Algoritmos Genéticos e Redes Neurais Artificiais no Controle de Robôs Móveis em Ambientes Dinâmicos

  • Eder A. B. de Oliveira Universidade de São Paulo
  • Rafael Del Lama Universidade de São Paulo
  • Renato Tinós Universidade de São Paulo

Resumo


O desenvolvimento de leis de controle robustas para robôs móveis em Ambientes Dinâmicos é um problema desafiador. O objetivo deste trabalho é o busca de soluções de controle de robôs móveis que se adaptem às mudanças no ambiente. A estratégia proposta parte de um algoritmo desenvolvido pelo programador para realizar uma tarefa em um ambiente pré-definido. Então, Redes Neurais Recorrentes (RNN) do tipo Echo-State Network (ESN) são treinadas de maneira supervisionada para reproduzir o mapeamento entrada-saída do algoritmo desenvolvido pelo programador. Finalmente, adapta-se a ESN treinada toda vez que o ambiente muda. Para isso, os pesos da ESN são otimizados por meio de Algoritmos Genéticos (AGs). Técnicas evolutivas desenvolvidas para ambientes dinâmicos (AGs com imigrantes aleatórios e hipermutação) são comparadas em experimentos no qual dez novos ambientes são considerados. Por fim, testa-se a robustez das leis de controle encontradas apresentando-se cinco novos ambientes. Nas simulações, o uso de AGs permitiu a adaptação das leis de controle para os novos ambientes. Entretanto, as soluções encontradas não se mostraram necessariamente robustas a novas mudanças de ambiente.

Palavras-chave: Algoritmos Genéticos, Robôs Evolutivos, Otimização Evolutiva Dinâmica

Referências

Aragón, V. S. and Esquivel, S. C. (2004). An evolutionary algorithm to track changes of optimum value locations in dynamic environments. Journal of Computer Science and Technology, 4(03):p. 127–133.

Beyer, H.-G. and Sendhoff, B. (2007). Robust optimization – a comprehensive survey. Computer Methods in Applied Mechanics and Engineering, 196:3190–3218.

Branke, J. (2001). Evolutionary Optimization in Dynamic Environments. Kluwer Academic Publishers, USA.

Cobb, H. G. and Grefenstette, J. J. (1993). Genetic algorithms for tracking changing environments. In Proceedings of the 5th International Conference on Genetic Algorithms, page 523–530, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.

Del Lama, R. S., Candido, R. M., Raineri, L. T., and Tinós, R. (2018). Evolutionary optimization of robust control laws for mobile robots in dynamic environments. In Anais do XV Encontro Nacional de Inteligência Artificial e Computacional, pages 461–472, Porto Alegre, RS, Brasil. SBC.

Floreano, D. and Nolfi, S. (2000). Evolutionary Robotics: The Biology, Intelligence, and Technology of Self-Organizing Machines. MIT Press/Bradford Books.

Fu, H., Sendhoff, B., K. Tang, K., and Yao, X. (2015). Robust optimization over time: Problem difficulties and benchmark problems. Evolutionary Computation, IEEE Transactions on, 19:731–745.

Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Longman Publishing Co., Inc., USA, 1st edition.

Jaeger, H. (2001). The”echo state”approach to analysing and training recurrent neural networks-with an erratum note’. Bonn, Germany: German National Research Center for Information Technology GMD Technical Report, 148.

Jager, H. and Haas, H. (2004). Harnessing nonlinearity: Predicting chaotic systems and saving energy in wireless communication. Science, 304(5667):78–80.

Jin, Y. and Branke, J. (2005). Evolutionary optimization in uncertain environments-a survey. IEEE Transactions on Evolutionary Computation, 9(3):303–317.

Meyer, J. (1998). Evolutionary approaches to neural control in mobile robots. In SMC’98 Conference Proceedings. 1998 IEEE International Conference on Systems, Man, and Cybernetics (Cat. No.98CH36218), volume 3, pages 2418–2423 vol.3.

Mitchell, M. (1996). An Introduction to Genetic Algorithms. MIT Press/Bradford Books. Parasuraman, R. (2015). Few common failure cases in mobile robots. CoRR, abs/1508.03000.

Parasuraman, R. (2015). Few common failure cases in mobile robots. CoRR, abs/1508.03000.

Raineri, L., Lama, R. D., Candido, R., Costa, A., and Tinós, R. (2019). Robôs evolutivos para a investigação do comportamento de ratos no teste de campo aberto. Revista Eletrônica De Iniciação Científica Em Computação, 17(2).

Shimo, H. K., Roque, A. C., Tinós, R., Tejada, J., and Morato, S. (2010). Use of evolutionary robots as an auxiliary tool for developing behavioral models of rats in an elevated plus-maze. In Proc. of the 2010 Eleventh Brazilian Symposium on Neural Networks, pages 217–222. IEEE.

Webb, B. (2001). Can robots make good models of biological behaviour? Behavioral and Brain Sciences, 24(6):1033–1050.

Yu, X., Jin, Y., Tang, K., and Yao, X. (2010). Robust optimization over time — a new perspective on dynamic optimization problems. In IEEE Congress on Evolutionary Computation, pages 1–6.
Publicado
25/09/2023
OLIVEIRA, Eder A. B. de; DEL LAMA, Rafael; TINÓS, Renato. Algoritmos Genéticos e Redes Neurais Artificiais no Controle de Robôs Móveis em Ambientes Dinâmicos. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 20. , 2023, Belo Horizonte/MG. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 569-583. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2023.234282.