Vous êtes sur la page 1sur 13

Coordenac ao em Times Heterog eneos de Veculos N ao

Tripulados
Paulo Andr e Haacke
1
, Edison Pignaton de Freitas
1,2
, Carlos Eduardo Pereira
1
1
Instituto de Inform atica Universidade Federal do Rio Grande do Sul (UFRGS)
Caixa Postal 15.064 Porto Alegre 91.501-970 RS Brasil
2
Departamento de Tecnologia da Informac ao Universidade Federal de Santa Maria (UFSM)
CESNORS Frederico Westphalen 98400-000 RS Brasil
pahaacke@inf.ufrgs.br, edison.p.freitas@ufsm.br, cpereira@ece.ufrgs.br
Abstract. This work try to solve the problem of coordinating multiple unman-
ned vehicle systems. The presented approach is based in solving missions, e.g.
solving a group of global tasks. Then we propose two solutions based on multi-
agent systems. The rst is a market based solution and the second uses articial
pheromones.
Resumo. O presente trabalho oferece uma resoluc ao ao problema de
coordenac ao em sistemas constitudos por multiplos Veculo N ao Tripulado. A
abordagem apresentada do problema e baseada em miss oes, que s ao conjuntos
de tarefas globais. Nesse contexto propomos duas soluc oes baseadas em Sis-
tema Multi-Agente. A primeira soluc ao e baseada no paradigma de mercado e
a segunda e baseado em ferom onios articiais.
1. Introduc ao
Por anos veculos n ao tripulados aut onomos t em sido utilizados na realizac ao de miss oes
em diversas areas. Organizac oes de intelig encia e militares tem utilizado veculos a ereos
n ao tripulados pra localizar, estimar e atacar alvos que se encontram a quil ometros de
dist ancia da estac ao de controle terrestre. Sistemas que envolvem agricultura de pre-
cis ao utilizam veculos n ao tripulados para monitorar e estimar par ametros do ambiente.
Al em disso, atualmente diversas miss oes t aticas, como miss oes de busca e resgate em
ambientes de desastre, miss oes militares em ambientes montanhosos, urbanos, a ereos ou
subaqu aticos se valem da utilizac ao de rob os operados remotamente, como e o caso de
diversos Veculo N ao Tripulado (VNT). Vale destacar que Veculos A ereos N ao Tripula-
dos (VANTs) foram usados com algum sucesso no Iraque e durante os esforcos de resgate
do furac ao Katrina. VNTs reduzemsignicantemente o custo e o risco para a vida humana
enquanto amplicam as capacidades de reac ao e de combate.
Entretanto, existe uma barreira formid avel para atingir a vis ao de m ultiplos
veculos operando cooperativamente. Sistemas desse tipo costumam aplicar id eias do
ramo da intelig encia articial para resolver seus problemas. A area que estuda este tipo
de aplicac ao de e chamada de Sistema Multi-Agente (SMA). SMAs devem equilibrar
capacidade, conabilidade, e robustez com tarefas e objetivos da miss ao ao criar uma
estrat egia efetiva para coordenar os m ultiplos agentes presentes no sistema.
Neste contexto, o presente trabalho tem por objetivo modelar um SMA baseado
em uma abordagem organizacional centralizada em torno do conceito de miss ao. Uma
miss ao, no contexto de sistemas de VNT, e uma tarefa ou conjunto de tarefas que de-
vem ser realizados pelo sistema. Duas soluc oes foram propostas, a primeira de car ater
centralizado e a segunda de car ater distribudo.
A sec ao 2 apresenta alguns trabalhos propondo uma estrat egia para resolver um
problemas similares ao debatido neste trabalho. Em 3 s ao apresentados os conceitos e
ferramentas relacionados como trabalho. Na sec ao 4 o problema a ser tratado e delimitado
e alguns cen arios s ao propostos. Em seguida, na sec ao 5, s ao discutidas as soluc oes
te oricas propostas. Em 6 s ao dadas algumas explicac oes relacionadas a implementac ao
do projeto para o Trabalho de Graduac ao 2 (TG2). Por ultimo, s ao tracadas as devidas
conclus oes em 7.
