0822
Título
AVALIAÇÃO DE ESTRATÉGIAS DE TREINAMENTO DE REDES NEURAIS APLICADAS AO PROBLEMA DE FORMAÇÃO DE CAMINHO POR ENXAMES DE ROBÔS
Aluno: Eduardo Luis Buratti - IC-Voluntária - Curso de Ciência da Computação - Bacharelado (TN) - Orientador: Eduardo Jaques Spinosa - Departamento de Informática - Área de conhecimento: 10300007 - Palavras-chave: robótica de enxame; redes neurais artificiais; computação evolutiva.
Neste trabalho buscamos avaliar diferentes estratégias de treinamento de redes neurais artificiais aplicadas ao controle de robôs autônomos que, em grupo, devem reproduzir variações de um comportamento coletivo conhecido na área da robótica de enxame como formação de caminho. Com forte inspiração em aspectos visivelmente presentes na natureza, a área da robótica de enxame tem como objetivo principal o projeto de agentes autônomos simples (consequentemente de baixo custo) de maneira que um grupo formado por tais demonstre comportamentos coletivos complexos a partir de interações entre um e o grupo e entre um e o ambiente em que se encontra. Qualidades como robustez, auto-organização, flexibilidade etc. são facilmente observáveis em enxames de robôs (assim como em diversas colônias de seres vivos), daí a motivação pelo uso de tais soluções a diversos problemas do mundo real. Seguindo a abordagem estudada no artigo `Self-organised path formation in a swarm of robots` de Valerio Sperati, Vito Trianni e Stefano Nolfi, adotamos computação evolutiva como forma de treinamento não supervisionado das redes neurais. Para isso, foi desenvolvido um simulador de enxames de robôs que permite a observação do comportamento de grupos de robôs e quantificação da coletividade e qualidade destes em diversos cenários. Assim podemos efetuar o treinamento das redes neurais artificiais ao aplicá-las aos controladores dos robôs no simulador. Foram propostos múltiplos cenários de teste e avaliação a fim de explorar a extensão do problema, evidenciando a complexidade e dificuldade na generalização das soluções encontradas. Em combinação a esses cenários, as estratégias avaliadas envolvem diferentes algoritmos evolutivos: algoritmo genético, particle swarm optimization e variações destes dois. Os resultados mostraram que o algoritmo genético é de longe a melhor opção para este problema em específico.