Autômatos Adaptativos Aplicados em

Automação e Robótica (A4R)
A. R. Hirakawa, A. M. Saraiva, C. E. Cugnasca

sua configuração inicial frente a estímulos externos. Essa
Resumo — Este artigo apresenta o contexto das pesquisas alteração em sua configuração interna produz uma mudança
realizadas com o uso da teoria dos Autômatos de seu comportamento, possibilitando o seu uso para a
Adaptativos (AAs) nos equipamentos, processos e sistemas representação de ambientes explorados por robôs, para a
robóticos. A capacidade de generalização e adaptação de
comportamento do AA possibilita a sua aplicação no processo de
representação de objetos e formas, para a classificação e a
modelagem, identificação, classificação e tomada de decisão tomada de decisão no processamento das informações dos
semelhante às lógicas convencionais, como a Lógica Nebulosa e a sensores.
Rede Neural. Como exemplos concretos da aplicação do AA, são O capítulo II apresenta o conceito do AA, o capítulo III
apresentadas as pesquisas do uso do AA no reconhecimento de apresenta a aplicação do AA no reconhecimento de padrões e
formas e na construção de mapas híbridos para navegação de o capítulo IV, o uso do AA no processo de mapeamento e
robôs.
navegação robótica.
Palavras-chave — robótica, Autômatos Adaptativos,
reconhecimento de formas, mapas. II. AUTÔMATO ADAPTATIVO
O AA estende o conceito de Autômato Finito incorporando
a característica de desenvolver uma auto-reconfiguração em
I. INTRODUÇÃO resposta a um estímulo externo. Como resultado, seu

A Robótica é a área de pesquisa do conhecimento científico
que apresenta vasta gama de conhecimentos envolvidos e
tecnologias aplicadas. Os diversos tipos de aplicações,
comportamento se modifica de acordo com o conjunto de
informação. É demonstrado em [1] que o AA tem a mesma
capacidade computacional da Máquina de Turing. A figura 1
estruturas (veículos, braços, complexos) e funcionamentos mostra a representação gráfica do AA.
dos robôs requerem estudos voltados para os sistemas de
a
locomoção [8]-[10], instrumentação e localização [4], [5], e e'
B. , .A
controle e planejamento da ação [2], [3], [6], de forma a
atender as necessidades fim a fim de cada robô. Fig. 1. Autômato Adaptativo.
Para a robótica, as lógicas computacionais podem ser de
grande utilidade em todos os subsistemas envolvidos no robô, Onde:
e: estado antes da transição;
uma vez que possibilita a representação de algum
e’: estado após a transição;
conhecimento e a sua introdução no sistema robótico. Apesar
a: entrada;
disso, a grande contribuição das lógicas computacionais se dá
B: ação adaptativa aplicada antes da transição;
mesmo no subsistema de controle do robô, que requer muitas A: ação adaptativa aplicada após a transição
vezes a inclusão de alguma tomada de decisão ou inteligência
artificial [21]-[23]. Três diferentes ações adaptativas elementares são
Nesse contexto, este trabalho apresenta a utilização do permitidas: inspeção – busca do conjunto de estados para uma
formalismo adaptativo denominado Autômato Adaptativo dada transição –; eliminação – eliminação de uma transição –;
(AA), proposto por [1]. Os AAs representam uma ferramenta e inserção – adiciona uma nova transição.
