Matheus Maquiné - AP1 IAA

Prévia do material em texto

Prof. José Ruben Sicchar, D.Sc. 1ª Avaliação Escrita de Inteligência Artificial para Automação
(6,0 pontos na AP1)
Nucleo de Controle e Automação
Nome do Aluno(a): Matheus Maquiné Nunes Lopes
Matrícula: 2015090022
1. Questão (1,0 ponto)
Data de aplicação: 28/10/24
Aborde sobre a participação da inteligência artificial na resolução de problemas de automação
de sistemas, dentro do contexto da indústria 4.0. Justifique.
R = A Indústria 4.0 representa a quarta revolução industrial, caracterizada pela integração de
tecnologias avançadas, como inteligência artificial (IA), Internet das Coisas (IoT), big data,
computação em nuvem, robótica avançada e automação, no ambiente de manufatura. Logo, a
inteligência artificial interfere diretamente na solução de problemas de automação na indústria. Ela
desempenha um papel essencial na automação de sistemas dentro da Indústria 4.0, pois ela amplia a
capacidade das máquinas de "aprender" com dados e tomar decisões autônomas. Alguns exemplos
como monitoramento preditivo, manutenção preventiva e otimização de processos são aplicações de
IA amplamente usadas nas indústrias.
2. Questão (2,0 pontos)
Selecione um trabalho científico (artigo de revista ou de congressos nacionais ou
internacionais) com aplicação de aprendizado de máquina ou com aplicação de algoritmos
genéticos, e elabore um resumo com os seguintes tópicos: a motivação e proposta,
metodologia, resultados e conclusões do trabalho (2,0 pontos).
Obs.: Os artigos, não poderão ser repetidos.
Título:Uso de Algoritmos Genéticos para a Configuração Automática do Caminhar em Robôs
Móveis
Artigo Referencial
A aplicação foi tirada do seguinte artigo científico: HEINEN, Milton Roberto; OSÓRIO,
Fernando Santos. Uso de algoritmos genéticos para a configuração automática do caminhar em
robôs móveis. Anais do Encontro de Robótica Inteligente (EnRI), 2006.
Motivação e Proposta
Ao criar robôs dotados de pernas, uma das maiores dificuldades é desenvolver o seu complexo
caminhar, que, se for feito manualmente, leva muito tempo para ser desenvolvido. A proposta visa
automatizar a configuração do caminhar de robôs móveis dotados de pernas, uma tarefa complexa que
envolve o ajuste de diversos parâmetros para manter a estabilidade e eficiência. A configuração
manual desses parâmetros é um processo demorado, exigindo conhecimento especializado. Para
resolver esse problema, o estudo propõe o sistema LegGen, que utiliza Algoritmos Genéticos (AG)
para evoluir os parâmetros do caminhar de robôs simulados, maximizando o desempenho de
locomoção em um ambiente virtual.
Metodologia
O sistema LegGen foi desenvolvido em C++ com a biblioteca de simulação Open Dynamics
Engine (ODE) para simular fisicamente o ambiente de caminhada dos robôs. Utilizou-se a biblioteca
GAlib para implementar os AGs, onde cada cromossomo representa um conjunto de parâmetros de
caminhada. A função de fitness avalia o desempenho do caminhar considerando fatores como distância
percorrida e estabilidade. Diversos robôs de quatro e seis pernas foram simulados para avaliar o
desempenho e as melhores configurações de locomoção.
Inicialmente foram modelados e testados diversos tipos de robôs, até que se chegou aos quatro
modelos principais:
Resultados e Conclusões
Os resultados mostraram que os robôs com seis pernas foram mais eficientes em termos de
velocidade e estabilidade, especialmente o modelo HexaL2J, que apresentou a melhor relação entre
velocidade, estabilidade e simplicidade estrutural. Experimentos repetidos mostraram que os robôs de
seis pernas são mais adequados para manter a estabilidade estática, permitindo uma locomoção mais
rápida sem riscos de queda.
O sistema LegGen conseguiu configurar automaticamente o caminhar de robôs simulados com
eficiência, reduzindo a necessidade de intervenção humana. Concluiu-se que robôs com seis pernas e
duas articulações por perna têm melhor desempenho em relação a velocidade e estabilidade, e futuras
etapas do trabalho incluem a construção de robôs físicos e o aprimoramento do sistema para lidar com
robôs bípedes e humanoides.
3. Questão (3,0 pontos)
Baseado nas aulas 05, 06 e 07 faça uma avaliação comparativa de cada técnica, citando
vantagens e desvantagens. Cite um exemplo diferente aos das aulas referenciadas, podem ser
de artigos científicos de congresso e /ou revista (Qualis A e B somente).
A aula 05 trata da relação entre malha de controle supervisório e inteligência artificial. Trata-se
de um método auxiliar de suporte em sistemas de automação e controle, modelando a previsão de
comportamento do processo. Esse método é uma ferramenta para auxiliar a inteligência artificial. Seu
principal ponto positivo é a precisão de identificar conteúdo sistêmico, ou seja, alguma tarefa repetitiva
e de maior facilidade de automatização, o que garante maior produtividade e rendimento de tempo,
porém não foca a implementação de regulação de variáveis de controle de processos., isto é, na
melhora de performance dinâmica e estabilidade. Dessa forma, se torna crucial entender o contexto da
malha de automação de processos.
A árvore de decisão, abordada na aula 06, pode ser definido como métodos de aprendizagem,
supervisionados de um conjunto de dados, com a finalidade de classificar incidências e gerar regras ou
inferências para a automação da tomada de decisão de tarefas ou procedimentos a serem aplicados num
processo, sistema ou cenário. Logo é formada por um banco de dados para processamento, e um
conjunto de algoritmos de formulação de modelos de classificação de incidências. Os bancos de dados
garantirão um poder de processamento em relação à precisão ainda maior, sendo um ótimo modelo
para aplicação na área de gestão e operação de máquinas, por exemplo. Embora seja ótima em
aplicações de sistemas conhecidos, ao trabalhar com sistemas ruidosos não possui um desempenho tão
satisfatório.
Na aula 07 foi aplicado um estudo de caso utilizando a lógica Fuzzy, uma poderosa ferramenta
de classificação de dados para geração de regras de inferências para a tomada de decisão, focando na
ativação de tarefas ou respostas de aprimoramento de processos. Note que essa lógica não se trata de
métodos de aprendizagem, mas de métodos de classificação de conjuntos de dados, ou seja, encontra a
solução através de processamento de variáveis de entrada e dados categorizados, que irão gerar uma
saída (resposta) numérica. Por se tratar de um método que necessita de banco de dados, além de
trabalhar sempre com o conjunto de regras, necessita de um grande poder computacional para
funcionar nas mesmas condições que outras metodologias abordadas.
Citação: DE OLIVEIRA, Paulo de Tarso Carvalho et al. PREVISÃO DA DEMANDA DE ENERGIA
ELÉTRICA UTILIZANDO LÓGICA FUZZY E FUNÇÃO DE AUTOCORRELAÇÃO ESTENDIDA.
Esse artigo citado é uma aplicação da lógica Fuzzy em previsão de demanda de energia elétrica,
um tema amplamente debatido e de extrema importância. Você vai notar como que a aplicação de IA
para prever demanda pode contribuir com a eficiência energética, tanto no mercado livre de energia
quanto no mercado cativo.
Boa sorte!
: