Anda di halaman 1dari 5

Autmatos Adaptativos Aplicados em

Automao e Robtica (A4R)


A. R. Hirakawa, A. M. Saraiva, C. E. Cugnasca

sua configurao inicial frente a estmulos externos. Essa


Resumo Este artigo apresenta o contexto das pesquisas alterao em sua configurao interna produz uma mudana
realizadas com o uso da teoria dos Autmatos de seu comportamento, possibilitando o seu uso para a
Adaptativos (AAs) nos equipamentos, processos e sistemas representao de ambientes explorados por robs, para a
robticos. A capacidade de generalizao e adaptao de
comportamento do AA possibilita a sua aplicao no processo de
representao de objetos e formas, para a classificao e a
modelagem, identificao, classificao e tomada de deciso tomada de deciso no processamento das informaes dos
semelhante s lgicas convencionais, como a Lgica Nebulosa e a sensores.
Rede Neural. Como exemplos concretos da aplicao do AA, so O captulo II apresenta o conceito do AA, o captulo III
apresentadas as pesquisas do uso do AA no reconhecimento de apresenta a aplicao do AA no reconhecimento de padres e
formas e na construo de mapas hbridos para navegao de o captulo IV, o uso do AA no processo de mapeamento e
robs.
navegao robtica.
Palavras-chave robtica, Autmatos Adaptativos,
reconhecimento de formas, mapas. II. AUTMATO ADAPTATIVO
O AA estende o conceito de Autmato Finito incorporando
a caracterstica de desenvolver uma auto-reconfigurao em
I. INTRODUO resposta a um estmulo externo. Como resultado, seu

