Estudo e implementação de aprendizagem por reforço em redes neurais para controle de robôs móveis

Abstract

Robôs Móveis Inteligentes são sistemas computacionais que operam em ambientes dinâmicos e imprevisíveis. Eles interpretam dados obtidos pelos sensores que refletem eventos ocorridos e executam comandos em motores que produzem efeitos no ambiente. O grau de autonomia de um agente está relacionado à capacidade de decidir por si só como relacionar os dados dos sensores com os comandos aos atuadores em seus esforços para atingir os objetivos para os quais foi projetado. Deste modo, a capacidade de aprendizado e adaptação do agente está intimamente relacionada com o seu grau de autonomia. Dentro do paradigma de inspiração biológica adotada na arquitetura de controle PiramidNet, Redes Neurais Artificiais são as ferramentas utilizadas para implementar a inteligência e o controle dos sistemas robóticos. Entretanto, mecanismos capazes de fazer o aprendizado permanente e em tempo de operação em sistemas robóticos controlados por Redes Neurais são escassos ou ainda estão em fase inicial de desenvolvimento. Neste trabalho, pretendeu-se estudar, propor e implementar métodos que possibilitassem o aprendizado em tempo real de Robôs Móveis Inteligentes controlados por Redes Neurais Artificiais. Para tal, propôs-se uma arquitetura neural de controle capaz de apresentar características de plasticidade e de estabilidade adequadas, utilizando redes ART # Adaptive Ressonance Theory e redes MLP # Multi-Layer Perceptron, associados a um esquema de aprendizagem por reforço como metodologia de aprendizado em tempo real.