Sistema de raciocínio baseado em casos qualitativos: um estudo no domínio do futebol de robôs humanoides

Carregando...
Imagem de Miniatura
Citações na Scopus
Tipo de produção
Tese
Data
2018
Autores
Homem, Thiago Pedro Donadon
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
HOMEM, Thiago Pedro Donadon. Sistema de raciocínio baseado em casos qualitativos: um estudo no domínio do futebol de robôs humanoides. 2018. 184 p. Tese (Doutorado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2017 Disponível em: . Acesso em: 16 abr. 2019.
Texto completo (DOI)
Palavras-chave
Raciocínio qualitativo,Aprendizado por reforço,Raciocínio baseado em casos
Resumo
O desenvolvimento de agentes autônomos capazes de realizar tarefas com a mesma destreza que a realizada pelos ser humanos é um dos desafios da Inteligência Artificial e Robótica. Isto motiva a pesquisa em robôs humanoides inteligentes, em especial, o futebol robôs humanoides como um banco de ensaio, pois trata-se de um ambiente dinâmico e que, cada agente em um time deve escolher a melhor ação visando maximizar o resultado do time, isto é, vencer a partida. Neste contexto, este trabalho apresenta um novo algoritmo para o Raciocínio Baseado em Casos Qualitativos (QCBRL), um modelo de Raciocínio Baseado em Casos que utiliza um formalismo do Raciocínio Espacial Qualitativo para representar, resgatar e reutilizar casos por meio de relações espaciais qualitativas entre os objetos no ambiente. Combinado com o método de Aprendizado por Reforço, o QCBRL permite ao agente aprender novos casos qualitativos em tempo de execução, sem a realização prévia de uma etapa de aprendizagem. Visando evitar os casos que não resultem em máximo desempenho, o QCBRL realiza a manutenção da base de casos, excluindo estes casos e aprendendo novos (mais adequados) casos. Os experimentos e análises do QCBRL foram realizados em cenários de futebol de robôs simulados e com robôs humanoides reais. Os resultados da execução do QCBRL mostram que o processo de resgate foi cerca de três vezes mais rápido e que o robô marcou uma média maior de gols do que os métodos com modelagem quantitativa.
The development of autonomous agents that performs tasks with the same ability as performed by humans is one of the challenges of Artificial Intelligence and Robotics. This motivates the research on intelligent humanoid robots as well as the use of humanoid-robot soccer games as the robot’s test beds, since each agent in a team must choose the best action in a dynamic environment in order to maximise the team score. In this context, the present work introduces a novel algorithm for Qualitative Case-Based Reasoning and Learning (QCBRL). QCBRL is a Case-Based Reasoning model that uses Qualitative Spatial Reasoning formalisms to represent, retrieve and reuse cases by means of the spatial relations between the objects in the environment. Combined with Reinforcement Learning, QCBRL allows the agent to learn new qualitative cases at runtime, without previously performing a learning step. In order to avoid cases that do not lead to the maximum performance, QCBRL executes case-base maintenance, excluding these cases and obtaining new (more suitable) ones. Experimental evaluation of QCBRL was conducted on simulated and on real-humanoid robot soccer scenarios. Results suggest that QCBRL outperforms tradicional RL methods. As a result of running QCBRL, the retrieval process was three times faster and the robot performed a higher average of goals than those obtained when using quantitative models.