertação de Mestrado. Escola de Engenharia de São Carlos, USP. 2008.
BROOKS, R. A robust layered control system for a mobile robot. IEEE Journal of Robotics and Automation. 1986.
www.interscienceplace.org - Página 177 de 196 DE LA ROCA , R. F. Você conhece a cirurgia robótica em urologia?. Disponível
em: http://www.minhavida.com.br/especialistas/colunas/53-ricardo-la-roca.htm. Acessado
em Abril 2012. 2008.
FIGUEIREDO, L. Introdução ao Controle de Sistemas não Holonômicos. SBA Controle & Automação. Vol.15. 2004.
HAYKIN, S. Neural Networks - A Comprehensive Foundation. Macmillan College Publishing Company, Inc. 1994.
HOPFIELD, J. .; TANK, D.W. Neural Computation of Decisions in Optimization Problems. Biological Cybernetics. Vol.52, pp.141-152. 1985.
HOPFIELD, J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. In: Proceedings of the National Academy of Sciences of the U.S.A. 1982.
KONISHI, J. Tabu Search for solving optimization problems on Hopfield Neural Networks. Japão: Division of Systems and Information Engineering, Graduate School of Engineering, Hokkaido University. 2001.
MACHADO, A. Aplicação da Rede de Hopfield no encaminhamento em redes de dados. Departamento de Engenharia Informática. Faculdade de Ciências e Tecnologia. Universidade de Coimbra. 1999.
NILSSON, N. A mobile automaton: An application of intelligence techniques. In: Proceedings of the 1st. International Joint Conference on Artificial Intelligence. 1969.
PIERI, E. Curso de Robóica Móvel. Universidade Federal de Santa Catarina - UFSC, 2002.
MEZENCIO, R. Implementação do método de campos potenciais para navegação de robôs móveis baseadas em computação reconfigurável. Dissertação de Mestrado,Universidade de São Paulo, Agosto, 2002.
TOURINO, S. R. G. Guiagem do robô móvel xr4000 para inspeção via internet de tubulações industriais soldadas. Universidade de Brasília, junho, 2000.
VASCONCELOS, L. Ciências sem fronteiras. Revista Desafios do desenvolvimento, 2007.