A Robtica a rea de pesquisa do conhecimento cientfico


que apresenta vasta gama de conhecimentos envolvidos e
tecnologias aplicadas. Os diversos tipos de aplicaes,
comportamento se modifica de acordo com o conjunto de
informao. demonstrado em [1] que o AA tem a mesma
capacidade computacional da Mquina de Turing. A figura 1
estruturas (veculos, braos, complexos) e funcionamentos mostra a representao grfica do AA.
dos robs requerem estudos voltados para os sistemas de
a
locomoo [8]-[10], instrumentao e localizao [4], [5], e e'
B. , .A
controle e planejamento da ao [2], [3], [6], de forma a
atender as necessidades fim a fim de cada rob. Fig. 1. Autmato Adaptativo.
Para a robtica, as lgicas computacionais podem ser de
grande utilidade em todos os subsistemas envolvidos no rob, Onde:
e: estado antes da transio;
uma vez que possibilita a representao de algum
e: estado aps a transio;
conhecimento e a sua introduo no sistema robtico. Apesar
a: entrada;
disso, a grande contribuio das lgicas computacionais se d
B: ao adaptativa aplicada antes da transio;
mesmo no subsistema de controle do rob, que requer muitas A: ao adaptativa aplicada aps a transio
vezes a incluso de alguma tomada de deciso ou inteligncia
artificial [21]-[23]. Trs diferentes aes adaptativas elementares so
Nesse contexto, este trabalho apresenta a utilizao do permitidas: inspeo busca do conjunto de estados para uma
formalismo adaptativo denominado Autmato Adaptativo dada transio ; eliminao eliminao de uma transio ;
(AA), proposto por [1]. Os AAs representam uma ferramenta e insero adiciona uma nova transio.
confivel para modelagem de ambientes fsicos, uma vez que
possuem poder computacional equivalente Mquina de III. RECONHECIMENTO DE PADRES
Turing. Os AAs possuem tambm a caracterstica de alterar
A. O processo de reconhecimento de padres
A. R. Hirakawa membro do Laboratrio de Automao Agrcola do O objetivo do reconhecimento de padres ou classificao
Departamento de Engenharia de Computao da Escola Politcnica da distinguir entre diferentes tipos de padres estabelecidos
Universidade de So Paulo.(Phone: 3091-5271; andre.hirakawa@poli.usp.br)
A. M. Saraiva membro do Laboratrio de Automao Agrcola do inicialmente. O processo como um todo envolve a informao
Departamento de Engenharia de Computao da Escola Politcnica da proveniente do sensor at a classificao e pode ser descrito
Universidade de So Paulo. como segue:
C. E. Cugnasca membro do Laboratrio de Automao Agrcola do
Departamento de Engenharia de Computao da Escola Politcnica da Sensor quando se pensa em reconhecimento de
Universidade de So Paulo. padres, pensamos somente em viso computacional,
mas podemos ter outros tipos de aquisies e, dependente de contexto, reconhecida originalmente somente
conseqentemente, outros tipos de sensores, como por por uma mquina de Turing. Como outro exemplo, a Figura 4
exemplo, ultra-sons, infravermelhos, etc. apresenta a imagem de um tringulo binarizada.
Pr-processamento e melhoramento no pr- 0 0 0 0 0 0 0 0 0 0
processamento, a entrada primeiramente codificada ou 0 0 0 0 0 0 0 0 0 0
aproximada por alguma forma conveniente para depois 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0
ser processada. 0 0 0 0 1 1 0 0 0 0
Algoritmos de extrao aqui feita a segmentao da 0 0 0 1 0 1 0 0 0 0
0 0 1 1 1 1 0 0 0 0
imagem e a extrao de primitivas. 0 0 0 0 0 0 0 0 0 0
Classificao o processo de reconhecimento 0 0 0 0 0 0 0 0 0 0
propriamente dito, depois de determinado o conjunto de 0 0 0 0 0 0 0 0 0 0
primitivas ou vetores caractersticos para a imagem em Fig. 4. Matriz de pontos binarizados.
questo.
Os tipos de algoritmos de classificao podem ser:
Sintticos como Grafos e gramticas.
Estatsticos como redes de Bayes ou mtodos dos
vizinhos prximos.
Neurais redes neurais de diversos tipos.
B. Reconhecimento Sinttico de Padres
Entre os tipos de algoritmos para classificao e Fig. 5. Primitivas.
reconhecimento de padres, o sinttico se mostra mais
adequado quando se quer um processo gil e sem a Aplicando-se as novas primitivas da figura 5, a cadeia de
necessidade da observao detalhada como realizado pelo caracteres a ser reconhecida pelo AA ser da forma: cnanfn
A figura 6 apresenta o autmato reconhecedor de tringulo,
processo humano. No processo sinttico, os pontos cruciais
juntamente com a ao adaptativa posterior (1), que insere
esto na segmentao, nas primitivas e na gramtica
nova transio e novo estado quando ativada [1].
representativa escolhidas.

C. Autmato Adaptativo para o reconhecimento de


padres
O reconhecimento de padres por meio do AA considera
como dado de entrada uma matriz de pontos binarizados n Fig. 6. Autmato reconhecedor de tringulos.
m. Como exemplo, apresentada uma matriz 10 10 na
figura 2, representando um quadrado. IV. MAPEAMENTO E NAVEGAO ROBTICA
0 0 0 0 0 0 0 0 0 0 A. O Modelo de Informao
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 O modelo de informao proposto como estrutura para o
0 0 0 1 1 1 1 0 0 0
0 0 0 1 0 0 1 0 0 0 mapeamento e navegao robtica apresentado na figura 7.
0 0 0 1 0 0 1 0 0 0
0 0 0 1 1 1 1 0 0 0
0 0 0 0 0 0 0 0 0 0 Sensores
0 0 0 0 0 0 0 0 0 0 Informao auxiliar
0 0 0 0 0 0 0 0 0 0 de sensor, mov. e
Obstculo navegao
Fig. 2. Matriz de pontos binarizados.

