Iure Rosa

Estudante de Graduação do curso de Engenharia Elétrica pela Universidade Federal de Viçosa – UFV. Neste campus eu tive a oportunidade de atuar como monitor da disciplina de equações diferenciais ordinárias, onde aprimorei minha didática e habilidade com equações matemáticas.

Especialidades

• Navegação de Robôs

• Algoritmos de Planejamento

• Inteligência Artificial


Linha de Pesquisa

No NERO, realizo pesquisas envolvendo navegação de robôs, onde busco desenvolver algoritmos de planejamento de movimento visando permitir que os robôs autônomos executem tarefas em ambientes desordenados. Especificamente trabalho com três tipos de problemas:

• Desenvolvimento de algoritmos para uma classe específica de sistema, chamada sistemas dinâmicos híbridos. Estes são sistemas que possuem vários modos de operação, cada um com seus próprios conjuntos de dinâmica e eventos discretos que acionam transições entre esses diferentes modos. O desafio no planejamento desses sistemas está, não apenas no comportamento de um sistema dentro de um modo específico, mas também no planejamento de quando e como os sistema fará essa transição.

• Planejamento de ordem superior em sistemas atuados. Esses sistemas possuem muitos graus de liberdade, mas não pode controlar diretamente todos esses graus para configurações arbitrárias. Imagine um quadrotor com uma carga útil suspensa. Tanto o quadrotor quanto a carga suspensa podem girar e transladar no espaço 3D, mas nenhum pode fazer isso de forma independente.

• Planejamento de vários robôs. Nesse caso teremos mais de um robô na posição inicial. Esses robôs devem navegar para um conjunto de locais de meta. No entanto, o objetivo para o qual esses robôs devem navegar é especificado previamente e não pode ser mudado. A ideia aqui é a geração de trajetórias que trarão cada robô para o seu objetivo, evitando colisões entre si.

Atividades

ALGORITMOS DE APRENDIZADO POR REFORÇO APLICADOS À NAVEGAÇÃO DE VEÍCULOS AUTÔNOMOS EM AMBIENTES ESTRUTURADOS

Dado o avanço da tecnologia e aumento da capacidade computacional, a Inteligência Artificial mostrou ser um método eficiente na solução de problemas existentes na robótica. Esse projeto tem enfoque em uma de suas subáreas, o aprendizado por reforço, que é baseado na ideia de que, dado que uma ação é seguida de estados satisfatórios ou por melhorias no estado, haverá uma tendência para que esta ação seja reproduzida. Desta forma, ações podem ser selecionadas em função de informações obtidas sobre os estados que elas podem produzir, introduzindo aspectos de controle com realimentação. Diferente de outros modelos de aprendizagem que se baseiam exclusivamente em pesos para determinar as ações à serem tomadas, algoritmos de aprendizado por reforço geram ações por meio de um processo aleatório que é polarizado por uma combinação de valores dos seus pesos e das suas entradas. O objetivo deste trabalho é investigar o potencial de algoritmos de aprendizado por reforço já existentes, visando a navegação de veículos autônomos em ambientes estruturados. Sendo assim, a contribuição deste trabalho está condicionalmente ligada na criação de um sistema que integre as funcionalidades do SICK LiDAR LMS11 com o robô Pioneer 3DX. Através destes sistema o robô será capaz de mapear o ambiente e enviar os dados obtidos como entrada para o algoritmo de aprendizado aplicar a política de ações afim de estabelecer um sistema de recompensas. Desta forma, o robô deve ser capaz de interagir com o ambiente e atingir o seu objetivo de maneira eficiente.


Atividades Concluídas

APLICAÇÃO DE TÉCNICAS Q-ROUNTING NO PLANEJAMENTO DE CAMINHOS DE ROBÔS MÓVEIS

A Inteligência Artificial (IA) é um campo de estudo que permite que sistemas simulem uma inteligência similar à humana, onde os chamados agentes inteligentes vão além de uma programação de ordens específicas, tomando decisões de forma autônoma, baseadas em padrões de enormes bases de dados. Pode-se então, de modo geral, definir IA como a capacidade das máquinas de pensarem como seres humanos: aprender, perceber e decidir quais caminhos seguir, de forma racional, diante de determinadas situações. No entanto, ensinar computadores a pensar não é algo tão simples, essa questão passa por várias áreas da ciência da computação como Aprendizado de Máquinas (ML – Machine Learning, do inglês), que por sua vez engloba o conceito de Aprendizagem por Reforço (RL – Reinforcement Learning, do inglês). Em termos formais, RL é um método de aprendizado de máquina em que o agente de software aprende, por meio de repetidas tentativas, a executar certas ações em um ambiente, levando-o a uma recompensa máxima. Dado a dinamicidade do ambiente, a aplicação dessas técnicas em robótica móvel torna-se bastante interessantes, afinal, o robô será capaz de interagir constantemente com o ambiente, de modo que, caso haja alguma alteração, o agente inteligente, nesse caso o robô, possa se adaptar aquela mudança. Muitas vezes, em robótica navegacional, o interesse é encontrar a melhor rota dado uma configuração inicial e final, sendo assim, é necessário uma metodologia eficiente, capaz de encontrar essa(s) rotas(s) ótima(s) a partir de um dataset que contém informações sobre a localização de obstáculos no ambiente em questão. No problema de Aprendizagem por Reforço, tem-se ação, recompensas, estados e taxas de descontos. Para resolver o problema tradicional, tem-se o Q-Learning, que pode ser usado para encontrar uma política de seleção de ação ideal para qualquer processo de decisão Markov (MDP – Markov Decision Process, do inglês). Da mesma forma, para resolver o problema de localização da melhor rota, tem-se o Q-Rounting. A diferença entre Q-Learning e Q-Rounting é que o último não tem uma taxa de desconto e, para cada estado, escolherá o custo futuro mínimo em vez da recompensa futura máxima. Neste trabalho, é desenvolvido um algoritmo, baseado em RL, capaz de fazer a leitura de uma matriz de dados que contém as informações extraídas do ambiente e, através dela, encontrar a melhor rota dado dois nós, inicial e final, considerando todos os outros nós como pontos livres, ou seja, não há obstáculo presente naquele ponto.


OUTRAS INFORMAÇÕES

iure.oliveira@ufv.br
lattes.cnpq.br/iure-rosa
linkedin.com/in/iure-rosa
https://github.com/IureRosa

Endereço

Universidade Federal de Viçosa  – Campus Viçosa
Departamento de Engenharia Elétrica
Av. PH Rolfs, s/n – Viçosa/MG
CEP: 36570-900

Visite nossa página no Facebook, clique aqui.

Equipe de Desenvolvimento Web/UFV - 2014 - Mantido com Wordpress