Nós refinamos o planejador introduzindo uma nova forma para o núcleo da equação que permite facilmente lidar com terrenos não-homogêneos. Isto é obtido através de mudanças locais na concavidade/convexidade do potencial, criando regiões com altas ou baixas preferências de navegação. Nós integramos esta nova equação ao planejador hierárquico, surgindo uma ampla variedade de aplicações. Nossa proposta contribui para diversas áreas incluindo a navegação de agentes, pathfinding em jogos, simulação de multidões, e a navegação de robôs. Nossas publicações reforçam a relevância e robustez do método proposto. / In this work, we propose a new solution to agent navigation based upon boundary value problems (BVP), called Configurable Flows, to control steering behaviors of characters in dynamic environments. We use a potential field formalism that allows synthetic actors to move negotiating space, avoiding collisions, and attaining goals while producing very individual paths. The individuality of each character can be set by changing its inner field parameters leading to a broad range of possible behaviors without jeopardizing its performance. BVP Path Planners generate potential fields through a differential equation whose gradient descent represents navigation routes from any point of the environment to a goal position. Resulting paths are smooth and free from local minima. In spite of these advantages, these kind of planners consumes a lot of time to produce a solution. Our approach combines a BVP Path Planner with the Full Multigrid Method, which solves elliptic partial differential equations using a hierarchical strategy. The proposed planner enables real-time performance in large environments. Results show that our proposal spends less than 1% of the time needed to compute a solution using the original BVP planners in several environments. We refine our Path Planner by introducing a new form of the core equation that permits to easily cope with terrain inhomogeneities. This is accomplished by locally changing the concavity/ convexity of the potential, and then creating regions with higher or lower navigation preferences. As the potential field requires several steps to converge, this approach can be expensive computationally. To overcome this problem, we integrate this novel core equation to the hierarchical planner, emerging a wide variety of applications. We believe our proposal can contribute to several areas of research including agent navigation, pathfinding for games, crowd simulation and robotics. Our publications reinforce the relevance of the proposed method.

Nós refinamos o planejador introduzindo uma nova forma para o núcleo da equação que permite facilmente lidar com terrenos não-homogêneos. Isto é obtido através de mudanças locais na concavidade/convexidade do potencial, criando regiões com altas ou baixas preferências de navegação. Nós integramos esta nova equação ao planejador hierárquico, surgindo uma ampla variedade de aplicações. Nossa proposta contribui para diversas áreas incluindo a navegação de agentes, pathfinding em jogos, simulação de multidões, e a navegação de robôs. Nossas publicações reforçam a relevância e robustez do método proposto. / In this work, we propose a new solution to agent navigation based upon boundary value problems (BVP), called Configurable Flows, to control steering behaviors of characters in dynamic environments. We use a potential field formalism that allows synthetic actors to move negotiating space, avoiding collisions, and attaining goals while producing very individual paths. The individuality of each character can be set by changing its inner field parameters leading to a broad range of possible behaviors without jeopardizing its performance. BVP Path Planners generate potential fields through a differential equation whose gradient descent represents navigation routes from any point of the environment to a goal position. Resulting paths are smooth and free from local minima. In spite of these advantages, these kind of planners consumes a lot of time to produce a solution. Our approach combines a BVP Path Planner with the Full Multigrid Method, which solves elliptic partial differential equations using a hierarchical strategy. The proposed planner enables real-time performance in large environments. Results show that our proposal spends less than 1% of the time needed to compute a solution using the original BVP planners in several environments. We refine our Path Planner by introducing a new form of the core equation that permits to easily cope with terrain inhomogeneities. This is accomplished by locally changing the concavity/ convexity of the potential, and then creating regions with higher or lower navigation preferences. As the potential field requires several steps to converge, this approach can be expensive computationally. To overcome this problem, we integrate this novel core equation to the hierarchical planner, emerging a wide variety of applications. We believe our proposal can contribute to several areas of research including agent navigation, pathfinding for games, crowd simulation and robotics. Our publications reinforce the relevance of the proposed method.