Autmato explora/move
Autmato de
mapeamento
Subsistema de navegao

Info. de movimento Informao


adquirida
Fig. 3. Primitivas.
atuador
Considerando-se as primitivas da figura 3 para cada ponto
da matriz binarizada, obtm-se a cadeia: dddaaabbbccc. Fig. 7. Estrutura da informao.
Dessa modo, o reconhecedor de padres baseado em AA deve
aceitar qualquer forma do tipo anbncndn, que uma linguagem
No modelo, o autmato de explorao e movimento recebe
dados provenientes dos sensores e informaes sobre a
vizinhana provenientes do autmato de mapeamento. A sua
sada contm informaes sobre o prximo movimento do
rob para explorar o ambiente. Aps a concluso do processo
de mapeamento, decises sobre distncias so realizadas pelo
subsistema de navegao. O autmato de mapeamento
armazena todas as informaes sobre a presena ou no de
obstculos.
B. Autmato de mapeamento
O autmato de mapeamento proposto tem sua configurao
inicial como um quadrado composto de vrtices formados de
nove estados conectados por arestas que representam o a b
conjunto de transies (Figura 8a). Na figura, o estado central
o estado inicial do autmato e representa o ponto de partida
para o caminho do rob. O comprimento de cada aresta Fig. 9. (a) Exemplo da informao proveniente dos sensores: duas
direes obstrudas e duas livres. (b) Expanso do lado com
representa a distncia coberta pelo tamanho do rob.
movimento para o Norte.
Na figura 8b, o estado marcado por um ponto ( ) utilizado
para representar a posio corrente do rob. Tags especiais A figura 10 mostra o exemplo de um mapa completo com a
(x) so utilizados para identificar cantos e transies especiais representao da informao proveniente dos sensores e aps
para auxiliar no processo de expanso dos lados. a explorao de uma sala em L. O rob finalizou a
explorao no canto direito superior da sala, representado
pelo estado marcado por ponto.

a b

Fig. 8. (a) Autmato de mapeamento. (b) Detalhe dos tags especiais.


Uma vez que o autmato suprido com o conjunto de
dados coletados pelos sensores do rob durante o movimento
de explorao, as quatro transies adjacentes no percorridas
so adequadamente modificadas de acordo com a informao
pertinente.
A informao proveniente dos sensores contm indicaes
Fig. 10. Exemplo do mapeamento de uma sala em L.
sobre a direo norte (N), sul (S), leste (L) e oeste (O) e
suas respectivas condies, que podem ser livres ou ocupadas. Para a representao abstrata do mundo real apresentada na
A figura 9a apresenta um exemplo para a coleo de figura 10, a utilizao do espao de memria computacional
informao composta de quatro dados provenientes dos proporcional rea mapeada e em conjunto com todas as
sensores. transies vazias que formam o retngulo da representao
Na figura, as setas duplas indicam reas no obstrudas abstrata. A relao entre o mapa construdo e o mundo real
(direes S e L) e as linhas em negrito denotam caminhos obtida se o estado inicial do autmato for adotado para
obstrudos (direes N e O). representar a origem do mapa e do mundo real. Dessa forma,
O movimento do rob no ambiente representado pela cada estado ou ponto no mapa conectado a um ponto no
mudana de estado no autmato de mapeamento. Com o ambiente fsico real e cada transio no mapa associada a
prosseguimento do movimento do rob, o lado atual do um deslocamento no mundo real.
autmato de mapeamento expandido na direo do
movimento. Essa expanso realizada adicionando-se uma C. Autmato de Explorao e Movimento
linha ou coluna ao lado atual. A figura 9b mostra o resultado
de um movimento para o Norte, a incluso de uma nova linha Um Autmato Adaptativo empregado para determinar o
e a atualizao das transies. prximo movimento do rob no processo de explorao. Para
tal, esse autmato suprido de um conjunto de quatro
informaes provenientes dos sensores e do conjunto de oito D. Navegao
informaes sobre a vizinhana previamente modelada no Durante o processo de navegao, os Landmarks indicados
mapa, como mostrado na figura 11. pelo autmato de explorao e movimentao so teis para o
Utilizando-se de tais informaes, o rob percorre todo o planejamento da trajetria entre um ponto inicial e um
ambiente em um movimento de ziguezague. objetivo. O sistema determina o caminho entre os Landmarks
O movimento em ziguezague, orientado pelo autmato de antes da navegao e, durante a mesma, deve buscar qual
explorao e movimentao, deve ser adaptado de acordo com Landmark est prximo do ponto inicial e qual est prximo
a particularidade do ambiente detectado e o estgio atual do do ponto final do caminho desejado. O conjunto de
processo de explorao. Para realizar tal adaptao, foram Landmarks forma os objetivos secundrios no processo de
estabelecidas vrias regras de explorao e movimento, uma navegao.
para cada possvel situao. Todos os movimentos so Para realizar o clculo do caminho entre dois estados de
conectados ao estado inicial do autmato de explorao e Landmark no autmato de mapeamento, utilizado um
movimentao por meio de uma transio que pode ser gerador de seqncia. O gerador de seqncia introduzido
modificada de acordo com as informaes dos sensores. no autmato de mapeamento, que configurado para fornecer
Como descrito anteriormente, a alterao das conexes o Landmark inicial e o final. Dessa forma, o caminho aceito
realizada utilizando-se aes adaptativas que podem ser de pelo autmato de mapeamento o caminho entre dois
insero ou eliminao de transies. Landmarks.
As quatro seqncias inicialmente geradas contm cada uma
das quatro direes: N, S, L e O. As prximas seqncias
geradas so extenses das primeiras. Por exemplo, as trs
seqncias geradas pela direo N so: NN, NL e NO. A
figura 13b mostra os estados cobertos pelo exemplo citado (o
tringulo indica os estados alcanados e o estado marcado por
ponto indica o ponto inicial da busca).

a b
Fig. 11. Exemplo de informao extrada do mapa representando
duas transies obstrudas e seis transies livres.
Enquanto o ambiente explorado, o autmato de
explorao e movimentao deve informar ao autmato de
mapeamento alguns estados especiais, denominados de
Landmarks, que devem ser indicados adequadamente no
mapa. Os Landmarks so especialmente teis para o
planejamento da trajetria.
Se um obstculo detectado durante o deslocamento para a Fig. 13. (a) Exemplo de dois estados marcados como Landmarks.
explorao do ambiente, o autmato identifica o estado (b) Espao coberto pela seqncia gerada.
central do espao livre anterior e/ou posterior ao obstculo e
define esses estados como Landmarks. A figura 12 V. CONCLUSO
exemplifica o uso dos Landmarks para um ambiente.
Este artigo apresentou o uso da teoria dos Autmatos
O autmato de mapeamento realiza essa representao
Adaptativos (AAs) como ferramenta de auxlio na resoluo
adicionando adequadamente uma transio para os estados
dos problemas encontrados em robtica. A capacidade de
sinalizados como especiais, que indicam os Landmarks
generalizao do AA se mostra adequada para a representao
existentes.
A figura 13a mostra um exemplo de dois estados prximos concisa de modelos sintticos e a capacidade de adaptao
sinalizados como Landmarks, onde o tag (x) identifica tal extremamente poderosa para a representao de processos
estado. dinmicos e de lgicas computacionais. Testes de
desempenho do AA foram realizados e demonstraram que a
complexidade computacional cresce quase linearmente com o
aumento do nmero de estados envolvidos. Trabalhos futuros
envolvem a utilizao do AA na efetiva atividade de tomada
de deciso, o que requer um aprofundamento e
aprimoramento das aes adaptativas.

REFERNCIAS
Fig. 12. Landmarks utilizados em um ambiente exemplo. [1] R. L. A. Rocha, J. J. Neto, Autmato adaptativo, limites e
complexidade em comparao com mquina de Turing, Proceedings of
the second Congress of Logic Applied to Technology LAPTEC2000,
So Paulo: Faculdade SENAC de Cincias Exatas e Tecnologia, p. 33- [23] A. Kato, T. Murakami, K. Ohnishi, Trajectory Planning and
48, 2001. Environment Recognition for Unknown Environment, International
[2] J. R. A. Jnior, J. J. Neto, A. R. Hirakawa, Adaptive Automata for Workshop on Advanced Motion Control, Slovenia, 2002, pp. 578-582.
Independent Autonomous Navigation in Unknown Environment, [24] G. Schmidt, C. Hofner, An Advanced Planning and Navigation
International Conference on Applied Simulation and Modeling, Alberta, Approach for Autonomous Cleaning Robot Operations, IEEE/RSJ
2000, pp. 317-322. International Conference on Intelligent Robots and Systems, Canada,
[3] A. R. Hirakawa, A. Kawamura, Trajectory Planning of Redundant 1998, pp. 1230-1235.
Manipulators for Minimum Energy Consumption Without Matrix [25] M. A. A. Sousa, A. R. Hirakawa, J.J. Neto, Adaptive Automata for
Inversion, International Congress of Robotics and Automation, IEEE, Mobile Robotic Mapping, Brazilian Symposium on Artificial Neural
1997, New Mexico. Networks, Brasil, 2004.
[4] A. R. Hirakawa, Y. Nakajima, A. Kawamura, A. Yonemura, [26] M. A. A. Sousa, A. R. Hirakawa, J.J. Neto, Adaptive Automata for
Experimental Approach for the Biped Walking Robot MARI-1, 6th Mapping Unknown Environments by Mobile Robots., Ibero-American
International Workshop on Advanced Motion Control (AMC)'2000, Conference On Artificial Intelligence, Lecture Notes in Artificial
IEEE, 2000, Nagoya, pp. 548-553. Intelligence: Advances in Artificial Intelligence, Mexico, 2004, pp. 562-
[5] A. R. Hirakawa, B. E. Garcia, Estudo e Desenvolvimento de um AGV 571.
Aplicado ao Futebol de Robs, 10o. Simpsio Internacional de [27] M. A. A. Sousa, A. R. Hirakawa, Robotic Mapping and Navigation in
Iniciao Cientfica, 2002, So Carlos. Unknown Environments Using Adaptive Automata, International
[6] D. H. Nomiyama, A. R. Hirakawa, L. M. Sato, Parallel Processing Conference on Adaptive and Natural Computing Algorithms, Portugal,
Applied to Robot Manipulator Trajectory Planning, 13th Symposium 2005.
on Computer Architecture and High Performance Computing, 2001, [28] S. Thrun, G. Lakemeyer, B. Nebel, Robotic Mapping: A Survey,
Pirenpolis, pp. 9-16. Exploring Artificial Intelligence in the New Millenium, Morgan
[7] A. R. Hirakawa, J. J. Neto, E. R. Costa, An adaptive Alternative for Kaufmann, USA, 2002, pp. 1-29.
syntactic pattern recognition, Third International Symposium on [29] D. F. Wolf, G. S. Sukhatme, Towards Mapping Dynamic
Robotics and Automation, 2002, Toluca, pp. 409-413. Environments, International Conference on Advanced Robotics,
[8] A. R. Hirakawa, A. M. Saraiva, C. E. Cugnasca, Wireless Robust Portugal, 2003, pp. 594-600.
Robot for Agricultural Applications., World Congress of Computers in [30] U.R. Zimmer, Embedding local metrical map patches in a globally
Agriculture and Natural Resources, 2002, Iguau, v. 1., pp. 414-420. consistent topological map, International Symposium on Underwater
[9] L. C. Cunha, M. C. Pereira, A. R. Hirakawa, Proposta de um Sistema Technology, Japan, 2000, pp. 301-305.
de Controle de Velocidade para Atuadores Pneumticos Lineares, VI
Simpsio Brasileiro de Automao Inteligente. (SBAI), 2003, Bauru - Andre R. Hirakawa nasceu em So Paulo, Brasil, em 15
S.P., v. 1., pp. 284-290. de junho de 1965. Graduou-se e recebeu o ttulo de mestre
[10] R. A. Roncolatto, N. W. Romanelli, O. Horikawa, A. R. Hirakawa, S. em Engenharia Eltrica pela Universidade de So Paulo,
M. Amancio, M. Silvrio, Automatic elevator system for maintenance So Paulo, Brasil, em 1990 e 1992, respectivamente. Em
services, IEEE Power Engineering Society's 11th International 1997, recebeu o ttulo de Doutor em Engenharia Eltrica