2. Trabalhos Relacionados
Em [Vokrnek et al. 2011] e proposto e avaliado uma t ecnica distribuda para realizar a
vigil ancia e rastreamento cooperativos por um time de VANTs com recursos limitados.
O princpio que permite um n umero limitado de veculos cobrir um grande conjunto de
objetivos e baseado na representac ao de objetivos orientados a tarefas e na atribuic ao e
troca din amica de tarefas entre os agentes. O problema de alocac ao de tarefas e resolvido
atrav es do uso de contratos inter-agente (compromissos). O sistema organizacional usado
e hier arquico. Por m, um resolvedor multi-agente decomp oe o problema e o delega
para agentes aut onomos que resolvem individualmente as partes do problema. A soluc ao
global e obtida juntando as soluc oes individuais.
O trabalho proposto em [Miller et al. 2004] usa uma met afora de time esportivo
para conseguir tanto r apido quanto complexo controle sobre a iniciativa de agentes atrav es
de uma variedade de VANTs. O usu ario do sistema faz uma chamada de jogo, que e
o mesmo que requisitar um servico de um ou v arios VANTs, o que pode ou n ao ser
especicado na requisic ao.
Em [Parunak et al. 2005] e apresentada uma proposta de SMA baseado em mar-
cadores qumicos, ou ferom onios articiais, para planejamento de caminho em col onias
de formigas. Parunak descreve ferom onios como um meio de construir campos de poten-
cial que podem guiar a coordenac ao do movimento fsico. J a em [Parunak et al. 2007] e
apresentada uma proposta bastante sosticada de implementac ao de um SMA envolvendo
agentes reativos, chamada de modelo Behavior Evolution and Extrapolation (BEE)
1
. BEE
e um abordagem inovadora para reconhecer o estado racional e emocional de m ultiplas
interac oes entre agentes baseando-se puramente em seu comportamento.
3. Contextualizac ao
3.1. Veculo N ao Tripulado
VNT s ao veculos onde a presenca de um piloto e desnecess aria. Estes veculos podem
ser controlados por uma estac ao de controle ou funcionar de maneira aut onoma, embora
ambas estrat egias sejam usadas de maneira cooperativa.
Um VNT aut onomo, ou agente, possui capacidades que s ao inuenciadas pelo
hardware e pelo rmware embarcados no mesmo. Em geral, diversos sensores se conec-
tam a um sistema central, que funciona como um piloto autom atico, rodando um rmware
1
Behavior Evolution and Extrapolation
que e respons avel por monitorar os sensores, determinar a pr oxima ac ao e gerar a sada
para controlar o agente. Al em disso, esse sistema central e geralmente respons avel por
gerenciar a comunicac ao entre os diversos agentes, e tamb em com a estac ao de controle.
3.2. Sistemas Multi-Agente
A capacidade de um agente e limitada pelo seu conhecimento, seus recursos computacio-
nais e sua perspectiva. Este limite na racionalidade [Simon 1957] e um dos motivos que
s ao criados grupos para resolver problemas. A ferramenta mais poderosa para lidar com
a complexidade dos problemas e a modularidade e a abstrac ao. A pesquisa com SMAs
est a preocupada com o estudo, comportamento, e construc ao de uma colec ao de agen-
tes aut onomos possivelmente pre-existentes que interagem entre si e com o ambiente. O
estudo deste tipo de sistemas vai al em da intelig encia individual de cada agente conside-
rando, adicionalmente, a resoluc ao de problemas que envolvam componentes sociais. De
acordo com [Jennings et al. 1998], as caractersticas de um SMA s ao as seguintes:
Cada agente possui informac oes ou capacidades incompletas para resolver o pro-
blema e, sendo assim, possui um ponto de vista limitado;
N ao existe um controle global do sistema;
Os dados s ao descentralizados;
A computac ao e assncrona.
A seguir ser ao apresentados alguns dos principais desaos de projeto dentro de um SMA.
3.2.1. Agente
De acordo com [Wooldridge et al. 1995], um agente e um sistema computacional situado
em algum ambiente, e que e capaz de ac oes aut onomas nesse ambiente de modo a se con-
formar com os objetivos de projeto. Autonomia, neste contexto, signica simplesmente
que o agente deveria ser capaz de agir sem a intervenc ao direta de humanos ou outros
agentes, e deve ter controle sobre suas pr oprias ac oes e estados internos.
