Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Silva, Thayanne Franca Da |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual do Ceará
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Link de acesso: |
https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=99609
|
Resumo: |
O problema de Observação Multi-Robótica Cooperativa de Múltiplos Alvos Móveis (CMOMMT) contém dois agentes, aqueles que observam e aqueles observados, chamados robôs e alvos, respectivamente. O objetivo dos robôs é maximizar a observação sobre a equipe alvo em números mais significativos, porém os robôs são mais rápidos. O problema abordado neste trabalho é uma extensão do CMOMMT. O cenário permanece o mesmo, mas os alvos são estruturados como uma organização com o objetivo de atingir o maior percentual possível de exploração do ambiente evitando robôs. Os alvos podem ser organizados como hierarquia, holarquia, equipe e coalizão, mas também podem não ser organizados, isto é, eles caminham aleatoriamente pelo ambiente. Diante de um grupo de agentes alvo mal-intencionados, nosso trabalho busca aplicar a visão computacional para auxiliar os robôs na classificação da estrutura organizacional da equipe alvo. Assim, os robôs podem selecionar a estratégia mais adequada entre as estratégias de contenção implementadas para cada estrutura organizacional ou continuar com o método proposto por Parker (1997) para os casos em que os alvos não estão organizados. Os resultados mostraram que nossa abordagem obteve resultados satisfatórios porque, na sorte, os robôs têm 20\% de chance de acertar a estrutura (hierarquia, holarquia, equipe, coalizão ou aleatório). Em contraste, nossa abordagem obteve uma precisão de 63,28\%. As estratégias de contenção obtiveram resultados satisfatórios no desempenho dos robôs quanto à minimização do Percentual do Ambiente Explorado pelos Alvos (PAEA) em comparação com a abordagem proposta por Parker (1997) para os robôs, no entanto, para o Número Médio de Metas Observadas (NMAO), a estratégia de Parker (1997) foi melhor. A nova abordagem organizacional para os alvos no CMOMMT foi melhor do que a aleatória na exploração desejada do ambiente desejado. |
