Engenharia Elétrica

Agora exibindo 1 - 3 de 3

Implementação de um sistema de interpretação de seqüências de imagens baseado em uma semântica de caminhos
(2008) Brito, R. C.
Neste trabalho abordamos o problema de interpretação de seqüências de imagens e sua principal contribuição é apresentar e discutir a implementação de um sistema computacional capaz de interpretar seqüências de imagens baseado em raciocínio espacial qualitativo. Nossa princiapl motivação para este desenvolvimento é interpretar seqüências de imagens, executando inferências lógicas sobre mudanças ocorridas nas cenas. Este sistema tem a habilidade de extrair informações de objetos de uma seqüência de imagens, obtidas por um sensor, associando relações entre objetos na cena e mudanças ao longo da seqüência, fornecendo assim, uma interpretação de alto nível. O sistema é dividido em dois módulos, o Módulo 1: extração de informações e o módulo 2: interpretação de alto nível. No Módulo 1 tem-se a entrada das cenas nno sitema. O módulo 2 é responsável por interpretar os movimentos dos objetos na seqüência de imagens. Para isto, utilizaremos o formalismo chamado T-logic (SANTOS, p. ; SANTOS, M. 2005), que é uma instância da Lógica de transações (BONNER ; KIFFER, 1993). Este formalismo utiliza dois oráculos baseados em raciocínio espacial qualitativo. Os testes efetuados no sistema mostram é possível interpretar seqüências de imagens utilizando raciocínio espacial qualitativo através do formalismo T-Logic.
Interpretação lógico-probabilística da funcionalidade de faixas de trânsito a partir de dados de uma câmera acoplada a um veículo
(2011) Souza, Carlos Roberto Cardoso de
Neste trabalho desenvolvemos um modelo de raciocínio lógico-probabilístico para cenas de tráfego rodoviário. O objetivo ´e prover uma interpretação de alto nível sobre a localização e comportamento de um veículo em uma estrada. Esta informação pode ser utilizada por sistemas de assistência ao motorista, tendo como foco o sistema assistente de faixas de trânsito. A percepção do ambiente de tráfego é proveniente de uma câmera acoplada a um veículo, portanto, o ponto de vista é egocêntrico, o qual também foi adotado para o modelo de racioc´ýnio. Para tratar os dados da câmera, o algoritmo de visão classifica, com o auxílio da transformada de Hough, as posições discretas (por exemplo, esquerda, direita) das linhas divis´orias e também o tipo de divisão (por exemplo, amarelo contínuo, branco tracejado). As informações de posição e tipo das linhas divis´orias são utilizadas como evidâncias para a inferência da localização e comportamento do veículo. Esta inferência é feita numa base de conhecimento regida por regras de trânsito, sendo estas regras modeladas com lógica de primeira ordem. As regras do modelo lógico se baseiam em técnicas de raciocínio espacial qualitativo. As incertezas inerentes aos sensores e aos próprios fenômenos do mundo real são tratadas com lógica probabilística de primeira ordem, mais especificamente as redes lógicas de Markov, ferramenta relativamente nova que permite numa mesma representação, tratar incertezas e representar de forma compacta uma grande variedade de conhecimento. Isso nos permite estimar qual é a probabilidade de um evento ocorrer mesmo na presença de falhas ou imprecisão dos sensores, além da possibilidade de inserirmos informação contextual do ambiente, neste caso, as regras de trânsito. A avaliação de desempenho do algoritmo de inferência revelou elevados valores de sensitividade, acurácia, precisão e especificidade, confirmando o potencial das redes l´ogicas de Markov
Programação em lógica não-monotônica aplicada à redução do espaço de planos em processos de decisão de Markov
(2016) Ferreira, L. A.
Um desafio presente em problemas de tomada de decisão sequencial é o fato de que, ao longo do tempo, um domínio pode sofrer alterações não previstas. Enquanto que descrever apenas o domínio atual faz com que a chance de falhas na tomada de decisão aumente conforme o domínio sofre mudanças, descrever todas as possibilidades deste domínio com a finalidade de garantir que não haverá falhas quando o domínio sofrer alterações pode ser uma solução com alto custo de armazenamento e longo tempo de busca pela solução ótima. Para resolver este problema, este trabalho propõe o ASP(MDP) que utiliza Answer Set Programming para a descrição de um processo Markoviano de decisão em que avaliação de política de Monte Carlo ou Aprendizado por Reforço podem ser utilizados para realizar a interação com o ambiente e encontrar a solução ótima do problema. Enquanto a utilização de Answer Set Programming permite que a descrição do domínio seja revista conforme as alterações ocorrem, Aprendizado por Reforço ou avaliação de política de Monte Carlo permitem que as interações com o ambiente forneçam as informações restantes necessárias para que a solução ótima seja encontrada. Para avaliar o ASP(MDP) foram propostos quatro experimentos que demonstraram que a utilização de Answer Set Programming para descrever o processo Markoviano de decisão é capaz de reduzir o espaço de busca pela solução ótima, além de permitir que esta solução do problema seja encontrada sem a necessidade de reiniciar o processo de busca pela solução quando o domínio sofre alterações. No primeiro experimento deseja-se obter a melhor alocação de aplicações em servidores, sendo considerados o tempo necessário para o processamento de cada aplicação e a probabilidade de falha dos servidores. A utilização do ASP(MDP) permitiu verificar que o espaço de busca foi reduzido e a solução ótima obtida é a mesma com ou sem a utilização do Answer Set Programming para descrever o problema. Para o segundo experimento foi utilizado o sistema de controle por reações de um ônibus espacial, em que se deseja realizar uma manobra no espaço. Os resultados mostram que a utilização do Answer Set Programming permitiu não somente a redução no espaço de busca, mas também uma redução no tempo necessário para a obtenção da solução ótima e a própria descrição do processo Markoviano de decisão. O terceiro experimento se passa em um mundo de grade determinístico em que são comparados algoritmos de Aprendizado por Reforço com ASP(MDP). Neste experimento nota-se que é possível utilizar o ASP(MDP) em problemas que os conjuntos de estados e ações sofrem alterações ao longo do tempo, ao contrário do RL, e que a utilização de conhecimento adquirido antes das mudanças no ambiente fazem com que o aprendizado no novo mapa seja mais rápida do que quando é utilizado somente RL. O último experimento se passa na versão não-determinística do experimento anterior e mostra que ASP(MDP) pode ser utilizado em domínios não-determinísticos e não-estacionários, permitindo a redução do espaço de busca e do tempo necessário para encontrar a solução ótima. Portanto, este trabalho apresenta um método tolerante à elaboração que permite a busca por soluções ótimas em processos Markovianos de decisão não-estacionários e não-determinísticos de forma que a solução seja encontrada mais rapidamente pela exploração de um espaço de busca menor.

Engenharia Elétrica

Navegar

Filtros

Configurações

Ordenar por

Resultados por página

Resultados da Pesquisa