Agentes com esquemas sosticados de racionalizac ao podem aumentar a
coer encia do SMA porque cada agente individualmente pode raciocinar sobre efeitos glo-
bais de ac oes locais, formar expectativas sobre o comportamento dos outros, ou explicar
e possivelmente reparar conitos e interac oes nocivas. Diversos trabalhos em Intelig encia
Articial (IA) tentam formalizar uma axiomatizac ao l ogica para agentes racionais. Esta
axiomatizac ao e obtida pela formalizac ao do comportamento de um agente em termos
de crencas, desejos, objetivos, etc. Estes trabalhos s ao conhecidos como sistemas de
Crenca, Desejo e Intenc ao (BDI)
2
(ver [Bratman et al. 1988]). Um agente que possui uma
arquitetura BDI pode tamb em ser chamado de deliberativo.
O conceito de agentes reativos foi introduzido em [Brooks 1991], onde e feito uma
crtica a agentes deliberativos e se argumenta que intelig encia e o produto da interac ao en-
tre um agente e seu ambiente e comportamentos inteligentes emergem da interac ao entre
v arios comportamentos mais simples organizados em camadas atrav es de uma relac ao
mestre-escravo de inibic ao. Agentes reativos agem usando comportamentos baseados em
resposta a estmulos, dessa forma estes n ao possuem uma representac ao do ambiente, eles
2
Belief-Desire-Intention.
respondem ao estado atual do ambiente em que est ao inseridos. Eles n ao tem mem oria ou
planejam o futuro. Atrav es de interac ao com outros agentes comportamentos complexos
podem emergir. Em sistemas reativos, a relac ao entre comportamentos individuais, am-
biente e comportamento global n ao e bem entendida, o que necessariamente torna difcil
projetar agentes para completar tarefas especcas, em geral se faz uso de diligentes pro-
cessos de experimentac ao, tentativa e erro.
Para a maioria dos problemas, n ao se usa uma estrat egia puramente reativa ou
puramente deliberativa, mas arquiteturas hbridas que pode combinar aspectos de ambas
abordagens. Tipicamente arquiteturas deste tipo s ao feitas atrav es de um certo de n umero
de camadas de software, cada uma lidando com um nvel diferente de abstrac ao.
3.2.2. Organizac ao
Uma organizac ao oferece um conjunto de ferramentas para interac ao entre agentes
atrav es da denic ao de cargos, comportamento esperado e relac oes de autoridade.
Organizac oes s ao, em geral, conceituadas em termos de suas estruturas, ou seja, o padr ao
de informac oes e relac oes de controle que existe entre os agentes e a distribuic ao de suas
capacidades de resolver problemas. Na resoluc ao de problemas de cooperac ao uma estru-
tura oferece a cada agente uma vis ao de alto nvel de como o grupo resolve os problemas.
A estrutura deve tamb em oferecer as informac oes de conex ao entre os agentes para que
eles possam distribuir os problemas a agentes competentes.
A estrutura organizacional imp oe limitac oes na maneira com que os agentes se
comunicam e se coordenam. De acordo com [Horling and Lesser 2004], os principais
exemplos de organizac oes que foram exploradas na literatura de SMA incluem hierar-
quias, holarquias, coligac oes, times, congregac oes, sociedades, federac oes, mercados e
organizac oes matriciais.
3.2.3. Alocac ao de Tarefas
Alocac ao de tarefas e o problema de atribuir responsabilidade e recursos para resoluc ao
de problemas a um agente.
Em um extremo, o engenheiro pode fazer todas atribuic oes de tarefas antecipada-
mente, criando assim uma organizac ao xa para resoluc ao do problema. Esta abordagem
e limitante e inexvel para ambientes com alto grau de dinamismo, abertura e incerteza.
Entretanto, a atribuic ao de tarefas pode ser feita de maneira exvel e din amica. O pro-
blema de alocac ao de recursos foi tratado em [Davis and Smith 1983] onde foi proposto
o amplamente conhecido Protocolo de Redes de Contrato (CNP)
3
.
3.2.4. Planejamento Multi-Agente
Planejamento, para um agente individual, e o processo de construir uma sequ encia de
ac oes considerando somente objetivos, capacidades e restric oes do ambiente. Entretanto,
3
Contract Net Protocol.
planejamento em um ambiente de SMA tamb em considera as restric oes que as atividades
de outros agentes, os compromissos que o pr oprio agente tem com outros, e a evoluc ao
imprevisvel do ambiente para determinar as decis oes de ac ao em um agente.
3.2.5. Reconhecimento e Resoluc ao de Conitos
Como SMAs possuem apenas uma vis ao local existe potencial para disparidade e incon-
sist encias nos objetivos, planos, conhecimentos, crencas e resultados de um agente. Para
resolver o problema de maneira coerente, estas disparidades devem ser identicadas e re-
solvidas. Disparidades podem ser resolvida fazendo com que um agente saiba o estado de
todos agentes, logo este poderia determinar onde est ao as disparidades e como resolve-
las. Esta abordagem e limitante pois faz deste agente um gargalo do sistema. Detectar
e corrigir disparidades e conitos usando apenas uma perspectiva local pode ser muito
difcil. Para facilitar a detecc ao e resoluc ao de conitos, agentes podem contar com mo-
delos do ambiente e de outros agentes. A resoluc ao de disparidades pode ser inuenciada
pela estrutura organizacional da sociedade em que o agente participa e seu papel nela, os
tipos de modelos que um agente tem acesso, e os algoritmos de raciocnio do agente. A
principal abordagem utilizada para resolver disparidades em SMAs e a negociac ao. Neste
tipo de estrat egia os agentes se comunicam e iterativamente trocam propostas e contra-
propostas. Alguns trabalhos desenvolvidos utilizando a abordagem de negociac ao podem
ser vistos em [Sycara 1990, Kraus et al. 1995, Wanyama and Homayoun Far 2007].
4. Delimitac ao do Problema
O sistema proposto ser a composto por VNTs expostos a ac ao de um ambiente din amico.
Diferentes tipos de veculos podem entrar e sair do sistema, ou seja, o sistema social
tamb em e din amico e relac oes podem ser criadas e quebradas sem aviso pr evio. A na-
tureza dos veculos e heterog enea. Os recursos disponveis em cada veculo dependem
da natureza do veculo e das func oes disponveis no mesmo. Considerando uma miss ao
pr e-determinada, o sistema deve ser capaz de se organizar e realizar a mesma da melhor
maneira possvel, ou seja, usando os recursos de cada indivduo de maneira equilibrada,
eciente e robusta.
Dado a situac ao exposta, iremos expor uma soluc ao que se prop oe a resolver o
problema de controlar veculos heterog eneos, expostos a um ambiente din amico, de modo
que eles consigam se coordenar com o objetivo de realizar uma miss ao qualquer.
5. Soluc ao Proposta
Esta proposta ir a explorar dois conceitos principais: habilidade e tarefa. Uma habilidade
pode ser vista como uma func ao que um agente e capaz de realizar, ou seja, s ao as ca-
pacidades daquele agente. Cada habilidade e constituda por um conjunto de tarefas que
devem ser realizadas pelo agente que possuir aquela habilidade. Uma miss ao e descrita
por um conjunto de tarefas. De um ponto de vista pr atico, uma habilidade pode ser vista
como uma func ao (ou classe) que deve ser embarcada no VNT atrav es de seu rmware,
onde cada veculo pode possuir diferentes habilidades.
Todo agente deve possuir pelo menos a habilidade de registrar habilidades, para
que o mesmo possa ter acesso a suas habilidades de uma maneira estruturada e saber
diferenciar quando e, ou n ao, capaz de realizar uma tarefa.
Para que um SMA seja capaz de realizar miss oes e preciso que exista pelo me-
nos um agente capaz de interpretar as tarefas descritas na miss ao e planejar a alocac ao
de recursos do sistema. A seguir ser ao discutidas duas propostas para resolver este pro-
blema, baseando-se em diferentes paradigmas. A primeira, descrita em 5.1, e baseado
no paradigma organizacional de mercado e a segunda, apresentada na sec ao 5.2, faz uma
proposta baseada no dep osito de ferom onios articiais.
5.1. Sistema de Mercado
Um mercado e caracterizado por consumidores e fornecedores de servicos. Os consu-
midores disponibilizam um conjunto de tarefas a ser realizado e os fornecedores fazem
ofertas de servicos atrav es de lances de leil ao. O lance no leil ao pode ser descrito atrav es
de uma func ao de utilidade determinada pelas habilidades e estados do fornecedor. Um
mercado precisa de um leiloeiro, o qual realiza negociac oes e determina ganhadores. Uma
sess ao de mercado e o veculo pelo qual servicos s ao entregues dinamicamente aos agen-
tes participantes.
Figura 1. Cen ario demonstrando as relac oes em uma estrutura de mercado.
Um sistema baseado no paradigma de mercado precisa possuir as habilidades de
consumir, fornecer e leiloar servicos. A tabela 1 apresenta essas habilidades e as tarefas
relacionadas a cada uma delas.
Habilidade Tarefas
Consumir - Registrar miss ao.
Fornecer - Fornecer servico.
Leiloar - Iniciar leil ao;
- Determinar vencedor;
- Gerar oferta de servico.
Tabela 1. Relac ao entre habilidade e tarefa para o sistema de mercado.
A gura 1 mostra um diagrama, onde est ao especicadas as devidas habilidades e
a relac ao entra as mesmas. Em geral uma miss ao e especicada em algum agente atrav es
de sua habilidade de consumir. Este inicia uma sess ao, constituda por essas mesmas
tarefas, atrav es de um leiloeiro. O leiloeiro anuncia a sess ao aos fornecedores. Estes, por
sua vez, fazem ofertas nas tarefas. Ent ao o leiloeiro determina o vencedor e informa o
fornecedor do servico a ser fornecido.
5.2. Sistema Baseado em Ferom onios
Uma abordagem baseada no dep osito de ferom onios articiais depende de dois tipos de
habilidades. Primeiramente, e preciso que exista uma representac ao do ambiente, para
que os agentes possam depositar e sentir ferom onios, podemos resolver essa restric ao
atrav es de um agente com a habilidade de representar o ambiente. Para que possamos
basear nosso sistema na utilizac ao de miss oes os agentes precisam ter a capacidade de
registrar miss oes. O registro de uma miss ao envolve a distribuic ao de tarefas, para isso
precisamos de agentes com a capacidade de distribuir tarefas. Al em disso precisamos que
todo agente tenha a habilidade de realizar as tarefas.
A prop osito de claricar a explicac ao, passaremos a identicar ferom onios indi-
cando alguma tarefa a ser realizada pela cor azul e ferom onios indicando que uma tarefa
est a sendo resolvida pela cor vermelha. Em geral, ferom onios azuis possuem propriedade
atrativas e ferom onios vermelhos possuem propriedade repulsivas.
A tabela 2 apresenta a relac ao de habilidades e tarefas que nosso sistema possui.
Habilidade Tarefas
Registrar Miss ao - Distribuir tarefas.
Distribuir Tarefas - Depositar ferom onios atrativos.
Realizar Tarefa - Depositar ferom onio repulsivo.
Representar Ambiente - Conectar ambiente;
- Depositar ferom onio;
- Sentir ferom onio.
Tabela 2. Relac ao entre habilidades e tarefas para o sistema de ferom onios.

E importante notar que a habilidade de representar o ambiente assume umconceito


importante, o de rede de ambientes. Representar o ambiente de forma centralizada pode
fazer com que o agente respons avel por tal tarefa seja um gargalo no sistema. Para evitar
problemas desse tipo, propomos que o ambiente seja construdo atrav es de representac oes
locais por diferentes agentes, e formac ao de uma conex ao quando os ambientes se inter-
seccionam.
A gura 2 mostra 5 agentes em suas devidas posic oes dentro de um ambiente
qualquer, todos agentes com a habilidade de representar o ambiente. As arestas entre
ambientes indicam que uma conex ao formada, apresentando assim as redes formadas.
Cada um dos agentes possui uma representac ao de parte do ambiente, o agente A1 do
ambiente 1, o A2 do ambiente 2, seguindo assim analogamente para os outros.
A gura 3 mostra uma diagrama explicitando as relac oes existentes entre as habi-
lidades do sistema.
A gura 4 demonstra um cen ario de nosso sistema, em que existe um ferom onio
de tarefa depositado(ferom onio azul) e diversos agentes tentam chegar at e a tarefa para
Figura 2. Rede formada por agentes com a habilidade de representar o sistema.
Figura 3. Diagrama demonstrando as relac oes existentes no sistema.
realiz a-la.

E possvel perceber tamb em o ferom onio vermelho, que e depositado por agen-
tes realizando a tarefa, e que impede outros agentes tentando realizar a mesma tarefa de
chegarem at e a mesma.
A seguir ser ao descritas as interac oes tpicas de nosso sistema:
Um agente com capacidade de registrar miss oes recebe uma miss ao, identica as
tarefas e informa o agente com habilidade de distribuir tarefas das mesmas;
O agente com habilidade de distribuir tarefas deposita um tipo de ferom onio azul
para cada tarefa, atrav es da rede representando o ambiente;
Se a localizac ao de uma tarefa e importante, o ferom onio e depositado
apenas naquele local;
Se uma tarefa n ao tem local especco o ferom onio e depositado em uma
area do ambiente;
As sensibilidades dos agentes dependem das habilidades que o mesmo
possui;
Os agentes orientados por algumferom onio azul depositam ferom onios vermelhos
equivalentes indicando que est ao resolvendo a tarefa identicada;
Se um agente encontra ferom onio vermelho de uma tarefa ao qual ele e sensvel,
o agente evita aquela posic ao;
Figura 4. Vis ao abstrata demonstrando o funcionamento do sistema de fe-
rom onios.
6. Trabalho de Graduac ao 2
A seguir ser ao tracadas algumas explicac oes sobre implementac ao, experimentac ao e via-
bilidade do projeto. Al em disso ser a proposto um cronograma de atividades pr aticas para
o TG2.
6.1. Proposta de Implementac ao
A soluc ao proposta na sec ao 5 representa uma vis ao abstrata do sistema, para aplicac ao
precisamos propor uma implementac ao. Para isso iremos descrever diagramas de classe
capazes de representar estas entidades abstratas, e com os quais poderamos implementar
o sistema em nossos VNTs. Iremos modelar cada habilidade como uma classe, e cada
tarefa ser a um m etodo dessa classe.
6.1.1. Paradigma de Mercado
A gura 5 apresenta o diagrama de classe respons avel por representar o sistema de mer-
cado.
Figura 5. Diagrama de classes representando o sistema de mercado.
6.1.2. Sistema Baseado em Ferom onios
O diagrama de classes respons avel por representar o sistema baseado em ferom onios ar-
ticiais pode ser visto na gura 6.
Figura 6. Diagrama de classes representando o sistema de ferom onio.
6.2. Proposta de Experimento: Aerofotogrametria
Iremos propor um cen ario baseado no problema de fazer a aerofotogrametria de uma area
utilizando m ultiplos VNTs. A aerofotogrametria e utilizada para mapear areas atrav es de
cobertura fotogr aca. Diversas fotos de um espaco s ao utilizados para gerar um mosaico
do terreno.
O cen ario proposto e constitudo por 1 avi ao e 2 ou mais multic opteros. O sistema
recebe a miss ao de fotografar certa area do mapa. Todos agentes iniciar ao a tarefa, su-
pondo que todos possuam esta habilidade. O avi ao, sendo o mais r apido, pode perceber
que existe certa area que precisa ser fotografada com maiores detalhes e que ele mesmo
n ao possui a habilidade para fazer, logo ele cria uma nova miss ao e a repassa ao sistema.
Com a nova miss ao estabelecida, o avi ao deve continuar a realizar a primeira miss ao,
j a para os multic opteros a segunda miss ao dever a ter prioridade, o que est a relacionado
com a maneira que a habilidade e vista dentro do sistema. A gura 7 apresenta o cen ario
descrito.
Figura 7. Cen ario demonstrando o experimento de aerofotogrametria utilizando
SMA.
6.3. Ambiente de Teste
A seguir ser ao descritas as escolhas de hardware e software feitas para realizar os expe-
rimentos no TG2, tanto simulados quanto reais. O projeto ArduPilot e uma famlia de
pilotos autom aticos baseados na plataforma de c odigo aberto Arduino. Ela consiste de
um tipo de sistema Ardu Pilot Mega (APM) de piloto autom atico e diversas vers oes de
software gratuito para diferentes veculos. Por isso e por poder gerenciar diferentes tipos
de VNT baseamos nosso ambiente nessa famlia.
6.3.1. Hardware
A plataforma de piloto autom atico escolhida foi a APM, devido principalmente a sua
capacidade de gerenciar veculos de natureza diversicada atrav es do mesmo hardware.
Al em disso o rmware disponvel e montado de uma maneira hier arquica o que permite a
reutilizac ao do c odigo em diferentes plataformas, como a Pixhawk/PX4. A APM 2.6 e um
piloto autom atico compatvel como Sistema Internacional de Unidades (S.I.) e baseado na
plataforma Arduino Mega, que pode transformar qualquer veculo de Remotamente Con-
trolado (RC) em um VANT ou Veculo Terrestre N ao Tripulado (VTNT) completamente
aut onomo. Ela gerencia tanto a estabilizac ao quanto a navegac ao Global Positioning Sys-
tem (GPS) e permite o completo controle de miss oes com planejamento de waypoints e
da c amera. Suporta 8 canais RC e possui quatro portas seriais.
6.3.2. Comunicac ao
Com o objetivo de dar suporte a comunicac ao entre as mais diferentes plataforma o pro-
tocolo de comunicac ao a ser utilizado ser a o Micro Air Vehicle Communication Proto-
col (MAVLink) 1.0. A estac ao de controle a ser utilizada ser a a QGroundControl.
6.3.3. Estac ao de Controle
A Estac ao de Controle (EC) e o sistema remoto respons avel por receber mensagens de
status do VNT e enviar mensagens de controle. A EC e xa e utiliza de diferentes proto-
colos para se comunicar com os VNTs. O software utilizado como estac ao de controle e
o QGroundControl, que foi escolhido por ser aberto e poder identicar pelo menos quatro
diferentes sistemas de piloto autom atico.
6.3.4. Firmware
A famlia ArduPilot oferece tr es tipos diferentes de rmware pr e-estabelecidos. O Plane
descreve um avi ao, o Copter descreve um helic optero ou multic optero e o Rover descreve
um tipo de VTNT.
6.3.5. Simulac ao
Simulac ao permite maior seguranca no processo de testes com c odigos e congurac oes
experimentais. Em nossos testes utilizaremos basicamente simulac ao Software In The
Loop (SITL), quando o sistema estiver maduro poder ao ser feitos testes reais e utilizando
Hardware In The Loop (HITL) ser ao usados.
Hardware In The Loop Simulac ao atrav es de HITL substitui o veculo e o ambiente
com um simulador. O simulador possui um modelo de alta delidade da din amica do
veculo e um modelo do ambiente. O hardware fsico e congurado exatamente como
como se estivesse em funcionamento, mas conecta a sua EC rodando o simulador.
Software In The Loop Em relac ao ao modelo de simulac ao HITL, o SITL tanto virtu-
aliza o hardware APM quanto o ambiente e o veculo. SITL e util para o r apido desenvol-
vimento e quando o hardware fsico n ao est a disponvel ou n ao e requerido.
6.4. Viabilidade do Projeto
Em termos de programac ao, como descrito anteriormente, iremos utilizadas as ferramen-
tas Ardupilot. Estas ferramentas oferecem um rmware escrito em C, e e baseado em um
paradigma de camadas, de modo que podemos estabelecer pontos no mapa para o veculo
se mover sem nos preocuparmos muito com como isso ocorre. O nosso sistema funciona-
ria em uma camada superior a esta. Implementar o rmware de nosso sistema n ao deve
envolver grande complexidade, j a que habilidades podem ser facilmente vistas como es-
truturas ou classes de um linguagem de programac ao e tarefas podem ser vistas como
m etodos ou func oes. Entretanto o desenvolvimento da rede respons avel por representar o
ambiente pode envolver algoritmos de alta complexidade e com baixa escalabilidade, mas
principalmente que sofrem do fato de estarem inseridos em um ambiente sem o, sujeito
a perdas por rudo.
Por outro lado, devido a sua caracterstica reativa, a soluc ao baseada em fe-
rom onios possui detalhes de implementac ao que podem levar o sistema a um estado
ca otico. Isso pode exigir grande quantidade de experimentos e ajuste da soluc ao para
que o comportamento emergente do grupo esteja de acordo com o esperado.
6.5. Proposta de Atividades Pr atica
As atividades pr aticas a serem desenvolvidas no TG2 est ao descritos na tabela 3.
M es Atividade
Mar/2014 Implementac ao da organizac ao baseada em
um paradigma de mercado, proposta em 5.1.
Mar/2014 Implementac ao do sistema hbrido proposto em 5.2.
Abr/2014 Realizar o experimento descrito em 6.2.
Maio/2014 Comparar resultados obtidos entre as duas implementac oes.
Tabela 3. Cronograma de Atividades Pr aticas
7. Conclus ao
Este trabalho trouxe conceitos relacionados a SMAs. Tamb em foram apresentados alguns
desaos, pesquisas e estrat egias utilizadas nessa area. Estes conceitos foram utilizados
de maneira hbrida para propor uma arquitetura de sociedade em que participam VNTs
heterog eneos. Neste contexto foi proposto uma generalizac ao, atrav es de habilidades,
tarefas e miss ao, para descrever a funcionalidade de cada veculo. Conceitos como o de
ferom onios e de paradigma organizacional de mercado foram utilizados para a construc ao
de duas soluc oes que resolvessem o problema de alocac ao de recursos e tarefas.
Refer encias
Bratman, M. E., Israel, D. J., and Pollack, M. E. (1988). Plans and resource-bounded
practical reasoning. Computational intelligence, 4(3):349355.
Brooks, R. (1991). New approaches to robotics. Science, 253(5025):12271232.
Davis, R. and Smith, R. G. (1983). Negotiation as a metaphor for distributed problem
solving. Articial intelligence, 20(1):63109.
Horling, B. and Lesser, V. (2004). A survey of multi-agent organizational paradigms. The
Knowledge Engineering Review, 19(4):281316.
Jennings, N. R., Sycara, K., and Wooldridge, M. (1998). A roadmap of agent research
and development. Autonomous agents and multi-agent systems, 1(1):738.
Kraus, S., Wilkenfeld, J., and Zlotkin, G. (1995). Multiagent negotiation under time
constraints. Articial intelligence, 75(2):297345.
Miller, C., Goldman, R., Funk, H., Wu, P., and Pate, B. (2004). A playbook approach to
variable autonomy control: Application for control of multiple, heterogeneous unman-
ned air vehicles. In Proceedings of FORUM 60, the Annual Meeting of the American
Helicopter Society, pages 710.
Parunak, H. V. D., Brueckner, S., Matthews, R., Sauter, J., and Brophy, S. (2007). Real-
time agent characterization and prediction. In Proceedings of the 6th international
joint conference on Autonomous agents and multiagent systems, page 278. ACM.
Parunak, H. V. D., Brueckner, S. A., and Sauter, J. (2005). Digital pheromones for co-
ordination of unmanned vehicles. In Environments for Multi-Agent Systems, pages
246263. Springer.
Simon, H. A. (1957). Models of man: social and rational; mathematical essays on ratio-
nal human behavior in society setting. New York: Wiley.
Sycara, K. P. (1990). Negotiation planning: An ai approach. European Journal of Ope-
rational Research, 46(2):216234.
Vokrnek, J., Nov ak, P., and Komenda, A. (2011). Ground tactical mission support by
multi-agent control of uav operations. In Holonic and Multi-Agent Systems for Manu-
facturing, pages 225234. Springer.
Wanyama, T. and Homayoun Far, B. (2007). A protocol for multi-agent negotiation in a
group-choice decision making process. Journal of Network and Computer Applicati-
ons, 30(3):11731195.
Wooldridge, M., Jennings, N. R., et al. (1995). Intelligent agents: Theory and practice.
Knowledge engineering review, 10(2):115152.