Nós refinamos o planejador introduzindo uma nova forma para o núcleo da equação que permite facilmente lidar com terrenos não-homogêneos. Isto é obtido através de mudanças locais na concavidade/convexidade do potencial, criando regiões com altas ou baixas preferências de navegação. Nós integramos esta nova equação ao planejador hierárquico, surgindo uma ampla variedade de aplicações. Nossa proposta contribui para diversas áreas incluindo a navegação de agentes, pathfinding em jogos, simulação de multidões, e a navegação de robôs. Nossas publicações reforçam a relevância e robustez do método proposto. / In this work, we propose a new solution to agent navigation based upon boundary value problems (BVP), called Configurable Flows, to control steering behaviors of characters in dynamic environments. We use a potential field formalism that allows synthetic actors to move negotiating space, avoiding collisions, and attaining goals while producing very individual paths. The individuality of each character can be set by changing its inner field parameters leading to a broad range of possible behaviors without jeopardizing its performance. BVP Path Planners generate potential fields through a differential equation whose gradient descent represents navigation routes from any point of the environment to a goal position. Resulting paths are smooth and free from local minima. In spite of these advantages, these kind of planners consumes a lot of time to produce a solution. Our approach combines a BVP Path Planner with the Full Multigrid Method, which solves elliptic partial differential equations using a hierarchical strategy. The proposed planner enables real-time performance in large environments. Results show that our proposal spends less than 1% of the time needed to compute a solution using the original BVP planners in several environments. We refine our Path Planner by introducing a new form of the core equation that permits to easily cope with terrain inhomogeneities. This is accomplished by locally changing the concavity/ convexity of the potential, and then creating regions with higher or lower navigation preferences. As the potential field requires several steps to converge, this approach can be expensive computationally. To overcome this problem, we integrate this novel core equation to the hierarchical planner, emerging a wide variety of applications. We believe our proposal can contribute to several areas of research including agent navigation, pathfinding for games, crowd simulation and robotics. Our publications reinforce the relevance of the proposed method.

Made available in DSpace on 2016-04-29T14:17:09Z (GMT). No. of bitstreams: 1 Maria da Conceicao Almeida Vasconcelos.pdf: 6552988 bytes, checksum: 07648f372df17fe23f228d4224a2e597 (MD5) Previous issue date: 2007-09-17 / This thesis has as study object the solidary economy. It is its intention to analyze the solidary economy, while a possibility to generate work and income and of exercise of the participation, being had themselves as reference previous the personal and work experiences of cooperated/the associates, the experiences of the collective work in the solidary economical enterprises, including also the formation continued. One is about a research developed in three located solidary economical enterprises in the State of Sergipe, with activities in the branches of solid residues, confection and improvement of the shrimp. In the research, the qualitative method was used, understanding the collection of depositions gotten by means of half-structuralized interviews, participant and research bibliographical and documentary comment. Moreover, they had been used given statisticians for the characterization of the enterprises and it s cooperated/associates. The theoretical landmark has as base authors who study thematic of the solidary economy and the participation. The results had disclosed that the searched enterprises come propitiating the generation of work and income for cooperated/the associates, even so still are limited the financial results. However, the experiences show that the insertion in the enterprises, goes beyond the generation of work and income. Such experiences are bringing significant changes for the cooperated lives of/the associates, being distinguished: the learning of the automanagement collective work; the personal growth; the discovery and the development of potentialities; the magnifying of the vision of world and the importance of the participation in other social instances. It has, still, a long way to cover, as much in the direction of the consolidation of the enterprises and an effective generation of income as in the perspective of the automanagement and construction of a solidary and participative culture that assures the effective exercise of the citizenship / Esta tese tem como objeto de estudo a economia solidária. É seu propósito analisar a economia solidária, enquanto uma possibilidade de gerar trabalho e renda e de exercício da participação, tendo-se como referência as experiências pessoais e laborativas anteriores dos cooperados/associados, as vivências do trabalho coletivo nos empreendimentos econômicos solidários, incluindo-se também a formação continuada. Trata-se de uma pesquisa desenvolvida em três empreendimentos econômicos solidários localizados no Estado de Sergipe, com atividades nos ramos de resíduos sólidos, confecção e beneficiamento do camarão. Na pesquisa, foi utilizado o método qualitativo, compreendendo a coleta de depoimentos obtidos por meio de entrevistas semi-estruturadas, observação participante e pesquisas bibliográfica e documental. Além disso, foram utilizados dados estatísticos para a caracterização dos empreendimentos e de seus cooperados/associados. O marco teórico tem como base autores que estudam a temática da economia solidária e participação. Os resultados revelaram que os empreendimentos pesquisados vêm propiciando a geração de trabalho e renda para os cooperados/associados, embora ainda sejam limitados os resultados financeiros. Todavia, as experiências mostram que a inserção nos empreendimentos, vai além da geração de trabalho e renda. Tais experiências estão trazendo mudanças significativas para as vidas dos cooperados/associados, destacando-se: o aprendizado do trabalho coletivo autogestionário; o crescimento pessoal; a descoberta e o desenvolvimento de potencialidades; a ampliação da visão de mundo e da importância da participação em outras instâncias sociais. Há, ainda, um longo caminho a percorrer, tanto no sentido da consolidação dos empreendimentos e uma efetiva geração de renda como na perspectiva da autogestão e construção de uma cultura solidária e participativa que assegure o efetivo exercício da cidadania

Cette recherche se caractérise, premièrement, par une discussion théorique sur le concept d'agent autonome, basée sur des éléments issus des paradigmes de l'Intelligence Artificielle Située et de l'Intelligence Artificielle Affective. Ensuite, cette thèse présente le problème de l'apprentissage de modèles du monde, en passant en revue la littérature concernant les travaux qui s'y rapportent. À partir de ces discussions, l'architecture CAES et le mécanisme CALM sont présentés. CAES (Coupled Agent-Environment System) constitue une architecture pour décrire des systèmes basés sur la dichotomie agent-environnement. Il définit l'agent et l'environnement comme deux systèmes partiellement ouverts, en couplage dynamique. L'agent, à son tour, est composé de deux sous-systèmes, l'esprit et le corps, suivant les principes de la situativité et de la motivation intrinsèque. CALM (Constructivist Anticipatory Learning Mechanism) est un mécanisme d'apprentissage fondé sur l'approche constructiviste de l'Intelligence Artificielle. Il permet à un agent situé de construire un modèle du monde dans des environnements partiellement observables et partiellement déterministes, sous la forme d'un processus de décision markovien partiellement observable et factorisé (FPOMDP). Le modèle du monde construit est ensuite utilisé pour que l'agent puisse définir une politique d'action visant à améliorer sa propre performance. / Esta pesquisa caracteriza-se, primeiramente, pela condução de uma discussão teórica sobre o conceito de agente autônomo, baseada em elementos provenientes dos paradigmas da Inteligência Artificial Situada e da Inteligência Artificial Afetiva. A seguir, a tese apresenta o problema da aprendizagem de modelos de mundo, fazendo uma revisão bibliográfica a respeito de trabalhos relacionados. A partir dessas discussões, a arquitetura CAES e o mecanismo CALM são apresentados. O CAES (Coupled Agent-Environment System) é uma arquitetura para a descrição de sistemas baseados na dicotomia agente-ambiente. Ele define agente e ambiente como dois sistemas parcialmente abertos, em acoplamento dinâmico. O agente, por sua vez, é composto por dois subsistemas, mente e corpo, seguindo os princípios de situatividade e motivação intrínseca. O CALM (Constructivist Anticipatory Learning Mechanism) é um mecanismo de aprendizagem fundamentado na abordagem construtivista da Inteligência Artificial. Ele permite que um agente situado possa construir um modelo de mundo em ambientes parcialmente observáveis e parcialmente determinísticos, na forma de um Processo de Decisão de Markov Parcialmente Observável e Fatorado (FPOMDP). O modelo de mundo construído é então utilizado para que o agente defina uma política de ações a fim de melhorar seu próprio desempenho. / This research is characterized, first, by a theoretical discussion on the concept of autonomous agent, based on elements taken from the Situated AI and the Affective AI paradigms. Secondly, this thesis presents the problem of learning world models, providing a bibliographic review regarding some related works. From these discussions, the CAES architecture and the CALM mechanism are presented. The CAES (Coupled Agent-Environment System) is an architecture for describing systems based on the agent-environment dichotomy. It defines the agent and the environment as two partially open systems, in dynamic coupling. The agent is composed of two sub-systems, mind and body, following the principles of situativity and intrinsic motivation. CALM (Constructivist Learning Anticipatory Mechanism) is based on the constructivist approach to Artificial Intelligence. It allows a situated agent to build a model of the world in environments partially deterministic and partially observable in the form of Partially Observable and Factored Markov Decision Process (FPOMDP). The model of the world is constructed and used for the agent to define a policy for action in order to improve its own performance.

