Autmatos Adaptativos Aplicados em
Automao e Robtica (A4R)
A. R. Hirakawa, A. M. Saraiva, C. E. Cugnasca
Resumo Este artigo apresenta o contexto das pesquisas
realizadas com o uso da teoria dos Autmatos
Adaptativos (AAs) nos equipamentos, processos e sistemas
robticos. A capacidade de generalizao e adaptao de
comportamento do AA possibilita a sua aplicao no processo de
modelagem, identificao, classificao e tomada de deciso
semelhante s lgicas convencionais, como a Lgica Nebulosa e a
Rede Neural. Como exemplos concretos da aplicao do AA, so
apresentadas as pesquisas do uso do AA no reconhecimento de
formas e na construo de mapas hbridos para navegao de
robs.
Palavras-chave robtica, Autmatos Adaptativos,
reconhecimento de formas, mapas.
I. INTRODUO
A Robtica a rea de pesquisa do conhecimento cientfico
que apresenta vasta gama de conhecimentos envolvidos e
tecnologias aplicadas. Os diversos tipos de aplicaes,
estruturas (veculos, braos, complexos) e funcionamentos
dos robs requerem estudos voltados para os sistemas de
locomoo [8]-[10], instrumentao e localizao [4], [5],
controle e planejamento da ao [2], [3], [6], de forma a
atender as necessidades fim a fim de cada rob.
Para a robtica, as lgicas computacionais podem ser de
grande utilidade em todos os subsistemas envolvidos no rob,
uma vez que possibilita a representao de algum
conhecimento e a sua introduo no sistema robtico. Apesar
disso, a grande contribuio das lgicas computacionais se d
mesmo no subsistema de controle do rob, que requer muitas
vezes a incluso de alguma tomada de deciso ou inteligncia
artificial [21]-[23].
Nesse contexto, este trabalho apresenta a utilizao do
formalismo adaptativo denominado Autmato Adaptativo
(AA), proposto por [1]. Os AAs representam uma ferramenta
confivel para modelagem de ambientes fsicos, uma vez que
possuem poder computacional equivalente Mquina de
Turing. Os AAs possuem tambm a caracterstica de alterar
A. R. Hirakawa membro do Laboratrio de Automao Agrcola do
Departamento de Engenharia de Computao da Escola Politcnica da
Universidade de So Paulo.(Phone: 3091-5271; andre.hirakawa@poli.usp.br)
A. M. Saraiva membro do Laboratrio de Automao Agrcola do
Departamento de Engenharia de Computao da Escola Politcnica da
Universidade de So Paulo.
C. E. Cugnasca membro do Laboratrio de Automao Agrcola do
Departamento de Engenharia de Computao da Escola Politcnica da
Universidade de So Paulo.
sua configurao inicial frente a estmulos externos. Essa
alterao em sua configurao interna produz uma mudana
de seu comportamento, possibilitando o seu uso para a
representao de ambientes explorados por robs, para a
representao de objetos e formas, para a classificao e a
tomada de deciso no processamento das informaes dos
sensores.
O captulo II apresenta o conceito do AA, o captulo III
apresenta a aplicao do AA no reconhecimento de padres e
o captulo IV, o uso do AA no processo de mapeamento e
navegao robtica.
II. AUTMATO ADAPTATIVO
O AA estende o conceito de Autmato Finito incorporando
a caracterstica de desenvolver uma auto-reconfigurao em
resposta a um estmulo externo. Como resultado, seu
comportamento se modifica de acordo com o conjunto de
informao. demonstrado em [1] que o AA tem a mesma
capacidade computacional da Mquina de Turing. A figura 1
mostra a representao grfica do AA.
a
e e'
B. , .A
Fig. 1. Autmato Adaptativo.
Onde:
e: estado antes da transio;
e: estado aps a transio;
a: entrada;
B: ao adaptativa aplicada antes da transio;
A: ao adaptativa aplicada aps a transio
Trs diferentes aes adaptativas elementares so
permitidas: inspeo busca do conjunto de estados para uma
dada transio ; eliminao eliminao de uma transio ;
e insero adiciona uma nova transio.
III. RECONHECIMENTO DE PADRES
A. O processo de reconhecimento de padres
O objetivo do reconhecimento de padres ou classificao
distinguir entre diferentes tipos de padres estabelecidos
inicialmente. O processo como um todo envolve a informao
proveniente do sensor at a classificao e pode ser descrito
como segue:
Sensor quando se pensa em reconhecimento de
padres, pensamos somente em viso computacional,
 mas podemos ter outros tipos de aquisies e, dependente de contexto, reconhecida originalmente somente
conseqentemente, outros tipos de sensores, como por por uma mquina de Turing. Como outro exemplo, a Figura 4
exemplo, ultra-sons, infravermelhos, etc. apresenta a imagem de um tringulo binarizada.
Pr-processamento e melhoramento no pr- 0 0 0 0 0 0 0 0 0 0
processamento, a entrada primeiramente codificada ou 0 0 0 0 0 0 0 0 0 0
aproximada por alguma forma conveniente para depois 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0
ser processada. 0 0 0 0 1 1 0 0 0 0
Algoritmos de extrao aqui feita a segmentao da 0 0 0 1 0 1 0 0 0 0
0 0 1 1 1 1 0 0 0 0
imagem e a extrao de primitivas. 0 0 0 0 0 0 0 0 0 0
Classificao o processo de reconhecimento 0 0 0 0 0 0 0 0 0 0
propriamente dito, depois de determinado o conjunto de 0 0 0 0 0 0 0 0 0 0
primitivas ou vetores caractersticos para a imagem em Fig. 4. Matriz de pontos binarizados.
questo.
Os tipos de algoritmos de classificao podem ser:
Sintticos como Grafos e gramticas.
Estatsticos como redes de Bayes ou mtodos dos
vizinhos prximos.
Neurais redes neurais de diversos tipos.
B. Reconhecimento Sinttico de Padres
Entre os tipos de algoritmos para classificao e Fig. 5. Primitivas.
reconhecimento de padres, o sinttico se mostra mais
adequado quando se quer um processo gil e sem a Aplicando-se as novas primitivas da figura 5, a cadeia de
necessidade da observao detalhada como realizado pelo caracteres a ser reconhecida pelo AA ser da forma: cnanfn
A figura 6 apresenta o autmato reconhecedor de tringulo,
processo humano. No processo sinttico, os pontos cruciais
juntamente com a ao adaptativa posterior (1), que insere
esto na segmentao, nas primitivas e na gramtica
nova transio e novo estado quando ativada [1].
representativa escolhidas.

