Mostrar registro simples

dc.contributor.advisorIdiart, Marco Aurelio Pirespt_BR
dc.contributor.authorTrevisan, Marcelopt_BR
dc.date.accessioned2007-06-06T17:27:56Zpt_BR
dc.date.issued2001pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/3315pt_BR
dc.description.abstractA capacidade de encontrar e aprender as melhores trajetórias que levam a um determinado objetivo proposto num ambiente e uma característica comum a maioria dos organismos que se movimentam. Dentre outras, essa e uma das capacidades que têm sido bastante estudadas nas ultimas décadas. Uma consequência direta deste estudo e a sua aplicação em sistemas artificiais capazes de se movimentar de maneira inteligente nos mais variados tipos de ambientes. Neste trabalho, realizamos uma abordagem múltipla do problema, onde procuramos estabelecer nexos entre modelos fisiológicos, baseados no conhecimento biológico disponível, e modelos de âmbito mais prático, como aqueles existentes na área da ciência da computação, mais especificamente da robótica. Os modelos estudados foram o aprendizado biológico baseado em células de posição e o método das funções potencias para planejamento de trajetórias. O objetivo nosso era unificar as duas idéias num formalismo de redes neurais. O processo de aprendizado de trajetórias pode ser simplificado e equacionado em um modelo matemático que pode ser utilizado no projeto de sistemas de navegação autônomos. Analisando o modelo de Blum e Abbott para navegação com células de posição, mostramos que o problema pode ser formulado como uma problema de aprendizado não-supervisionado onde a estatística de movimentação no meio passa ser o ingrediente principal. Demonstramos também que a probabilidade de ocupação de um determinado ponto no ambiente pode ser visto como um potencial que tem a propriedade de não apresentar mínimos locais, o que o torna equivalente ao potencial usado em técnicas de robótica como a das funções potencias. Formas de otimização do aprendizado no contexto deste modelo foram investigadas. No âmbito do armazenamento de múltiplos mapas de navegação, mostramos que e possível projetar uma rede neural capaz de armazenar e recuperar mapas navegacionais para diferentes ambientes usando o fato que um mapa de navegação pode ser descrito como o gradiente de uma função harmônica. A grande vantagem desta abordagem e que, apesar do baixo número de sinapses, o desempenho da rede e muito bom. Finalmente, estudamos a forma de um potencial que minimiza o tempo necessário para alcançar um objetivo proposto no ambiente. Para isso propomos o problema de navegação de um robô como sendo uma partícula difundindo em uma superfície potencial com um único ponto de mínimo. O nível de erro deste sistema pode ser modelado como uma temperatura. Os resultados mostram que superfície potencial tem uma estrutura ramificada.pt_BR
dc.format.mimetypeapplication/pdf
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectModelos fisiológicospt_BR
dc.subjectCiência da computaçãopt_BR
dc.subjectRedes neuraispt_BR
dc.subjectNavegaçãopt_BR
dc.subjectRobóticapt_BR
dc.subjectMatemáticapt_BR
dc.subjectCartografiapt_BR
dc.subjectMétodos de gradientept_BR
dc.subjectErrospt_BR
dc.subjectTemperaturapt_BR
dc.subjectPlanejamento de caminhopt_BR
dc.titleAquisição e otimização de mapas de navegação usando redes neuraispt_BR
dc.typeDissertaçãopt_BR
dc.identifier.nrb000335910pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Físicapt_BR
dc.degree.programCurso de Pós-Graduação em Físicapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2001pt_BR
dc.degree.levelmestradopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples