No treinamento de Modelos Escondidos de Markov (MEMs) é necessário um sistema adequado de sensoriamento, pois são as leituras sensoriais que subentendem a sequência de estados do modelo. Muitas vezes sensores ruidosos, imprecisos ou pouco confiáveis, bem como a própria configuração das leituras sensoriais (tipo de sensor, quantidade de informações sensoriais utilizadas, incertezas do sistema de sensoriamento, etc.) pode gerar um número muito grande de diferentes possíveis símbolos de observação para cada estado do modelo, dificultando seu treinamento. Nesse trabalho é apresentada uma arquitetura de MEMs em cascata com a finalidade de treinar modelos que melhor representem as transições entre os estados do sistema real modelado. Na arquitetura em cascata, através da segmentação do conjunto de leituras sensoriais, a quantidade de símbolos de observação utilizados no treinamento pode ser reduzida facilitando o treinamento dos modelos. Experimentos usando ambas arquiteturas (monolítica e em cascata), aplicados à geração de mapas topológicos para robos móveis foram realizados utilizando leituras sensoriais reais e os resultados comprovaram que os mapas gerados pelo modelo em cascata são mais parecidos com do mapa real do ambiente porém, com maior custo computacional.
| Identifer | oai:union.ndltd.org:IBICT/oai:agregador.ibict.br.BDTD_ITA:oai:ita.br:1928 |
| Date | 15 August 2011 |
| Creators | Ederson Rafael Wagner |
| Contributors | Carlos Henrique Costa Ribeiro |
| Publisher | Instituto Tecnológico de Aeronáutica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações do ITA, instname:Instituto Tecnológico de Aeronáutica, instacron:ITA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds