Submitted by Clebson Anjos (clebson.leandro54@gmail.com) on 2016-02-16T22:43:34Z No. of bitstreams: 1 arquivototal.pdf: 6316800 bytes, checksum: 0b88bad394fd98379d16f9b515a3f984 (MD5) / Made available in DSpace on 2016-02-16T22:43:34Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 6316800 bytes, checksum: 0b88bad394fd98379d16f9b515a3f984 (MD5) Previous issue date: 2015-08-31 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The communication between robots is essential and of great interest in the robotics research eld. It is from it that the robots can discover and pass on information about obstacles in their way, pass on to the other robots information about a target that other robot can not detect, determine together which is the best route to follow, among others, until the goals are achieved. The major di culty in the context where robot communication exists in an Ad Hoc network is distancing the robots from each other. So that one of them for example, may migrate to another area leaving their initial formation, completing a speci c task and return to the starting point, in addition to distancing the whole formation of robots from a central computer. By distancing a robot from the limits imposed by other means will entail a loss of signal compromising communication between them. This way, knowing a wireless network coverage area where robots will be connected is an important process for the implementation of a system of communication between robots. The aim of this work is to demonstrate the feasibility of expanding the coverage area of a wireless network, to be used in multi-robot systems, of a formation of robots that use a Real Time Database (RTDB) in multilayer networks that using the IEEE 802.11 and 802.15.4, analyzing the behavior of this expansion in relation to connectivity of robots, coverage area and interference in wireless networks. According to the performed experiments, the results demonstrate the robustness and reliability of the proposed scenario and it was shown that the use of multilayer networks provides a greater range in the coverage area of a robot training. / A comunicação entre robôs é tarefa fundamental e de grande importância na robótica. É a partir dela que robôs conseguem descobrir e repassar informações sobre obstáculos encontrados no caminho, transmitir informações sobre um alvo que outro robô não consiga detectar ou determinar, em conjunto com outros robôs, a melhor rota a ser seguida, entre outros. Uma das grandes dificuldades, no contexto em que se tem a comunicação de robôs em uma rede sem o, está em distanciá-los. Um deles, por exemplo, pode migrar para uma outra área a m de realizar uma tarefa específi ca, distanciando-se, assim, da sua formação inicial e ultrapassando o limiar de cobertura de rede. Ao distanciar um robô do outro, os limites conferidos pelo meio acarretarão uma perda de sinal comprometendo a comunicação entre eles. Deste modo, conhecer a área de cobertura de uma rede sem o onde robôs estarão conectados é um processo importante para a implantação de um sistema de comunicação entre robôs. Este trabalho propõe expansão da área de cobertura de uma rede sem o, a ser utilizada em sistemas multi-robôs, usando um Middleware de Base de Dados em Tempo Real - RTDB, em redes multicamadas que utilizam os padrões IEEE 802.11 e 802.15.4, analisando o comportamento dessa expansão em relação a conectividade dos robôs, área de cobertura e de interferência de Redes Sem Fio. Os resultados obtidos demonstram a robustez e con fiabilidade do cenário proposto e de acordo com os experimentos realizados, comprovou-se que o uso de redes multicamadas proporciona um maior alcance na área de cobertura de uma formação de robôs.

Made available in DSpace on 2014-12-17T14:55:03Z (GMT). No. of bitstreams: 1 OscarGF.pdf: 1901439 bytes, checksum: f8f1a37dca7a69d726f7a9453cbf0a98 (MD5) Previous issue date: 2004-03-05 / This work develops a robustness analysis with respect to the modeling errors, being applied to the strategies of indirect control using Artificial Neural Networks - ANN s, belong to the multilayer feedforward perceptron class with on-line training based on gradient method (backpropagation). The presented schemes are called Indirect Hybrid Control and Indirect Neural Control. They are presented two Robustness Theorems, being one for each proposed indirect control scheme, which allow the computation of the maximum steady-state control error that will occur due to the modeling error what is caused by the neural identifier, either for the closed loop configuration having a conventional controller - Indirect Hybrid Control, or for the closed loop configuration having a neural controller - Indirect Neural Control. Considering that the robustness analysis is restrict only to the steady-state plant behavior, this work also includes a stability analysis transcription that is suitable for multilayer perceptron class of ANN s trained with backpropagation algorithm, to assure the convergence and stability of the used neural systems. By other side, the boundness of the initial transient behavior is assured by the assumption that the plant is BIBO (Bounded Input, Bounded Output) stable. The Robustness Theorems were tested on the proposed indirect control strategies, while applied to regulation control of simulated examples using nonlinear plants, and its results are presented / Este trabalho utiliza as Redes Neurais Multicamadas - RNM s, totalmente com treinamento em tempo real (on-line), no desenvolvimento de duas estrat?gias de controle indireto. Os esquemas propostos denominam-se Controle H?brido Indireto e Controle Neural Indireto. Todo o treinamento dos neurodispositivos - o identificador da planta e o controlador, quando presentes na malha de controle indireto, ? realizado com um m?nimo de atraso computacional, de modo a contemplar o controle de plantas com pequenos per?odos de amostragem. S?o apresentados Teoremas de Estabilidade para garantia da converg?ncia dos dispositivos neurais, assim como foram feitas considera??es para adequar o m?todo de acelera??o da converg?ncia h-adaptativo utilizado ?s condi??es de estabilidade. Para cada esquema de controle indireto foi desenvolvido um teorema que permite calcular o m?ximo erro permanente (steady-state error) que poder? ocorrer em fun??o da toler?ncia previamente especificada para converg?ncia dos dispositivos neurais usados na malha de controle, desde que a estabilidade seja garantida. Estes teoremas foram denominados de Teoremas da Robustez e constituem a principal contribui??o deste trabalho. As condi??es de estabilidade e robustez foram testadas para as estrat?gias de Controle H?brido Indireto e de Controle Neural Indireto, sendo apresentados os resultados obtidos na simula??o computacional do controle de regula??o de plantas n?o-lineares, BIBO (Bounded Input, Bounded Output) est?veis