Caruthers argues that the mindreading capacity and the introspective capacity are in fact one and the same capacity. This single capacity relies on the same sub-personal "interpretive" mechanism that takes sensory information as input and produces attitudes as output. I use neuroscience research to show that if the “interpretive mechanism” exists, and moreover that it operates in accordance to Caruthers’ description in mindreading tasks, (e.g. detecting external cues and paying attention to others’ behavior), then this operation would have to be handled or implemented at the neural level by the Task Oriented Neural Network. On the other hand, it is well known that self-referential thought, including introspective thought is handled by the Default Mode Network. This consequence is problematic for the view that self and other attitude attributions are done by the same mechanism. The same cognitive operation can not be implemented by two distinct neural networks that are in competition with one another. Moreover, the Default Mode neural network and the Task Oriented networks implement such different types of thinking that they oppose and interrupt one another’s functioning. If the only difference between the two networks were that one simply handles a larger quantity of information than the other, then they wouldn’t be in competition. It appears that there is indeed something special about the very nature of self-referential information such that it determines the type of operations involved in its processing. / text

Os equipamentos robóticos foram inicialmente criados para atuarem em ambientes industriais fechados. Com o passar do tempo, melhorias foram conquistadas. Atualmente, não se limitam mais à realização de tarefas simples e repetitivas em locais especialmente preparados. Novos equipamentos, capazes de atuarem em ambientes abertos e de realizarem as mais diversas atividades, estão sendo desenvolvidos. Para tanto, é necessário que seus sistemas de controle realizem uma efetiva interação com o mundo onde estão inseridos. Fazem-se necessários, portanto, novos sistemas controladores com capacidade de uma contínua adaptação ao ambiente dinâmico onde operam. As redes neurais artificiais, devido a sua capacidade de tratamento de problemas não lineares – matematicamente difíceis de serem resolvidos, estão sendo empregadas no controle destes processos. O gerenciamento da trajetória de um veículo móvel em ambientes abertos ou fechados é um procedimento altamente não-linear, logo, a aplicação das redes neurais artificiais é bastante promissora. Apesar de sua grande versatilidade, as redes neurais artificiais têm sido utilizadas apenas como sistemas de mapeamento. A grande maioria delas necessita de uma fase de treinamento para que possam armazenar a diversidade de estados possíveis do sistema. Quando atuam, elas simplesmente mapeiam os seus valores de entrada (estado atual) nas soluções previamente armazenadas. Contudo, esta não é a melhor abordagem para os sistemas abertos, ou seja, para os processos cujas situações e possibilidades não podem ser totalmente enumeradas e que podem ser mutáveis no decorrer do tempo. Este trabalho apresenta uma metodologia de controle neural adaptativo para guiar um veículo móvel até o seu destino em ambientes contendo obstáculos fixos ou móveis. Diferentemente das abordagens tradicionais, não existe a necessidade de um treinamento prévio da rede. A rede neural artificial escolhida promove uma contínua adaptação do sistema enquanto atua. Neste processo, são utilizados sensores que fornecem subsídios para que a rede possa gerar, adaptativamente, soluções parciais que façam com que o veículo autônomo se aproxime cada vez mais do seu objetivo, até, finalmente, atingi-lo. / The robotic equipments were created initially to actuate in closed industrial environments. Improvements have been acquieved in this area. Nowadays, they are no longer limited to perform simple and repetitive tasks in controlled places. New equipments, capable of acting in open environments and doing the most several activities, are being developed. For so much, it is necessary that its control systems accomplish an effective interaction with the world where they are inserted. Therefore, new systems controllers with capacity of a continuous adaptation to the dynamic environments are essential. Artificial neural networks, due to their capacity of dealing wit non-linear problems – mathematically difficult to be solved – are being used to control these kind of processes. Guide a mobile vehicle through an open or controlled environments is a highly non-linear procedure; therefore, the use of an artificial neural nets is quite promising. In spite of its great versatility, they have just been used as mapping systems. Most of them need a training phase so that they can store the diversity of system’s possible states. When they actuate, they simply map their input values (current state) to the solutions previously stored. However, this is not the best approach for open systems, i.e. systems whose situations and possibilities cannot be totally enumerated and that can change in time. This work presents an adaptive neural control methodology to guide a mobile vehicle to its target in environments with fixed or mobile obstacles. Differently from the traditional approaches, the need of a previous training phase of the neural network doesn't exist. The chosen model of artificial neural net promotes a continuous adaptation of the system while it actuates. Sensors are used to provide informations to the net. This way it generates partial solutions that makes the autonomous vehicle gets closer of its goal, until, finally, reach it.

Os equipamentos robóticos foram inicialmente criados para atuarem em ambientes industriais fechados. Com o passar do tempo, melhorias foram conquistadas. Atualmente, não se limitam mais à realização de tarefas simples e repetitivas em locais especialmente preparados. Novos equipamentos, capazes de atuarem em ambientes abertos e de realizarem as mais diversas atividades, estão sendo desenvolvidos. Para tanto, é necessário que seus sistemas de controle realizem uma efetiva interação com o mundo onde estão inseridos. Fazem-se necessários, portanto, novos sistemas controladores com capacidade de uma contínua adaptação ao ambiente dinâmico onde operam. As redes neurais artificiais, devido a sua capacidade de tratamento de problemas não lineares – matematicamente difíceis de serem resolvidos, estão sendo empregadas no controle destes processos. O gerenciamento da trajetória de um veículo móvel em ambientes abertos ou fechados é um procedimento altamente não-linear, logo, a aplicação das redes neurais artificiais é bastante promissora. Apesar de sua grande versatilidade, as redes neurais artificiais têm sido utilizadas apenas como sistemas de mapeamento. A grande maioria delas necessita de uma fase de treinamento para que possam armazenar a diversidade de estados possíveis do sistema. Quando atuam, elas simplesmente mapeiam os seus valores de entrada (estado atual) nas soluções previamente armazenadas. Contudo, esta não é a melhor abordagem para os sistemas abertos, ou seja, para os processos cujas situações e possibilidades não podem ser totalmente enumeradas e que podem ser mutáveis no decorrer do tempo. Este trabalho apresenta uma metodologia de controle neural adaptativo para guiar um veículo móvel até o seu destino em ambientes contendo obstáculos fixos ou móveis. Diferentemente das abordagens tradicionais, não existe a necessidade de um treinamento prévio da rede. A rede neural artificial escolhida promove uma contínua adaptação do sistema enquanto atua. Neste processo, são utilizados sensores que fornecem subsídios para que a rede possa gerar, adaptativamente, soluções parciais que façam com que o veículo autônomo se aproxime cada vez mais do seu objetivo, até, finalmente, atingi-lo. / The robotic equipments were created initially to actuate in closed industrial environments. Improvements have been acquieved in this area. Nowadays, they are no longer limited to perform simple and repetitive tasks in controlled places. New equipments, capable of acting in open environments and doing the most several activities, are being developed. For so much, it is necessary that its control systems accomplish an effective interaction with the world where they are inserted. Therefore, new systems controllers with capacity of a continuous adaptation to the dynamic environments are essential. Artificial neural networks, due to their capacity of dealing wit non-linear problems – mathematically difficult to be solved – are being used to control these kind of processes. Guide a mobile vehicle through an open or controlled environments is a highly non-linear procedure; therefore, the use of an artificial neural nets is quite promising. In spite of its great versatility, they have just been used as mapping systems. Most of them need a training phase so that they can store the diversity of system’s possible states. When they actuate, they simply map their input values (current state) to the solutions previously stored. However, this is not the best approach for open systems, i.e. systems whose situations and possibilities cannot be totally enumerated and that can change in time. This work presents an adaptive neural control methodology to guide a mobile vehicle to its target in environments with fixed or mobile obstacles. Differently from the traditional approaches, the need of a previous training phase of the neural network doesn't exist. The chosen model of artificial neural net promotes a continuous adaptation of the system while it actuates. Sensors are used to provide informations to the net. This way it generates partial solutions that makes the autonomous vehicle gets closer of its goal, until, finally, reach it.

