Uma abordagem baseada em Engenharia Dirigida por Modelos e Aprendizado de Máquina Aplicado a Robôs Móveis

• Ano de defesa: 2022
• Autor(a) principal: Silva, Edson de Araújo
• Outros Autores: http://lattes.cnpq.br/4611046818672891
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Instituto de Computação; Brasil; UFAM; Programa de Pós-graduação em Informática
• Palavras-chave em Português: Aprendizado do computador; Engenharia de software auxiliada por computador; Robótica; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWARE; Aprendizado de Máquina; Aprendizado por Reforço; Engenharia Dirigida por Modelo
• Link de acesso: https://tede.ufam.edu.br/handle/tede/9319

A aplicação de robôs móveis em ambientes complexos requer uma alta capacidade de autonomia em sua tomada de decisão. A literatura afirma que o próximo passo na evolução dos controladores robóticos autônomos é tornar os robôs autoadaptativos. Além disso, os avanços no campo da Aprendizagem de Máquina está aumentando, contribuindo para o surgimento de inúmeras oportunidades para o desenvolvimento de controles inteligentes aplicados aos robôs. No entanto, ainda existem vários desafios a serem enfrentados, por exemplo, a complexidade no desenvolvimento, a necessidade de reimplementação ao mudar aspectos do ambiente, a necessidade de grandes quantidades de dados, propagação de erros, mapeamento de estados complexos em uma única missão de robô, entre outros. A fim de mitigar esses problemas, propomos um Framework, denominado RLoRDE (Reinforcement Learning for Robotic model-Driven Engineering), que se baseia na utilização da Engenharia Dirigida por Modelos para simplificar o desenvolvimento de software robótico, onde o código é gerado de acordo com o modelo criado pelo desenvolvedor seguindo regras impostas pelos metamodelos desenvolvidos durante esta tese. Uma ferramenta gráfica auxilia na criação e transformação dos modelos para o código. Métodos de Aprendizado por Reforço estão disponíveis onde é possível gerar ambientes de treinamento para missões que requerem flexibilidade para lidar com a variabilidade do ambiente e promover a autoadaptação. Nossos experimentos foram realizados aumentando o grau de complexidade do ambiente para a missão do robô. Os resultados experimentais mostram que o Framework RLoRDE é promissor no sentido de que obtivemos em média 69\% de taxa de sucesso na missão em cenários onde o robô não foi treinado.