C. Autmato Adaptativo para o reconhecimento de

padres
O reconhecimento de padres por meio do AA considera
como dado de entrada uma matriz de pontos binarizados n Fig. 6. Autmato reconhecedor de tringulos.
m. Como exemplo, apresentada uma matriz 10 10 na
figura 2, representando um quadrado. IV. MAPEAMENTO E NAVEGAO ROBTICA
0 0 0 0 0 0 0 0 0 0 A. O Modelo de Informao
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 O modelo de informao proposto como estrutura para o
0 0 0 1 1 1 1 0 0 0
0 0 0 1 0 0 1 0 0 0 mapeamento e navegao robtica apresentado na figura 7.
0 0 0 1 0 0 1 0 0 0
0 0 0 1 1 1 1 0 0 0
0 0 0 0 0 0 0 0 0 0 Sensores
0 0 0 0 0 0 0 0 0 0 Informao auxiliar
0 0 0 0 0 0 0 0 0 0 de sensor, mov. e
Obstculo navegao
Fig. 2. Matriz de pontos binarizados.

Autmato explora/move
Autmato de
mapeamento
Subsistema de navegao

Info. de movimento Informao

adquirida
Fig. 3. Primitivas.
atuador
Considerando-se as primitivas da figura 3 para cada ponto
da matriz binarizada, obtm-se a cadeia: dddaaabbbccc. Fig. 7. Estrutura da informao.
Dessa modo, o reconhecedor de padres baseado em AA deve
aceitar qualquer forma do tipo anbncndn, que uma linguagem
 No modelo, o autmato de explorao e movimento recebe
dados provenientes dos sensores e informaes sobre a
vizinhana provenientes do autmato de mapeamento. A sua
sada contm informaes sobre o prximo movimento do
rob para explorar o ambiente. Aps a concluso do processo
de mapeamento, decises sobre distncias so realizadas pelo
subsistema de navegao. O autmato de mapeamento
armazena todas as informaes sobre a presena ou no de
obstculos.
B. Autmato de mapeamento
O autmato de mapeamento proposto tem sua configurao
inicial como um quadrado composto de vrtices formados de
nove estados conectados por arestas que representam o a b
conjunto de transies (Figura 8a). Na figura, o estado central
o estado inicial do autmato e representa o ponto de partida
para o caminho do rob. O comprimento de cada aresta Fig. 9. (a) Exemplo da informao proveniente dos sensores: duas
direes obstrudas e duas livres. (b) Expanso do lado com
representa a distncia coberta pelo tamanho do rob.
movimento para o Norte.
Na figura 8b, o estado marcado por um ponto ( ) utilizado
para representar a posio corrente do rob. Tags especiais A figura 10 mostra o exemplo de um mapa completo com a
(x) so utilizados para identificar cantos e transies especiais representao da informao proveniente dos sensores e aps
para auxiliar no processo de expanso dos lados. a explorao de uma sala em L. O rob finalizou a
explorao no canto direito superior da sala, representado
pelo estado marcado por ponto.

a b

Fig. 8. (a) Autmato de mapeamento. (b) Detalhe dos tags especiais.

