Algoritmos de aprendizado de caminhos ótimos estão presentes em diversos cenários. Diante disso, o LRTA* (learning real time A*) surge como uma opção que concilia planejamento e ação. O presente artigo estuda como a variação da quantidade de agentes impacta nas distâncias percorridas por eles para encontrar o caminho ótimo utilizando o LRTA* em ambientes estáticos. Através de experimentos, observou-se a existência de uma relação de que ao aumentar o número de agentes, a quantidade de movimentos totais e per capita tendem a curvas matemáticas, sendo elas uma linear e uma exponencial decrescente, respectivamente. Por meio dessa relação, é possível definir a melhor quantidade de agentes na busca do caminho ótimo em termos de desempenho.
Este artigo apresenta o projeto RobotFun e seus objetivos: i) permitir que os estudantes do Grupo PET realizem atividades de pesquisa, ensino e extensão sob um único projeto, e ii) ser um meio de atrair estudantes para os cursos de engenharia de computação, ciência da computação e afins, e amenizar a evasão de calouros desses cursos. O grupo desenvolveu um robô que pode ser programado em uma linguagem visual para pessoas leigas na área. O aprendiz pode comandar o robô real ou simular seu comportamento. Os resultados do projeto são apresentados sob a forma de lições aprendidas observando aspectos como a motivação do aluno, a aprendizagem e a gestão das atividades tanto para o projeto robô como para as atividades de ensino.
Localization is a crucial skill in mobile robotics because the robot needs to make reasonable navigation decisions to complete its mission. Many approaches exist to implement localization, but artificial intelligence can be an interesting alternative to traditional localization techniques based on model calculations. This work proposes a machine learning approach to solve the localization problem in the RobotAtFactory 4.0 competition. The idea is to obtain the relative pose of an onboard camera with respect to fiducial markers (ArUcos) and then estimate the robot pose with machine learning. The approaches were validated in a simulation. Several algorithms were tested, and the best results were obtained by using Random Forest Regressor, with an error on the millimeter scale. The proposed solution presents results as high as the analytical approach for solving the localization problem in the RobotAtFactory 4.0 scenario, with the advantage of not requiring explicit knowledge of the exact positions of the fiducial markers, as in the analytical approach.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.