confiável para modelagem de ambientes físicos, uma vez que
possuem poder computacional equivalente à Máquina de III. RECONHECIMENTO DE PADRÕES
Turing. Os AAs possuem também a característica de alterar
A. O processo de reconhecimento de padrões
A. R. Hirakawa é membro do Laboratório de Automação Agrícola do O objetivo do reconhecimento de padrões ou classificação é
Departamento de Engenharia de Computação da Escola Politécnica da distinguir entre diferentes tipos de padrões estabelecidos
Universidade de São Paulo.(Phone: 3091-5271; andre.hirakawa@poli.usp.br)
A. M. Saraiva é membro do Laboratório de Automação Agrícola do inicialmente. O processo como um todo envolve a informação
Departamento de Engenharia de Computação da Escola Politécnica da proveniente do sensor até a classificação e pode ser descrito
Universidade de São Paulo. como segue:
C. E. Cugnasca é membro do Laboratório de Automação Agrícola do
Departamento de Engenharia de Computação da Escola Politécnica da • Sensor – quando se pensa em reconhecimento de
Universidade de São Paulo. padrões, pensamos somente em visão computacional,

representativa escolhidas. nas primitivas e na gramática nova transição e novo estado quando ativada [1]. No processo sintático. 3. como por por uma máquina de Turing. – Primitivas. de movimento Informação adquirida Fig. mas podemos ter outros tipos de aquisições e. • Estatísticos – como redes de Bayes ou métodos dos vizinhos próximos. • Pré-processamento e melhoramento – no pré. reconhecida originalmente somente conseqüentemente. – Autômato reconhecedor de triângulos. – Matriz de pontos binarizados. IV. que insere estão na segmentação. m. os pontos cruciais juntamente com a ação adaptativa posterior ψ(1). Fig. depois de determinado o conjunto de 0 0 0 0 0 0 0 0 0 0 primitivas ou vetores característicos para a imagem em Fig. – Matriz de pontos binarizados. o reconhecedor de padrões baseado em AA deve aceitar qualquer forma do tipo anbncndn. atuador Considerando-se as primitivas da figura 3 para cada ponto da matriz binarizada. 0 0 0 0 0 0 0 0 0 0 • Classificação – é o processo de reconhecimento 0 0 0 0 0 0 0 0 0 0 propriamente dito. e Obstáculo navegação Fig. Dessa modo. outros tipos de sensores. questão. 7. apresenta a imagem de um triângulo binarizada. Autômato Adaptativo para o reconhecimento de padrões O reconhecimento de padrões por meio do AA considera como dado de entrada uma matriz de pontos binarizados n × Fig. reconhecimento de padrões. 0 0 0 0 1 1 0 0 0 0 • Algoritmos de extração – aqui é feita a segmentação da 0 0 0 1 0 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 imagem e a extração de primitivas. é apresentada uma matriz 10 × 10 na figura 2. mov. obtém-se a cadeia: dddaaabbbccc. processo humano. 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 Informação auxiliar 0 0 0 0 0 0 0 0 0 0 de sensor. C. 5. 2. 0 0 0 0 0 0 0 0 0 0 processamento. Como exemplo. a Figura 4 exemplo. Os tipos de algoritmos de classificação podem ser: • Sintáticos – como Grafos e gramáticas. Reconhecimento Sintático de Padrões Entre os tipos de algoritmos para classificação e Fig. o sintático se mostra mais adequado quando se quer um processo ágil e sem a Aplicando-se as novas primitivas da figura 5. ultra-sons. representando um quadrado. Como outro exemplo. a cadeia de necessidade da observação detalhada como realizado pelo caracteres a ser reconhecida pelo AA será da forma: cnanfn A figura 6 apresenta o autômato reconhecedor de triângulo. que é uma linguagem . B. a entrada é 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. infravermelhos. Estrutura da informação. etc. 4. – Primitivas. • Neurais – redes neurais de diversos tipos. Autômato explora/move Autômato de mapeamento Subsistema de navegação Info. MAPEAMENTO E NAVEGAÇÃO ROBÓTICA 0 0 0 0 0 0 0 0 0 0 A. O Modelo de Informação 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 O modelo de informação 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 navegação robótica é apresentado na figura 7. 6. dependente de contexto.

