Configuração de uma Rede Neural Artificial Paraconsistente para o Método de Aprendizado por Demonstração aplicado à um Braço Robótico
DOI:
https://doi.org/10.33448/rsd-v11i7.29720Palavras-chave:
Aprendizagem por demonstração; Ensino; Inteligência Artificial; Lógica paraconsistente anotada; Rede neural artificial paraconsistente.Resumo
A Lógica Paraconsistente Anotada – LPA é uma lógica não clássica, baseada em conceitos que permitem, sob certas condições, aceitar a contradição em seus fundamentos, sem invalidar as conclusões. Interpretações matemáticas em seu reticulado associado, possibilitam a obtenção de equações e construções de algoritmos, que formam redes de análise paraconsistentes eficientes, em tratar sinais simulando aprendizagem. O algoritmo utilizado nesta pesquisa, é denominado de Célula Neural Artificial Paraconsistente de aprendizagem (CNAPap), e foi criado a partir das equações baseadas em LPA. Com sinais padronizados repetidamente aplicados à sua entrada, a CNAPap é capaz de armazenar gradativamente estas informações, aumentando ou diminuindo seu nível de resposta na saída com variação assintótica, controlado por um Fator de Aprendizagem (FA). Para executar os testes, um conjunto de cinco CNAPaps formando uma Rede Neural Artificial Paraconsistente de aprendizagem (RNAPap), foi implementado em um microcontrolador ATMEGA 328p e vários ensaios foram realizados para validar o seu funcionamento, atuando no aprendizado por demonstração (LfD) em um Robô Manipulador. Considerando a frágil estrutura mecânica do Robô Manipulador, e dos dispositivos sensores adaptados para responder aos padrões, os resultados laboratoriais obtidos nos diversos testes apresentados foram satisfatórios, e o Sistema microprocessado construído respondeu de modo eficiente, onde os níveis de acertos, corresponderam entre 75% a 90%, em todas as etapas do método de LfD. Os resultados de estudos comparativos, mostraram que a RNAPap possui propriedades dinâmicas com capacidade de atuar, tanto no método de aprendizagem por demonstração, como no método de imitação.
Referências
Abe, J. M., Akama, S., Nakamatsu, K., & Da Silva Filho, J. I. (2018). Some Aspects on Complementarity and Heterodoxy in Non-Classical Logics. Procedia Computer Science, 126, 1253–1260. https://doi.org/10.1016/j.procs.2018.08.068
Mario, M. C., Garcia, D. V., Da Silva Filho, J. I., Silveira Junior, L., & Barbuy, H. S. (2021). Characterization and classification of numerical data patterns using Annotated Paraconsistent Logic and the effect of contradiction. Research, Society and Development, 10(13), e283101320830, https://rsdjournal.org/index.php/rsd/article/view/20830
Andreas, J., Klein, D., & Levine, S. (2017) Modular multitask reinforcement learning with policy sketches. In Proceedings of the 34th International Conference on Machine Learning. 70, 166–175. JMLR. org, 2017. 1, 2
Argall, B. D., Chernova, S., Veloso, M., & Browning, B. (2009). A survey of robot learning from demonstration. Robotics and Autonomous Systems, 57(5), 469-483, https://doi.org/10.1016/j.robot.2008.10.024.
Billard, A., Calinon, S., Dillmann, R., & Schaal, S. (2008). Robot programming by demonstration. In Siciliano, B., and Khatib, O., eds., Springer Handbook of Robotics. Springer Berlin Heidelberg. 2008, 1371–1394.
Chi, M., Yao, Y., Liu, Y., & Zhong, M. Learning, Generalization, and Obstacle Avoidance with Dynamic Movement Primitives and Dynamic Potential Fields. Appl. Sci. 2019, 9, 1535. https://doi.org/10.3390/app9081535
Corrêa, M. P., Machado, A. C., Da Silva Filho, J. I., Garcia, D. V., Mario, M. C., & Sedano, C. T. S. (2022). Paraconsistent annotated logic applied to industry assets condition monitoring and failure prevention based on vibration signatures. Research, Society and Development, [S. l.], 11(1), e14211125104, 2022. 10.33448/rsd-v11i1.25104.
Da Costa N. C. A., & Abe J. M. (2000). Paraconsistência em Informática e Inteligência Artificial, Ciência • Estud. Av. 14 (39) • Https://Doi.Org/10.1590/S0103-40142000000200012
Da Silva Filho, J. I., Abe, J. M., Marreiro, A. D. L., Martinez, A. A. G., Torres, C. R, Rocco, A., Côrtes, H. M., Mario, M. C., Pacheco, M. T. T., Garcia, D. V., & Blos, M. F. (2021) Paraconsistent annotated logic algorithms applied in management and control of communication network routes Sensors, 21(12), 4219 https://doi.org/10.3390/s21124219
Da Silva Filho, J. I., Lambert-Torres, G., & Abe. J. M. (2010). Uncertainty treatment using paraconsistent logic—introducing paraconsistent artificial neural networks. 2010; 320.
Ekvall, S., & Kragic, D. (2008). Robot learning from demonstration: A task-level planning approach. International Journal of Advanced Robotic Systems, 5(3):223234.
Garcia, D. V., Da Silva Filho, J. I., Silveira Jr, L, Pacheco, M. T. T., Abe, J. M., et al. Analysis of Raman spectroscopy data with algorithms based on paraconsistent logic for characterization of skin cancer lesions. Vibrational Spectroscopy 2019;103;102929.
Gienger, M., Mühlig, M., & Steil, J. J. (2010). Imitating object movement skills with robots — A task-level approach exploiting generalization and invariance. 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems, 1262-1269, 10.1109/IROS.2010.5649990.
Haykin, S. (2001) Redes Neurais: Princípios e Práticas. (2a. ed.): Bookman.
Ijspeert, A. J., Nakanishi, J., & Schaal, S. (2002). Learning rhythmic movements by demonstration using nonlinear oscillators. In Proceedings of the IEEE/RSJ Int. Conference on Intelligent Robots and Systems (IROS2002), 2002, pages 958-963.
Liu, T., & Lemeire, J. (2017) Efficient and Effective Learning of HMMs Based on Identification of Hidden States. Mathematical Problems in Engineering, vol. 2017, Article ID 7318940, 26 pages, 2017. https://doi.org/10.1155/2017/7318940
Mario, M. C., Garcia, D. V., Da Silva Filho, J. I., Silveira Júnior, L., & Barbuy, H. S. (2021). Characterization and classification of numerical data patterns using Annotated Paraconsistent Logic and the effect of contradiction. Research, Society and Development, [S. l.], 10(13), e283101320830, 10.33448/rsd-v10i13.20830.
Mohseni-Kabir, A., Rich, C., Chernova, S., Sidner, C. L., & Miller, D. (2015). Interactive hierarchical task learning from a single demonstration. In Proceedings of the Tenth Annual - ACM/IEEE International Conference on Human-Robot Interaction, HRI ’15, 2015, 205–212. New York, NY, USA: ACM
Nicolescu, M. N., & Mataric, M. J. (2003). Natural methods for robot task learning: Instructive demonstrations, generalization and practice. In Proceedings of the second international joint conference on Autonomous agents and multiagent systems, 2003, 241–248. ACM.
Niekum, S., Osentoski, S., Konidaris, G., Chitta, S., Marthi, B., & Barto, A. G. (2015) Learning grounded finite-state representations from unstructured demonstrations. The International Journal of Robotics Research. 2015; 34(2):131-157. 10.1177/0278364914554471
Pastor, P., Kalakrishnan, M., Meier, F., Stulp, F., Buchli, J., Theodorou, E., & Schaal, S. (2013). From dynamic movement primitives to associative skill memories. Robotics and Autonomous Systems, 2013, 61(4), 351–361.
Rosário, J. M. (2009) Automação Industrial: Editora: Baraúna. 2009. 517 págs. ISBN-13: 978-8579230004
Schaal, S. (2006) Dynamic movement primitives-a framework for motor control in humans and humanoid robotics. in Adaptive Motion of Animals and Machines. Springer, 2006, pp. 261–280.
Gebin, L. G. G., Salgado, R. M., & Nogueira, D. A. (2020). Wind Power Forecast: Ensemble Model Based in Statistical and Machine Learning Models. Research, Society and Development, 9(12), e38291211251, 10.33448/rsd-v9i12.11251.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Paulino Machado Gomes; Cláudio Luís Magalhães Fernandes; João Inácio da Silva Filho; Rodrigo Silvério da Silveira; Leonardo do Espírito Santo; Mauricio Conceição Mario; Vitor da Silva Rosa; Germano Lambert Torres
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
