O crescente desenvolvimento de novas estratégias de Inteligência Artificial, principalmente em relação aos algoritmos baseados no aprendizado por reforço, possibilitaram a expansão dos mecanismos de controle para uma categoria onde o próprio robô é capaz de aprender a se comportar de maneira mais adequada para o cenário no qual estiver inserido. Desta forma, dado um vetor de variáveis coletadas por GPS, IMU e encoders, acrescido da imagem obtida por uma câmera RGB na frente do robô e de um vetor de representação de objetivos, nosso agente treina sua rede neural para fornecer as saídas de seus atuadores, de forma que aprenda a completar a prova com sucesso, e otimize seu trajeto de acordo com os obstáculos encontrados em seu caminho.

Pesquisador Responsável

Glauco Caurin

gcaurin@usp.br

lattes: http://lattes.cnpq.br/4944670560700547

Engenheiro Mecânico com ênfase em Mecânica Fina pela EESC - USP (1988). Especialista em Mecatrônica (1990) e doutor pelo Institut für Robotik - Eidgenössische Technische Hochschule - ETH - Zurique Suíça (1994). Entre 2010 e 2011 visitou o Newman Laboratory for Biomechanics and Human Rehabilitation - Department of Mechanical Engineering do Massachusetts Institute of Technology - MIT - EUA. Professor Titular do Departamento de Engenharia Aeronáutica da EESC - USP. Atua com sistemas autônomos, deep learning, sistemas embarcados, automação e robótica aplicada à áreas críticas como reabilitação, cirurgia e aeronaves.

Colaboradores

Arquivos