| dc.description.abstract |
Este trabalho de Iniciação Científica apresenta o desenvolvimento de um robô autônomo destinado a
testar fisicamente um algoritmo ótimo de caminhada aleatória com aprendizado por reforço, focado na
integração de caminho e na geração de mapas mentais. O projeto visa dar continuidade a pesquisas
anteriores, conectando a modelagem matemática e computacional ao comportamento experimental
observado em roedores.
O escopo teórico da pesquisa englobou o estudo de neurociência computacional e resultou na ela-
boração de um artigo sobre o modelo de Hopfield, demonstrando o armazenamento de padrões de
memória via plasticidade hebbiana e a convergência de energia em redes neurais artificiais. Além
disso, foram aprofundados os estudos em modelagem de neurônios, analisando as dinâmicas de dis-
paro e a fadiga neural através dos circuitos LIF, ELIF e AELIF.
No aspecto prático, a prototipagem do agente físico baseou-se na plataforma Arduino MEGA
(ATmega2560), com a adição de um módulo ESP8266 para prover comunicação Wi-Fi em uma ar-
quitetura mestre-escravo, supervisionada por um sistema em Python. O hardware conta com uma
cinemática de triciclo, utilizando dois motores CC N20 com encoders angulares, uma unidade de
medição inercial (MPU9250/MPU6050), e um arranjo de 16 fotossensores para a detecção de bor-
das na arena. O firmware foi desenvolvido de forma modular em C++, operando diretamente nos
registradores do microcontrolador para o controle dos atuadores via PWM, leitura da odometria por
amostragem ultrarrápida (10 kHz) e gerenciamento assíncrono da telemetria.
Os resultados apontam o êxito na integração lógica dos diversos periféricos, transdutores e siste-
mas de comunicação remota. O protótipo atendeu aos requisitos básicos de operação, permitindo a
execução de rotinas de controle e o envio constante de dados de trajetória. Contudo, durante a mon-
tagem física e validação, identificaram-se limitações de hardware e projeto, como a necessidade de
readaptação de Timers, falhas de roteamento na placa de circuito impresso e uma alta drenagem de
corrente pelo arranjo de fotossensores, que impactou a estabilidade energética do sistema.
Conclui-se que, apesar do sucesso funcional do protótipo parcial, as restrições de memória e
a ausência de conectividade nativa da arquitetura atual impuseram barreiras ao desenvolvimento do
projeto. Para trabalhos futuros, recomenda-se a migração do sistema para plataformas computacionais
mais robustas, como Raspberry Pi ou microcontroladores da família ESP, visando uma implementação
mais coesa e adequada à complexidade exigida pelos algoritmos de aprendizado de localização. |
pt_BR |