Para tal. 10. Na figura. a utilização do espaço de memória computacional é informação composta de quatro dados provenientes dos proporcional à área mapeada e em conjunto com todas as sensores. Após a conclusão do processo de mapeamento. Autômato de Exploração e Movimento linha ou coluna ao lado atual. Com o ambiente físico real e cada transição no mapa é associada a prosseguimento do movimento do robô. Na figura 8b. autômato de mapeamento é expandido na direção do movimento. decisões sobre distâncias são realizadas pelo subsistema de navegação. (a) Autômato de mapeamento. O comprimento de cada aresta Fig. A informação proveniente dos sensores contém indicações Fig. A relação entre o mapa construído e o mundo real é (direções S e L) e as linhas em negrito denotam caminhos obtida se o estado inicial do autômato for adotado para obstruídos (direções N e O). próximo movimento do robô no processo de exploração. Tags especiais A figura 10 mostra o exemplo de um mapa completo com a (x) são utilizados para identificar cantos e transições especiais representação da informação proveniente dos sensores e após para auxiliar no processo de expansão dos lados. representado pelo estado marcado por ponto. o estado central é o estado inicial do autômato e representa o ponto de partida para o caminho do robô. 8. sul (S). (a) Exemplo da informação proveniente dos sensores: duas direções obstruídas e duas livres. O autômato de mapeamento armazena todas as informações sobre a presença ou não de obstáculos. Dessa forma. Exemplo do mapeamento de uma sala em “L”. (b) Expansão do lado com representa a distância coberta pelo tamanho do robô. o lado atual do um deslocamento no mundo real. A figura 9b mostra o resultado de um movimento para o Norte. 9. transições vazias que formam o retângulo da representação Na figura. o estado marcado por um ponto ( ) é utilizado para representar a posição corrente do robô. Essa expansão é realizada adicionando-se uma C. a exploração de uma sala em “L”. o autômato de exploração e movimento recebe dados provenientes dos sensores e informações sobre a vizinhança provenientes do autômato de mapeamento. a b Fig. Para a representação abstrata do mundo real apresentada na A figura 9a apresenta um exemplo para a coleção de figura 10. B. No modelo. sobre a direção – norte (N). esse autômato é suprido de um conjunto de quatro . as setas duplas indicam áreas não obstruídas abstrata. A sua saída contém informações sobre o próximo movimento do robô para explorar o ambiente. as quatro transições adjacentes não percorridas são adequadamente modificadas de acordo com a informação pertinente. (b) Detalhe dos tags especiais. O movimento do robô no ambiente é representado pela cada estado ou ponto no mapa é conectado a um ponto no mudança de estado no autômato de mapeamento. Autômato de mapeamento O autômato de mapeamento proposto tem sua configuração inicial como um quadrado composto de vértices formados de nove estados conectados por arestas que representam o a b conjunto de transições (Figura 8a). Uma vez que o autômato é suprido com o conjunto de dados coletados pelos sensores do robô durante o movimento de exploração. representar a origem do mapa e do mundo real. que podem ser livres ou ocupadas. O robô finalizou a exploração no canto direito superior da sala. movimento para o Norte. leste (L) e oeste (O) – e suas respectivas condições. a inclusão de uma nova linha Um Autômato Adaptativo é empregado para determinar o e a atualização das transições.

