A contribuição e objetivo desta tese é desenvolver um modelo de redes neurais artificiais, baseado em princípios de memória associativa, capaz de resolver o problema de planejamento e controle ponto a ponto de trajetória de um braço mecânico imerso em um ambiente parcialmente conhecido e/ou sujeito a ruídos. O modelo proposto é formado por dois planos: plano seqüência temporal e plano ângulo. Para o plano seqüência temporal, o novo modelo proposto chamado de Memória Associativa Multidirecional Temporal (TMAM) é capaz de armazenar e recuperar n-tuplas de informações, lidar com informações ruidosas e/ou incompletas e aprender seqüências temporais. TMAM utiliza representação contínua e realimentação autoassociativa. O plano ângulo é formado pelo modelo RBF que é responsável por produzir as informações de ângulos das juntas do braço mecânico. A composição dos dois planos forma o sistema completo que é responsável pelo planejamento e controle ponto a ponto de trajetória. Em resumo, o sistema recebe informações do ponto origem e do ponto alvo, estabelece uma trajetória para atingir o ponto alvo a partir do ponto de origem e transforma os pontos espaciais da trajetória em valores de ângulos das juntas. Os resultados obtidos mostram que o modelo TMAM é capaz de recuperar, interpelar e extrapolar pontos nas seqüências, é capaz de gerar trajetórias, de memorizar seqüências de diferentes tamanhos e de lidar com duas trajetórias ao mesmo tempo. O modelo apresenta também rápido treinamento. O modelo RBF é capaz de recuperar as saídas desejadas apresentando um erro pequeno e é capaz de receber um padrão que apresenta um ponto final inatingível e gerar um conjunto de ângulos que representa um ponto final atingível. / The aim of this project is to develop an artificial neural networks model based on principles of associative memory. This neural network model must be able to solve the problem of trajectory planning and point to point control of a robot arm, which is located in a partially known and/or noisy environment. The proposed model is composed by two surfaces: the temporal sequence surface and the angle surface. For the temporal sequence surface the new propose model Temporal Multidirectional Associative Memmy (TMAM) is able to store and recall n-tuplas of information, to deal with noisy and/or incomplete information and to learn temporal sequences. TMAM uses a continuas representation and autoassociative feedback. A RBF model is used to implement the angle surface, which is liable for producing the angle information for the joint of the robot arm. The two surfaces compose the whole system which is liable for the trajectory planning and system control. Hence, the system receives information about the initial point and the target point, constructs the trajectory to reach the target point from the initial point and converts the spatial points which compose the trajectory, in values of joint angles. The obtained results show that TMAM model can recall, interpolate and extrapolate points in the sequences. The model has the ability of generating new trajectories and memorizing different size of sequences at the same time. This model also shows fast learning. The RBF model can recall the desired outputs with a small error and can receive a pattern which is formed by an unreachable final point and generate a set of angles which, in turn, represent a reachable final point.

A contribuição e objetivo desta tese é desenvolver um modelo de redes neurais artificiais, baseado em princípios de memória associativa, capaz de resolver o problema de planejamento e controle ponto a ponto de trajetória de um braço mecânico imerso em um ambiente parcialmente conhecido e/ou sujeito a ruídos. O modelo proposto é formado por dois planos: plano seqüência temporal e plano ângulo. Para o plano seqüência temporal, o novo modelo proposto chamado de Memória Associativa Multidirecional Temporal (TMAM) é capaz de armazenar e recuperar n-tuplas de informações, lidar com informações ruidosas e/ou incompletas e aprender seqüências temporais. TMAM utiliza representação contínua e realimentação autoassociativa. O plano ângulo é formado pelo modelo RBF que é responsável por produzir as informações de ângulos das juntas do braço mecânico. A composição dos dois planos forma o sistema completo que é responsável pelo planejamento e controle ponto a ponto de trajetória. Em resumo, o sistema recebe informações do ponto origem e do ponto alvo, estabelece uma trajetória para atingir o ponto alvo a partir do ponto de origem e transforma os pontos espaciais da trajetória em valores de ângulos das juntas. Os resultados obtidos mostram que o modelo TMAM é capaz de recuperar, interpelar e extrapolar pontos nas seqüências, é capaz de gerar trajetórias, de memorizar seqüências de diferentes tamanhos e de lidar com duas trajetórias ao mesmo tempo. O modelo apresenta também rápido treinamento. O modelo RBF é capaz de recuperar as saídas desejadas apresentando um erro pequeno e é capaz de receber um padrão que apresenta um ponto final inatingível e gerar um conjunto de ângulos que representa um ponto final atingível. / The aim of this project is to develop an artificial neural networks model based on principles of associative memory. This neural network model must be able to solve the problem of trajectory planning and point to point control of a robot arm, which is located in a partially known and/or noisy environment. The proposed model is composed by two surfaces: the temporal sequence surface and the angle surface. For the temporal sequence surface the new propose model Temporal Multidirectional Associative Memmy (TMAM) is able to store and recall n-tuplas of information, to deal with noisy and/or incomplete information and to learn temporal sequences. TMAM uses a continuas representation and autoassociative feedback. A RBF model is used to implement the angle surface, which is liable for producing the angle information for the joint of the robot arm. The two surfaces compose the whole system which is liable for the trajectory planning and system control. Hence, the system receives information about the initial point and the target point, constructs the trajectory to reach the target point from the initial point and converts the spatial points which compose the trajectory, in values of joint angles. The obtained results show that TMAM model can recall, interpolate and extrapolate points in the sequences. The model has the ability of generating new trajectories and memorizing different size of sequences at the same time. This model also shows fast learning. The RBF model can recall the desired outputs with a small error and can receive a pattern which is formed by an unreachable final point and generate a set of angles which, in turn, represent a reachable final point.