A informação disponível para robôs em tarefas reais encontra-se amplamente distribuída tanto no espaço quanto no tempo, fazendo com que o agente busque informações relevantes. Neste trabalho, uma solução que usa conhecimento qualitativo e quantitativo da tarefa é implementada a fim de permitir que tarefas robóticas reais sejam tratáveis por algoritmos de Aprendizagem por Reforço (AR). Os passos deste procedimento incluem: 1) decompor a tarefa completa em tarefas menores, usando abstração e macro-operadores, para que um espaço de ações discreto seja atingido; 2) aplicar um modelo de representação do espaço de estados a fim de atingir discretização tanto no espaço de estados quanto no de tempo; 3) usar conhecimento quantitativo para projetar controladores capazes de resolver as subtarefas; 4) aprender a coordenação destes comportamentos usando AR, mais especificamente o algoritmo Q-learning. O método proposto foi verificado em um conjunto de tarefas de complexidade crescente por meio de um simulador para o robô Khepera. Dois modelos de discretização para o espaço de estados foram usados, um baseado em estados e outro baseado em atributos --- funções de observação do ambiente. As políticas aprendidas sobre estes dois modelos foram comparadas a uma política pré-definida. Os resultados mostraram que a política aprendida sobre o modelo de discretização baseado em estados leva mais rapidamente a resultados melhores, apesar desta não poder ser aplicada a tarefas mais complexas, onde o espaço de estados sob esta representação se torna computacionalmente inviável e onde um método de generalização deve ser aplicado. O método de generalização escolhido implementa a estrutura CMAC ( extit{Cerebellar Model Articulation Controller}) sobre o modelo de discretização baseado em estados. Os resultados mostraram que a representação compacta permite que o algoritmo de aprendizagem seja aplicado sobre este modelo, apesar de que, para este caso, a política aprendida sob o modelo de discretização baseado em atributos apresenta melhor performance.

As Máquinas de Vetores de Suporte (SVMs) são consideradas ferramentas com grande capacidade de generalização e são utilizadas em tarefas de classificação, clusterização e regressão. Foram originalmente criadas para trabalhar com problemas contendo duas classes, entretanto, muitas aplicações reais necessitam de um método para discriminação em múltiplas classes, como são os casos da identificação biométrica, categorização de textos, reconhecimento de caracteres, entre outros. Além das SVMs existem métodos de classificação puramente geométricos que são interessantes por sua rapidez, seu baixo custo em memória e sua capacidade de classificar dados linearmente separáveis. Um desses métodos é o Diagrama de Voronoi, que em conjunto com seu grafo dual conhecido por Triangulação de Delaunay, são aplicados em áreas como Arqueologia, Astronomia, Cartografia, Geometria Computacional, entre outras. Neste trabalho é proposto um mecanismo para utilizar a estrutura geométrica da Triangulação de Delaunay para definir o esquema de treinamento dos hiperplanos obtidos através das SVMs. A partir deste ponto, é proposta uma função para tratamento das regiões consideradas como não-classificáveis encontradas com a ocorrência das interseções entre os hiperplanos gerados. Com a aplicação dos métodos, as partições obtidas no plano permitem uma classificação multiclasse eficiente e com bons resultados de generalização mesmo com o uso de quantidade significativa de classes contendo poucas amostras.

Este trabalho tem por objetivo propor, projetar e testar novas arquiteturas de circuitos visando o seu uso em projetos de microprocessadores difusos que processem as suas informações no modo analógico. Para isto duas topologias de uma máquina de inferência foram desenvolvidas e implementadas. A grande inovação obtida a partir de uma das propostas é o circuito fuzificador desenvolvido, que a partir da utilização de sinais de controle digitais é capaz de gerar funções de pertinência do tipo triangular, trapezoidal, "S" ou "Z". Nesta proposta, a partir de sinais externos de controle, tanto a inclinação, como a altura das funções geradas podem ser alteradas e, ainda, as funções podem ser deslocadas dentro do seu intervalo de existência, ou seja, dentro do seu universo de discurso. A célula principal deste circuito fuzificador foi desenvolvida baseada no princípio translinear aplicado a dispositivos CMOS. Uma segunda arquitetura de um circuito fuzificador também é apresentada e discutida. Tal arquitetura é baseada em circuitos do tipo espelho de corrente CMOS, sendo a mesma completamente modular. Nesta arquitetura, o circuito que merece mais destaque é o circuito que tem por função deslocar o sinal de corrente de entrada em intervalos pré-determinados. O mesmo foi denominado de circuito de escalonamento de correntes. Na literatura, até onde se saiba, não existe circuito com característica similar. Um módulo de inferência foi, também, desenvolvido realizando suas operação baseando-se no método proposto por Mandami, sendo que as mesmas são do tipo max e min. Todos os circuitos foram implementados em modo corrente, pois, além de necessitarem de menor área de silício, podem ser otimizados para operar em altas velocidades. Este trabalho ainda apresenta e discute uma topologia para um circuito defuzificador. As medidas realizadas nos protótipos, já na sua versão integrada, mostram que a proposta do trabalho é válida e viável, sendo que todos os valores obtidos se enquadram dentro dos parâmetros do projeto estabelecidos inicialmente. Os blocos foram implementados, por hardware analógico, usando tecnologia CMOS 0,8 mm da AMS - Austria Mikro Systeme International AG.