A capacidade de sinalizados como especiais. J. Todos os movimentos são Para realizar o cálculo do caminho entre dois estados de conectados ao estado inicial do autômato de exploração e Landmark no autômato de mapeamento. o robô percorre todo o planejamento da trajetória entre um ponto inicial e um ambiente em um movimento de ziguezague. (a) Exemplo de dois estados marcados como Landmarks. limites e complexidade em comparação com máquina de Turing”. L e O. 12. Se um obstáculo é detectado durante o deslocamento para a Fig. S. a alteração das conexões é o Landmark inicial e o final. o que requer um aprofundamento e aprimoramento das ações adaptativas. Dessa forma. Este artigo apresentou o uso da teoria dos Autômatos O autômato de mapeamento realiza essa representação Adaptativos (AAs) como ferramenta de auxílio na resolução adicionando adequadamente uma transição para os estados dos problemas encontrados em robótica. Landmarks utilizados em um ambiente exemplo. As quatro seqüências inicialmente geradas contêm cada uma das quatro direções: N. O gerador de seqüência é introduzido modificada de acordo com as informações dos sensores. os Landmarks indicados mapa. 13. o autômato de exploração e movimentação deve informar ao autômato de mapeamento alguns estados especiais. REFERÊNCIAS Fig. Rocha. as três seqüências geradas pela direção N são: NN. exploração do ambiente. onde o tag (x) identifica tal extremamente poderosa para a representação de processos estado. A figura 12 V. é utilizado um movimentação por meio de uma transição que pode ser gerador de seqüência. Para realizar tal adaptação. . O conjunto de processo de exploração. no autômato de mapeamento. Trabalhos futuros envolvem a utilização do AA na efetiva atividade de tomada de decisão. NL e NO. O sistema determina o caminho entre os Landmarks O movimento em ziguezague. Os Landmarks são especialmente úteis para o planejamento da trajetória. L. denominados de Landmarks. objetivo. deve buscar qual exploração e movimentação. A figura 13a mostra um exemplo de dois estados próximos concisa de modelos sintáticos e a capacidade de adaptação é sinalizados como Landmarks. foram Landmarks forma os objetivos secundários no processo de estabelecidas várias regras de exploração e movimento. central do espaço livre anterior e/ou posterior ao obstáculo e define esses estados como Landmarks. J. pelo autômato de exploração e movimentação são úteis para o Utilizando-se de tais informações. Neto. que devem ser indicados adequadamente no mapa. orientado pelo autômato de antes da navegação e. que é configurado para fornecer Como descrito anteriormente.informações provenientes dos sensores e do conjunto de oito D. como mostrado na figura 11. dinâmicos e de lógicas computacionais. A. Por exemplo. que indicam os Landmarks generalização do AA se mostra adequada para a representação existentes. As próximas seqüências geradas são extensões das primeiras. Landmarks. deve ser adaptado de acordo com Landmark está próximo do ponto inicial e qual está próximo a particularidade do ambiente detectado e o estágio atual do do ponto final do caminho desejado. uma navegação. o caminho aceito realizada utilizando-se ações adaptativas que podem ser de pelo autômato de mapeamento é o caminho entre dois inserção ou eliminação de transições. Exemplo de informação extraída do mapa representando duas transições obstruídas e seis transições livres. para cada possível situação. Testes de desempenho do AA foram realizados e demonstraram que a complexidade computacional cresce quase linearmente com o aumento do número de estados envolvidos. a b Fig. “Autômato adaptativo. Navegação informações sobre a vizinhança previamente modelada no Durante o processo de navegação. 11. CONCLUSÃO exemplifica o uso dos Landmarks para um ambiente. Proceedings of the second Congress of Logic Applied to Technology – LAPTEC’2000. durante a mesma. o autômato identifica o estado (b) Espaço coberto pela seqüência gerada. A figura 13b mostra os estados cobertos pelo exemplo citado (o triângulo indica os estados alcançados e o estado marcado por ponto indica o ponto inicial da busca). Enquanto o ambiente é explorado. [1] R.