Cette recherche se caractérise, premièrement, par une discussion théorique sur le concept d'agent autonome, basée sur des éléments issus des paradigmes de l'Intelligence Artificielle Située et de l'Intelligence Artificielle Affective. Ensuite, cette thèse présente le problème de l'apprentissage de modèles du monde, en passant en revue la littérature concernant les travaux qui s'y rapportent. À partir de ces discussions, l'architecture CAES et le mécanisme CALM sont présentés. CAES (Coupled Agent-Environment System) constitue une architecture pour décrire des systèmes basés sur la dichotomie agent-environnement. Il définit l'agent et l'environnement comme deux systèmes partiellement ouverts, en couplage dynamique. L'agent, à son tour, est composé de deux sous-systèmes, l'esprit et le corps, suivant les principes de la situativité et de la motivation intrinsèque. CALM (Constructivist Anticipatory Learning Mechanism) est un mécanisme d'apprentissage fondé sur l'approche constructiviste de l'Intelligence Artificielle. Il permet à un agent situé de construire un modèle du monde dans des environnements partiellement observables et partiellement déterministes, sous la forme d'un processus de décision markovien partiellement observable et factorisé (FPOMDP). Le modèle du monde construit est ensuite utilisé pour que l'agent puisse définir une politique d'action visant à améliorer sa propre performance. / Esta pesquisa caracteriza-se, primeiramente, pela condução de uma discussão teórica sobre o conceito de agente autônomo, baseada em elementos provenientes dos paradigmas da Inteligência Artificial Situada e da Inteligência Artificial Afetiva. A seguir, a tese apresenta o problema da aprendizagem de modelos de mundo, fazendo uma revisão bibliográfica a respeito de trabalhos relacionados. A partir dessas discussões, a arquitetura CAES e o mecanismo CALM são apresentados. O CAES (Coupled Agent-Environment System) é uma arquitetura para a descrição de sistemas baseados na dicotomia agente-ambiente. Ele define agente e ambiente como dois sistemas parcialmente abertos, em acoplamento dinâmico. O agente, por sua vez, é composto por dois subsistemas, mente e corpo, seguindo os princípios de situatividade e motivação intrínseca. O CALM (Constructivist Anticipatory Learning Mechanism) é um mecanismo de aprendizagem fundamentado na abordagem construtivista da Inteligência Artificial. Ele permite que um agente situado possa construir um modelo de mundo em ambientes parcialmente observáveis e parcialmente determinísticos, na forma de um Processo de Decisão de Markov Parcialmente Observável e Fatorado (FPOMDP). O modelo de mundo construído é então utilizado para que o agente defina uma política de ações a fim de melhorar seu próprio desempenho. / This research is characterized, first, by a theoretical discussion on the concept of autonomous agent, based on elements taken from the Situated AI and the Affective AI paradigms. Secondly, this thesis presents the problem of learning world models, providing a bibliographic review regarding some related works. From these discussions, the CAES architecture and the CALM mechanism are presented. The CAES (Coupled Agent-Environment System) is an architecture for describing systems based on the agent-environment dichotomy. It defines the agent and the environment as two partially open systems, in dynamic coupling. The agent is composed of two sub-systems, mind and body, following the principles of situativity and intrinsic motivation. CALM (Constructivist Learning Anticipatory Mechanism) is based on the constructivist approach to Artificial Intelligence. It allows a situated agent to build a model of the world in environments partially deterministic and partially observable in the form of Partially Observable and Factored Markov Decision Process (FPOMDP). The model of the world is constructed and used for the agent to define a policy for action in order to improve its own performance.