Uma vez que o autmato suprido com o conjunto de
dados coletados pelos sensores do rob durante o movimento
de explorao, as quatro transies adjacentes no percorridas
so adequadamente modificadas de acordo com a informao
pertinente.
A informao proveniente dos sensores contm indicaes
sobre a direo norte (N), sul (S), leste (L) e oeste (O) e
suas respectivas condies, que podem ser livres ou ocupadas.
A figura 9a apresenta um exemplo para a coleo de
informao composta de quatro dados provenientes dos
sensores.
Na figura, as setas duplas indicam reas no obstrudas
(direes S e L) e as linhas em negrito denotam caminhos
obstrudos (direes N e O).
O movimento do rob no ambiente representado pela
mudana de estado no autmato de mapeamento. Com o
prosseguimento do movimento do rob, o lado atual do
autmato de mapeamento expandido na direo do
movimento. Essa expanso realizada adicionando-se uma
linha ou coluna ao lado atual. A figura 9b mostra o resultado
de um movimento para o Norte, a incluso de uma nova linha
e a atualizao das transies.
Fig. 10. Exemplo do mapeamento de uma sala em L.
Para a representao abstrata do mundo real apresentada na
figura 10, a utilizao do espao de memria computacional
proporcional rea mapeada e em conjunto com todas as
transies vazias que formam o retngulo da representao
abstrata. A relao entre o mapa construdo e o mundo real
obtida se o estado inicial do autmato for adotado para
representar a origem do mapa e do mundo real. Dessa forma,
cada estado ou ponto no mapa conectado a um ponto no
ambiente fsico real e cada transio no mapa associada a
um deslocamento no mundo real.
C. Autmato de Explorao e Movimento
Um Autmato Adaptativo empregado para determinar o
prximo movimento do rob no processo de explorao. Para
tal, esse autmato suprido de um conjunto de quatro
informaes provenientes dos sensores e do conjunto de oito
informaes sobre a vizinhana previamente modelada no
mapa, como mostrado na figura 11.
Utilizando-se de tais informaes, o rob percorre todo o
ambiente em um movimento de ziguezague.
O movimento em ziguezague, orientado pelo autmato de
explorao e movimentao, deve ser adaptado de acordo com
a particularidade do ambiente detectado e o estgio atual do
processo de explorao. Para realizar tal adaptao, foram
estabelecidas vrias regras de explorao e movimento, uma
para cada possvel situao. Todos os movimentos so
conectados ao estado inicial do autmato de explorao e
movimentao por meio de uma transio que pode ser
modificada de acordo com as informaes dos sensores.
Como descrito anteriormente, a alterao das conexes
realizada utilizando-se aes adaptativas que podem ser de
insero ou eliminao de transies.
Fig. 11. Exemplo de informao extrada do mapa representando
duas transies obstrudas e seis transies livres.
Enquanto o ambiente explorado, o autmato de
explorao e movimentao deve informar ao autmato de
mapeamento alguns estados especiais, denominados de
Landmarks, que devem ser indicados adequadamente no
mapa. Os Landmarks so especialmente teis para o
planejamento da trajetria.
Se um obstculo detectado durante o deslocamento para a
explorao do ambiente, o autmato identifica o estado
central do espao livre anterior e/ou posterior ao obstculo e
define esses estados como Landmarks. A figura 12
exemplifica o uso dos Landmarks para um ambiente.
O autmato de mapeamento realiza essa representao
adicionando adequadamente uma transio para os estados
sinalizados como especiais, que indicam os Landmarks
existentes.
A figura 13a mostra um exemplo de dois estados prximos
sinalizados como Landmarks, onde o tag (x) identifica tal
estado.
Fig. 12. Landmarks utilizados em um ambiente exemplo.
D. Navegao
Durante o processo de navegao, os Landmarks indicados
pelo autmato de explorao e movimentao so teis para o
planejamento da trajetria entre um ponto inicial e um
objetivo. O sistema determina o caminho entre os Landmarks
antes da navegao e, durante a mesma, deve buscar qual
Landmark est prximo do ponto inicial e qual est prximo