Conference on Transmission & Distribution Construction, Operation pela Universidade Nacional de Yokohama, Japo. Desde
and Live-Line Maintenance (ESMO 2006), 2006, Albuquerque. v. 1., pp. 1998, membro do Departamento de Engenharia de
1-5. Computao e Sistemas Digitais da Escola Politcnica da
[11] J. D. Forey, A. V. Dam, S. K. Feiner, Introduction to Computer Universidade de So Paulo como professor doutor. Suas reas de interesse em
Graphics, 1st. ed. Reading, MA: Addison-Wesley, 1993. pesquisa incluem robtica, planejamento de trajetria, redes de comunicao
[12] B. D. Ripley, Pattern Recognition and Neural Networks Cambridge para controle, reconhecimento de padres, transmisso de vdeo em tempo-
University Press, 1996. real e aplicaes de autmatos adaptativos.
[13] RITTER, G. X. Ritter, J. N. Wilson, Handbook of computer vision
algorithms in image algebra 2nd. ed. [S.l.]: CRC press LLC, 2000. Antonio M. Saraiva professor associado no Depto. de
[14] J. Schurmann, Pattern Classification: a unified view of statistical a Engenharia de Computao e Sistemas Digitais da Escola
neural approaches. John Wiley & Sons, Inc., 1996. Politcnica da Universidade de So Paulo (EPUSP),
[15] E. U. Acar, H. Choset Robust Sensor-Based Coverage of Unstructured Brasil. Graduou-se em Engenharia Eltrica pela EPUSP
Environments IEEE/RSJ International Conference on Intelligent (1980) e em Agronomia pela ESALQ-USP (1987).
Robots and Systems, USA, 2001, pp. 61-68. Mestre (1993), Doutor (1998) e Livre-Docente (2003)
[16] M. A. Batalin, G. S. Sukhatme Efficient Exploration Without pela EPUSP. Fundador (1989) e coordenador do
Localization, IEEE International Conference on Robotics and Laboratrio de Automao Agrcola (LAA) da EPUSP.
Automation, Taiwan, 2003, pp. 2714-2719. Suas reas de interesse abrangem as diversas aplicaes
[17] R. A. Brooks, Visual Map Making for a Mobile Robot, IEEE das tecnologias da informao e comunicao ao agronegcio e ambiente.
International Conference Robotics and Automation, USA, 1985, pp. membro da Associao Brasileira de Agroinformtica (SBIAgro), da qual foi
824829. presidente (2004-2007), da Associao Brasileira de Engenharia Agrcola
[18] R.N. Carvalho et al., Complete Coverage Path Planning and Guidance (SBEA) e da American Society of Agricultural and Biological Engineers
for Cleaning Robots, International Symposium on Industrial (ASABE).
Electronics, Portugal, 1997, pp. 677-682.
[19] K. C. Drake, E. S. Mcvey, R. M. Iigo, Experimental Position And Carlos E. Cugnasca graduou-se em Engenharia eltrica
Ranging Results For A Mobile Robot, IEEE Journal of Robotics and na Escola Politcnica da Universidade de So Paulo
Automation, vol.3, n.1, pp. 31-42, 1987. (EPUSP), Brasil, em 1980. Na mesma instituio, obteve
[20] K. Y. Fok, M. R. Kabuka, An automatic navigation system for vision o seu mestrado (1988), doutorado (1993) e Livre-
guided vehicles using a double heuristic and a finite state machine, Docncia (2002). Suas principais atividades de pesquisas
IEEE Transactions on Robotics and Automation, vol.7, n.1, pp. 181- incluem instrumentao inteligente, automao agrcola e
189, 1991. agricultura de preciso. professor do Departamento de
[21] Y. Fu, S. Y. T. Lang, Fuzzy Logic Based Mobile Robot Area Filling Engenharia de Computao e Sistemas Digitais da
with Vision System for Indoor Environments, IEEE International EPUSP desde 1988, ocupando atualmente a funo de
Symposium on Computational Intelligence in Robotics and Automation, Professor Associado. Vem desenvolvendo pesquisas sobre redes de controle,
USA, 1999, pp. 326-331. redes de sensores sem fio, eletrnica embarcada e aplicaes de computao
[22] J. Jennings, C.K. Watts, C. Tanis, Distributed Map-Making and pervasiva, em especial focando a aplicao da tecnologia da informao ao
Navigation in Dynamic Environments, IEEE/RSJ International agronegcio e ambiente.
Conference on Intelligent Robots and Systems, Canada, 1998, pp. 1695-
1701.