| Resumo : |
O problema de determinação da postura (ou localização) de robôs móveis é fundamental para a incorporação do conceito de autonomia em tais agentes. Entretanto, devido à natureza inexata do movimento, uma localização precisa não é possível usando unicamente odometria. Faz-se necessário extrair das leituras sensoriais do robô informações que permitam corrigir os desvios intrínsecos a cada ação executada. Neste contexto, algoritmos Monte Carlo estimam e atualizam a postura (com base em modelos a priori de sensores e atuadores) através de um conjunto de partículas que simbolizam possíveis estados que o robô pode ocupar no ambiente, associadas a uma crença que indica quão bem estas se aproximam de sua localização real. Complexa, no entanto, é a tarefa de obtenção do modelo sensorial, principalmente quando realizada por meio de técnicas não-automáticas. A idéia central do algoritmo BaLL - Bayesian Landmark Learning - consiste no treinamento de redes neurais artificiais para extração automática do modelo, a partir de leituras de sensores. Este trabalho descreve a implementação da técnica BaLL, utilizando-se como base a plataforma Aria para simulação de um robô móvel cujos sensores externos são sonares. Os resultados mostram o funcionamento da técnica e a sua aplicabilidade para a obtenção automática de modelos de sensores.
|