São Carlos. U.J. Neto.P. Yonemura. “Pattern Classification: a unified view of statistical a Engenharia de Computação e Sistemas Digitais da Escola neural approaches. Kawamura. IEEE das tecnologias da informação e comunicação ao agronegócio e ambiente. 33. Garcia. 562- [5] A.1. R. X. Y. 2002. Mexico. “Handbook of computer vision algorithms in image algebra” 2nd. em 1990 e 1992. [28] S. 2002. pp. 1230-1235. C. Cugnasca. E. F. Brazilian Symposium on Artificial Neural 1997. Murakami. M. 2004. B. 2003. Aplicado ao Futebol de Robôs”. Approach for Autonomous Cleaning Robot Operations”. Ohnishi. [S. G. vol. Iguaçu. R. Manipulators for Minimum Energy Consumption Without Matrix [25] M. A.K. M. A. C. Neto. G. Sato. pp. R. 1985. 1. Lakemeyer. Saraiva. Saraiva é professor associado no Depto. International [2] J. pp. R. 1-29. 594-600. International Conference on Advanced Robotics. Hirakawa. A. [4] A. Portugal. Costa. em especial focando a aplicação da tecnologia da informação ao Navigation in Dynamic Environments”. Romanelli. C. R. 13th Symposium 2005. 1998. Dam. de Controle de Velocidade para Atuadores Pneumáticos Lineares”. de [14] J. USA. em 15 S. Lang.J. 409-413. Hirakawa. Jennings. New Mexico. pp. Toluca. C. S. 1. 6th Mapping Unknown Environments by Mobile Robots. automação agrícola e 189. Portugal. Slovenia.” John Wiley & Sons. real e aplicações de autômatos adaptativos. Batalin. H. Silvério. Nebel. Hirakawa. M. IEEE Journal of Robotics and na Escola Politécnica da Universidade de São Paulo Automation. International Congress of Robotics and Automation. ocupando atualmente a função de Symposium on Computational Intelligence in Robotics and Automation. Carvalho et al. 1695- 1701. [24] G. [23] A. v. [3] A. 1st. da qual foi 824–829. Mobile Robotic Mapping”. R. Japão. World Congress of Computers in [30] U. pp. Hofner. Em services”. A. Environment Recognition for Unknown Environment”. J. Brasil. 2000. E. syntactic pattern recognition”. Sousa. N. C. Sukhatme “Efficient Exploration Without pela EPUSP. 1996. “An adaptive Alternative for Kaufmann.”. redes de sensores sem fio. São Paulo: Faculdade SENAC de Ciências Exatas e Tecnologia. H. 301-305. E. Docência (2002). vol. J. [13] RITTER. A. S. (EPUSP). R. Neto. S. de junho de 1965. Feiner. 548-553. É professor do Departamento de [21] Y. Brasil. G. 317-322. 2000. Horikawa. “An automatic navigation system for vision o seu mestrado (1988). Reading. da Associação Brasileira de Engenharia Agrícola [18] R. C. Hirakawa. 2002. (SBAI). pp. O. Neto. Ritter.R. Nagoya. “Robotic Mapping and Navigation in Iniciação Científica. membro da Associação Brasileira de Agroinformática (SBIAgro). “Automatic elevator system for maintenance São Paulo. “Trajectory Planning of Redundant 1998. Sousa. Forey. p. Robot for Agricultural Applications. J. 9-16. Y. Drake. “Towards Mapping Dynamic Robotics and Automation. 181. USA. R. Na mesma instituição. R. Desde and Live-Line Maintenance (ESMO 2006). S. Sukhatme. USA. 2003. D. “Proposta de um Sistema Technology. Schurmann. “Embedding local metrical map patches in a globally Agriculture and Natural Resources. “Parallel Processing Conference on Adaptive and Natural Computing Algorithms. pp. A. Vem desenvolvendo pesquisas sobre redes de controle. agricultura de precisão. recebeu o título de Doutor em Engenharia Elétrica Conference on Transmission & Distribution Construction. Nomiyama. 2001. pesquisa incluem robótica. Independent Autonomous Navigation in Unknown Environment”. Hirakawa. 