Os equipamentos robóticos foram inicialmente criados para atuarem em ambientes industriais fechados. Com o passar do tempo, melhorias foram conquistadas. Atualmente, não se limitam mais à realização de tarefas simples e repetitivas em locais especialmente preparados. Novos equipamentos, capazes de atuarem em ambientes abertos e de realizarem as mais diversas atividades, estão sendo desenvolvidos. Para tanto, é necessário que seus sistemas de controle realizem uma efetiva interação com o mundo onde estão inseridos. Fazem-se necessários, portanto, novos sistemas controladores com capacidade de uma contínua adaptação ao ambiente dinâmico onde operam. As redes neurais artificiais, devido a sua capacidade de tratamento de problemas não lineares – matematicamente difíceis de serem resolvidos, estão sendo empregadas no controle destes processos. O gerenciamento da trajetória de um veículo móvel em ambientes abertos ou fechados é um procedimento altamente não-linear, logo, a aplicação das redes neurais artificiais é bastante promissora. Apesar de sua grande versatilidade, as redes neurais artificiais têm sido utilizadas apenas como sistemas de mapeamento. A grande maioria delas necessita de uma fase de treinamento para que possam armazenar a diversidade de estados possíveis do sistema. Quando atuam, elas simplesmente mapeiam os seus valores de entrada (estado atual) nas soluções previamente armazenadas. Contudo, esta não é a melhor abordagem para os sistemas abertos, ou seja, para os processos cujas situações e possibilidades não podem ser totalmente enumeradas e que podem ser mutáveis no decorrer do tempo. Este trabalho apresenta uma metodologia de controle neural adaptativo para guiar um veículo móvel até o seu destino em ambientes contendo obstáculos fixos ou móveis. Diferentemente das abordagens tradicionais, não existe a necessidade de um treinamento prévio da rede. A rede neural artificial escolhida promove uma contínua adaptação do sistema enquanto atua. Neste processo, são utilizados sensores que fornecem subsídios para que a rede possa gerar, adaptativamente, soluções parciais que façam com que o veículo autônomo se aproxime cada vez mais do seu objetivo, até, finalmente, atingi-lo. / The robotic equipments were created initially to actuate in closed industrial environments. Improvements have been acquieved in this area. Nowadays, they are no longer limited to perform simple and repetitive tasks in controlled places. New equipments, capable of acting in open environments and doing the most several activities, are being developed. For so much, it is necessary that its control systems accomplish an effective interaction with the world where they are inserted. Therefore, new systems controllers with capacity of a continuous adaptation to the dynamic environments are essential. Artificial neural networks, due to their capacity of dealing wit non-linear problems – mathematically difficult to be solved – are being used to control these kind of processes. Guide a mobile vehicle through an open or controlled environments is a highly non-linear procedure; therefore, the use of an artificial neural nets is quite promising. In spite of its great versatility, they have just been used as mapping systems. Most of them need a training phase so that they can store the diversity of system’s possible states. When they actuate, they simply map their input values (current state) to the solutions previously stored. However, this is not the best approach for open systems, i.e. systems whose situations and possibilities cannot be totally enumerated and that can change in time. This work presents an adaptive neural control methodology to guide a mobile vehicle to its target in environments with fixed or mobile obstacles. Differently from the traditional approaches, the need of a previous training phase of the neural network doesn't exist. The chosen model of artificial neural net promotes a continuous adaptation of the system while it actuates. Sensors are used to provide informations to the net. This way it generates partial solutions that makes the autonomous vehicle gets closer of its goal, until, finally, reach it.