Cette recherche se caractérise, premièrement, par une discussion théorique sur le concept d'agent autonome, basée sur des éléments issus des paradigmes de l'Intelligence Artificielle Située et de l'Intelligence Artificielle Affective. Ensuite, cette thèse présente le problème de l'apprentissage de modèles du monde, en passant en revue la littérature concernant les travaux qui s'y rapportent. À partir de ces discussions, l'architecture CAES et le mécanisme CALM sont présentés. CAES (Coupled Agent-Environment System) constitue une architecture pour décrire des systèmes basés sur la dichotomie agent-environnement. Il définit l'agent et l'environnement comme deux systèmes partiellement ouverts, en couplage dynamique. L'agent, à son tour, est composé de deux sous-systèmes, l'esprit et le corps, suivant les principes de la situativité et de la motivation intrinsèque. CALM (Constructivist Anticipatory Learning Mechanism) est un mécanisme d'apprentissage fondé sur l'approche constructiviste de l'Intelligence Artificielle. Il permet à un agent situé de construire un modèle du monde dans des environnements partiellement observables et partiellement déterministes, sous la forme d'un processus de décision markovien partiellement observable et factorisé (FPOMDP). Le modèle du monde construit est ensuite utilisé pour que l'agent puisse définir une politique d'action visant à améliorer sa propre performance. / Esta pesquisa caracteriza-se, primeiramente, pela condução de uma discussão teórica sobre o conceito de agente autônomo, baseada em elementos provenientes dos paradigmas da Inteligência Artificial Situada e da Inteligência Artificial Afetiva. A seguir, a tese apresenta o problema da aprendizagem de modelos de mundo, fazendo uma revisão bibliográfica a respeito de trabalhos relacionados. A partir dessas discussões, a arquitetura CAES e o mecanismo CALM são apresentados. O CAES (Coupled Agent-Environment System) é uma arquitetura para a descrição de sistemas baseados na dicotomia agente-ambiente. Ele define agente e ambiente como dois sistemas parcialmente abertos, em acoplamento dinâmico. O agente, por sua vez, é composto por dois subsistemas, mente e corpo, seguindo os princípios de situatividade e motivação intrínseca. O CALM (Constructivist Anticipatory Learning Mechanism) é um mecanismo de aprendizagem fundamentado na abordagem construtivista da Inteligência Artificial. Ele permite que um agente situado possa construir um modelo de mundo em ambientes parcialmente observáveis e parcialmente determinísticos, na forma de um Processo de Decisão de Markov Parcialmente Observável e Fatorado (FPOMDP). O modelo de mundo construído é então utilizado para que o agente defina uma política de ações a fim de melhorar seu próprio desempenho. / This research is characterized, first, by a theoretical discussion on the concept of autonomous agent, based on elements taken from the Situated AI and the Affective AI paradigms. Secondly, this thesis presents the problem of learning world models, providing a bibliographic review regarding some related works. From these discussions, the CAES architecture and the CALM mechanism are presented. The CAES (Coupled Agent-Environment System) is an architecture for describing systems based on the agent-environment dichotomy. It defines the agent and the environment as two partially open systems, in dynamic coupling. The agent is composed of two sub-systems, mind and body, following the principles of situativity and intrinsic motivation. CALM (Constructivist Learning Anticipatory Mechanism) is based on the constructivist approach to Artificial Intelligence. It allows a situated agent to build a model of the world in environments partially deterministic and partially observable in the form of Partially Observable and Factored Markov Decision Process (FPOMDP). The model of the world is constructed and used for the agent to define a policy for action in order to improve its own performance.