326-331. R. R.1. T. S. pp. É International Conference Robotics and Automation. v. A. Fu. A. A. n. Doutor (1998) e Livre-Docente (2003) [16] M. Simpósio Internacional de [27] M. N. M. redes de comunicação [12] B. “Adaptive Automata for Inversion”. Zimmer. Andre R. Hirakawa nasceu em São Paulo. A. 2004. Hirakawa. Conference On Artificial Intelligence. S. eletrônica embarcada e aplicações de computação [22] J. V. “Experimental Position And Carlos E. Unknown Environments Using Adaptive Automata”. Ibero-American International Workshop on Advanced Motion Control (AMC)'2000. “Complete Coverage Path Planning and Guidance (SBEA) e da American Society of Agricultural and Biological Engineers for Cleaning Robots”. Exploring Artificial Intelligence in the New Millenium. pp. 1996. A. Acar.7. Watts. Graduou-se em Engenharia Elétrica pela EPUSP Environments” IEEE/RSJ International Conference on Intelligent (1980) e em Agronomia pela ESALQ-USP (1987). T. B. pp. VI Simpósio Brasileiro de Automação Inteligente. Tanis. A. Cugnasca graduou-se em Engenharia elétrica Ranging Results For A Mobile Robot”. [8] A. pp. K. Wolf. R. pp. 578-582. 284-290. presidente (2004-2007). International Symposium on Industrial (ASABE). Mestre (1993). USA. “Pattern Recognition and Neural Networks” Cambridge para controle. A. J. Third International Symposium on [29] D. Suas áreas de interesse em Graphics”. 2001. 2002. Environments”. Professor Associado. IEEE. 1987. R.. “Wireless Robust Portugal.”. pp. 31-42. 1993. em 1980. pp. IEEE Power Engineering Society's 11th International 1997. Nakajima. A. Roncolatto.]: CRC press LLC. Mcvey.. Hirakawa. Conference on Intelligent Robots and Systems. Wilson. “Estudo e Desenvolvimento de um AGV 571. Thrun. C. “Distributed Map-Making and pervasiva. é membro do Departamento de Engenharia de 1-5. 414-420. Canada. A. “An Advanced Planning and Navigation International Conference on Applied Simulation and Modeling. Intelligence: Advances in Artificial Intelligence. Choset “Robust Sensor-Based Coverage of Unstructured Brasil. Taiwan. 2002. Morgan [7] A. Hirakawa. 2003. Kawamura. planejamento de trajetória. incluem instrumentação inteligente. A. “Introduction to Computer Universidade de São Paulo como professor doutor. obteve [20] K. Ripley. A. Iñigo. Amancio. on Computer Architecture and High Performance Computing. n. 1999. IEEE International Conference on Robotics and Laboratório de Automação Agrícola (LAA) da EPUSP. Sousa. pp. D. K. J. R. Hirakawa. Applied to Robot Manipulator Trajectory Planning”. M. v. “Adaptive Automata for “Experimental Approach for the Biped Walking Robot MARI-1”. 1997. Bauru . Politécnica da Universidade de São Paulo (EPUSP). Brasil. Júnior. IEEE International EPUSP desde 1988. IEEE/RSJ 2000. Brasil. MA: Addison-Wesley. 677-682. Hirakawa. “Fuzzy Logic Based Mobile Robot Area Filling Engenharia de Computação e Sistemas Digitais da with Vision System for Indoor Environments”. Alberta. G. A. pp. Fok. Lecture Notes in Artificial IEEE. Canada. reconhecimento de padrões. pp. R. “Visual Map Making for a Mobile Robot”.. ed. Fundador (1989) e coordenador do Localization”. “Adaptive Automata for Workshop on Advanced Motion Control. Cunha. Brooks. Y. Kato. Japan. respectivamente. “Robotic Mapping: A Survey”. Automation. International Symposium on Underwater [9] L. doutorado (1993) e Livre- guided vehicles using a double heuristic and a finite state machine”. Hirakawa. [26] M. 2001.. Pirenópolis. em Engenharia Elétrica pela Universidade de São Paulo. 2000. “Trajectory Planning and 48. 2006.. J. Graduou-se e recebeu o título de mestre [10] R. A. International [6] D. A. pp. International Conference on Intelligent Robots and Systems. Antonio M. Schmidt.3. pp. L. Electronics. Inc. Suas principais atividades de pesquisas IEEE Transactions on Robotics and Automation. transmissão de vídeo em tempo- University Press.l. É Robots and Systems. pp. Networks. pp. A. Pereira. Operation pela Universidade Nacional de Yokohama. Kabuka. W. J. IEEE/RSJ International agronegócio e ambiente. R. [15] E.. consistent topological map”. 10o. 2714-2719. Hirakawa. Albuquerque.N. [19] K. M. M. ed. A. 1. 61-68. . 1998. 1991. E. Suas áreas de interesse abrangem as diversas aplicações [17] R. Computação e Sistemas Digitais da Escola Politécnica da [11] J.