Para desempenhar tarefas cooperativas de maneira descentralizada, exige-se que sistemas multi-robô comuniquem-se entre si. Portanto, manter a conectividade do grafo de comunicação é uma questão fundamental. Neste trabalho, nós analisamos o efeito de diferentes tipos de perturbação na estratégia de controle para manutenção de conectividade descrita em (SABATTINI, 2012), avaliando o impacto de falha, atraso e ruído na comunicação entre os agentes. Os resultados mostram que a estratégia para garantir a conectividade nem sempre é resiliente aos efeitos negativos de tais perturbações em configurações realistas que consideram um limite de banda para o esforço de controle. Contudo, características inerciais inerentes da maioria dos sistemas aquáticos e terrestres abrem perspectiva de aplicação da estratégia de manutenção de conectividade a sistemas adaptativos que consideram, por exemplo, adaptação autônoma a restrições outras além da própria conectividade, como eficiência na comunicação ou captação de energia.

Humanoid walking is considered one of the hardest problems in Robotics. Current state-of-the-art humanoid robots are able to achieve high speeds on flat ground. However, they still exhibit agility, dexterity, robustness, flexibility and energy efficiency far below a typical human does. In this thesis, our main goal is to develop an omnidirectional walking engine for a humanoid robot. We follow an approach based on the Zero Moment Point (ZMP) concept, which provides an useful criterion for biped stability. To avoid dealing directly with the complex dynamics of a high degrees of freedom humanoid robot, we used the 3D Linear Inverted Pendulum Model (3D-LIPM) to approximate the robot dynamics. The resulting equations allowed us to find a suitable center of mass (CoM) trajectory to maintain the robot balance analytically by solving a boundary value problem. Furthermore, we employed strategies to improve the walking robustness: we make the robot move its arms in order to compensate the yaw moment induced by the legs and we developed a feedback controller that uses the torso angular velocities to stabilize the walk. Taking advantage of the methods developed for walking, we also developed a kicking motion. Finally, experiments were done to validate the methods developed in this work.

Este trabalho propõe e implementa uma solução para o problema de mapeamento 2D de ambientes internos usando um robô móvel (projetado e construído especificamente para essa pesquisa) equipado com o sensor Kinect da Microsoft. Esse sensor é classificado como uma câmera RGB-D ou câmera de profundidade, pois gera uma nuvem densa de pontos com informação de posição 3D associada a cada ponto. Para tal, um conjunto de pontos de luz infravermelha é projetado no ambiente usando um padrão pseudoaleatório pré-determinado e uma câmera infravermelha interna no Kinect detecta e calcula a localização dos pontos de luz que estão no seu campo de visão. Inicialmente a nuvem de pontos gerada pelo Kinect é processada pelo algoritmo RANSAC (RANdom SAmple Consensus) para extração das características (localização) dos objetos do ambiente no sistema de coordenadas com origem no robô móvel (mapa local). As imagens de duas câmeras RGB do tipo webcam sem fio no teto do laboratório são usadas para determinar a pose do robô (localização e orientação) no mapa global. Com essa informação, as coordenadas dos objetos detectados são transformadas do mapa local para o mapa global. O robô deve então ser reposicionado no ambiente para que uma nova nuvem de pontos seja gerada e capturada pelo Kinect embarcado. Neste trabalho, uma lente do tipo zoom foi usada para reduzir o alcance mínimo do Kinect de 80 cm (valor padrão) para aproximadamente 30 cm. Visando reduzir os erros de localização, são propostos e implementados modelos de calibração para a câmera IR do Kinect e para o algoritmo de localização do robô a partir das imagens das câmeras do teto. Os resultados de testes experimentais no laboratório em um ambiente real com tamanho 1,60 m x 2,70 m comprovam que a solução proposta é satisfatória.

Esta dissertação apresenta o projeto, a construção e a avaliação experimental de uma plataforma móvel autônoma construída para atender os seguintes requisitos: 1) seguir uma trajetória previamente planejada utilizando para isto uma fusão entre as informações provenientes da sua odometria e dos marcos externos artificiais distribuídos no ambiente, e 2) transmitir em tempo real informações relativas à postura (posição + orientação) estimada pela plataforma para um computador base. As informações provenientes da odometria da plataforma são obtidas utilizando encoders incrementais ópticos construídos em rodas auxiliares. A informação proveniente dos marcos externos é obtida a partir de 5 sensores de infravermelho que detectam segmentos de faixa branca (grade reticulada com diagonais) colocados sobre piso preto. São implementados dois algoritmos embarcados, um algoritmo de controle e um algoritmo de estimação da trajetória realizada pela plataforma. O algoritmo de controle é utilizado para corrigir a orientação da plataforma ao longo da trajetória realizada. O algoritmo de estimação calcula a postura (posição + orientação) da plataforma no ambiente e envia o resultado para o computador base em tempo real. Os resultados experimentais mostram que os algoritmos de controle e estimação da trajetória efetivamente: 1) fazem a plataforma seguir a trajetória planejada com pequenos erros e 2) evitam o acúmulo do erro de odometria decorrente do uso do método de dead-reckoning.

A partir de leis de controle utilizadas para modelagem de robôs móveis, é apresentado a implementação das mesmas no robô móvel MAGELLAN PRO do Laboratório de Robótica Móvel da Divisão de Eletrônica e Computação desta instituição. Em trabalhos anteriores foi desenvolvido a implementação para o modelo cinemático, em que são verificados que incertezas de natureza dinâmica influenciam o erro de postura do referido robô, ocasionando imprecisão em trajetórias mais complexas do robô. A lei de controle é desenvolvida a partir de modelo dinâmico proposto por Yamamoto, que considera não ocorrer um perfeito rastreamento de velocidade. É utilizada uma Rede Neural Artificial (RNA) com pesos ajustáveis, que trabalha juntamente ao controlador cinemático, para compensação dos distúrbios dinâmicos desconhecidos e limitados e também a dinâmica não-modelada do tipo não-estruturada, presentes em várias trajetórias propostas para o robô móvel. As trajetórias são diversificadas, para o controlador cinemático e para o controlador dinâmico, e são tornadas mais complexas para o controlador dinâmico, permitindo uma avaliação da melhora do mesmo em relação ao outro no problema de rastreamento de trajetória do robô móvel.

Esta tese trata da aplicação de múltiplas redes neurais em sistemas mecatrônicos. É mostrado que as múltiplas redes neurais devem ser treinadas em seqüência, tal que aprendizado acumulativo possa ser obtido sem a necessidade de um coordenador geral. Este método de treinamento pode manter o aprendizado já adquirido pelas redes neurais, que foram treinadas primeiramente, enquanto novo aprendizado pode ser obtido pelas redes neurais, que foram adicionadas e treinadas posteriormente. A saída de todas as redes é simplesmente somada para produzir a saída da estrutura neural. A estrutura proposta de múltiplas redes neurais é aplicada em dois tipos de sistemas mecatrônicos: a) para controlar a posição de um sistema com uma haste flexível e b) para criar uma matriz de representação comprimida, que é usada no planejamento de trajetórias de um robô móvel considerando o desvio de obstáculos dinâmicos. Para o sistema com uma haste flexível, o uso de múltiplas redes neurais em três tipos de estruturas de controle do tipo Feedback-Error-Learning é investigado: IDML (Inverse Dynamic Model Learning), NRL (Nonlinear Regulator Learning) e Referência Atrasada. Para o problema de planejamento de trajetórias de um robô móvel, primeiramente a técnica Reinforcement Learning é usada para adquirir o aprendizado necessário na decisão de como desviar de obstáculos dinâmicos. Este aprendizado é codificado em uma matriz. Então as múltiplas redes neurais são usadas para criar uma representação mais comprimida desse aprendizado com uma pequena degradação da resolução.

Este trabalho aborda o problema da concepção de sistemas supervisórios para células robóticas colaborativas flexíveis na indústria aeronáutica. Para esta finalidade, é proposta uma abordagem mista para modelagem e verificação de células robóticas baseada em simulação gráfica de robôs e rede de Petri colorida. Rede de Petri é utilizada para modelar o sistema supervisório que gerencia as atividades dos robôs, a interação com outros elementos e para representar a lógica de programação. Simulação gráfica de robôs é aplicada para ilustrar o comportamento dos robôs em um ambiente 3D indicando, por exemplo, a ocorrência de colisões. A flexibilidade da aplicação requer que os robôs trabalhem subordinados ao sistema supervisório, tendo suas trajetórias definidas durante a execução das tarefas e não previamente programadas em seus controladores. Como conseqüência, com o propósito de verificar a célula robótica colaborativa, ambas as ferramentas de simulação devem ser integradas. A motivação deste trabalho é a concepção de uma célula de trabalho para a indústria aeronáutica, automatizando os processos de furação e inserção de prendedores em partes da fuselagem. A célula é composta de dois robôs que devem trabalhar em cooperação e em colaboração na montagem estrutural de aeronaves.

A robótica móvel autônoma é uma área de pesquisa onde o foco primordial concentra-se na busca incessante de meios que possibilitem a operação de um robô móvel sem a intervenção humana e de um modo mais inteligente possível. Para isso, essa busca pode ser dividida em diferentes ênfases: planejamento de ações, mapeamento de ambiente e localização do robô dentro do mundo em que se encontra. Mais especificamente, o problema de determinação da localização é considerado por alguns como o fator mais importante para capacitar a autonomia de um robô móvel. Muito já foi proposto sobre técnicas de localização, e, dentre as mais recentes, destaca-se o algoritmo de localização Monte Carlo, uma técnica eficiente no que diz respeito à solução dos diversos problemas que abrangem estimação de posição de um robô móvel. O trabalho aqui apresentado tem por objetivo a implementação de um algoritmo de estimação de posição baseado no algoritmo de localização Monte Carlo em conjunto com um Algoritmo Genético. Aqui, a função deste último é minimizar erros acentuados de localização, ocasionados pela deficiência dos modelos probabilísticos que representam a dinâmica de movimento e a percepção sensorial do robô. Isso acontece, principalmente no caso de sensores do tipo sonar diante de obstáculos do tipo quina. O resultado obtido é o método de localização Monte Carlo Genético, que se apresentou como uma possível solução para minimização desses erros de localização. O grande empecilho, porém, constatado nessa abordagem, é o elevado número de parâmetros a serem configurados. O desafio, então, torna-se encontrar o ajuste ideal de parametrização para obtenção de melhor desempenho deste método.