do ponto final do caminho desejado. O conjunto de
Landmarks forma os objetivos secundrios no processo de
navegao.
Para realizar o clculo do caminho entre dois estados de
Landmark no autmato de mapeamento, utilizado um
gerador de seqncia. O gerador de seqncia introduzido
no autmato de mapeamento, que configurado para fornecer
o Landmark inicial e o final. Dessa forma, o caminho aceito
pelo autmato de mapeamento o caminho entre dois
Landmarks.
As quatro seqncias inicialmente geradas contm cada uma
das quatro direes: N, S, L e O. As prximas seqncias
geradas so extenses das primeiras. Por exemplo, as trs
seqncias geradas pela direo N so: NN, NL e NO. A
figura 13b mostra os estados cobertos pelo exemplo citado (o
tringulo indica os estados alcanados e o estado marcado por
ponto indica o ponto inicial da busca).
a b
Fig. 13. (a) Exemplo de dois estados marcados como Landmarks.
(b) Espao coberto pela seqncia gerada.
V. CONCLUSO
Este artigo apresentou o uso da teoria dos Autmatos
Adaptativos (AAs) como ferramenta de auxlio na resoluo
dos problemas encontrados em robtica. A capacidade de
generalizao do AA se mostra adequada para a representao
concisa de modelos sintticos e a capacidade de adaptao
extremamente poderosa para a representao de processos
dinmicos e de lgicas computacionais. Testes de
desempenho do AA foram realizados e demonstraram que a
complexidade computacional cresce quase linearmente com o
aumento do nmero de estados envolvidos. Trabalhos futuros
envolvem a utilizao do AA na efetiva atividade de tomada
de deciso, o que requer um aprofundamento e
aprimoramento das aes adaptativas.
REFERNCIAS
[1] R. L. A. Rocha, J. J. Neto, Autmato adaptativo, limites e
complexidade em comparao com mquina de Turing, Proceedings of
the second Congress of Logic Applied to Technology LAPTEC2000,
 So Paulo: Faculdade SENAC de Cincias Exatas e Tecnologia, p. 33-
48, 2001.
[2] J. R. A. Jnior, J. J. Neto, A. R. Hirakawa, Adaptive Automata for
Independent Autonomous Navigation in Unknown Environment,
International Conference on Applied Simulation and Modeling, Alberta,
2000, pp. 317-322.
[3] A. R. Hirakawa, A. Kawamura, Trajectory Planning of Redundant
Manipulators for Minimum Energy Consumption Without Matrix
Inversion, International Congress of Robotics and Automation, IEEE,
1997, New Mexico.
[4] A. R. Hirakawa, Y. Nakajima, A. Kawamura, A. Yonemura,
Experimental Approach for the Biped Walking Robot MARI-1, 6th
International Workshop on Advanced Motion Control (AMC)'2000,
IEEE, 2000, Nagoya, pp. 548-553.
[5] A. R. Hirakawa, B. E. Garcia, Estudo e Desenvolvimento de um AGV
Aplicado ao Futebol de Robs, 10o. Simpsio Internacional de
Iniciao Cientfica, 2002, So Carlos.
[6] D. H. Nomiyama, A. R. Hirakawa, L. M. Sato, Parallel Processing
Applied to Robot Manipulator Trajectory Planning, 13th Symposium
on Computer Architecture and High Performance Computing, 2001,
Pirenpolis, pp. 9-16.
[7] A. R. Hirakawa, J. J. Neto, E. R. Costa, An adaptive Alternative for
syntactic pattern recognition, Third International Symposium on
Robotics and Automation, 2002, Toluca, pp. 409-413.
[8] A. R. Hirakawa, A. M. Saraiva, C. E. Cugnasca, Wireless Robust
Robot for Agricultural Applications., World Congress of Computers in
Agriculture and Natural Resources, 2002, Iguau, v. 1., pp. 414-420.
[9] L. C. Cunha, M. C. Pereira, A. R. Hirakawa, Proposta de um Sistema
de Controle de Velocidade para Atuadores Pneumticos Lineares, VI
Simpsio Brasileiro de Automao Inteligente. (SBAI), 2003, Bauru -
S.P., v. 1., pp. 284-290.
[10] R. A. Roncolatto, N. W. Romanelli, O. Horikawa, A. R. Hirakawa, S.
M. Amancio, M. Silvrio, Automatic elevator system for maintenance
services, IEEE Power Engineering Society's 11th International
Conference on Transmission & Distribution Construction, Operation
and Live-Line Maintenance (ESMO 2006), 2006, Albuquerque. v. 1., pp.
1-5.
[11] J. D. Forey, A. V. Dam, S. K. Feiner, Introduction to Computer
Graphics, 1st. ed. Reading, MA: Addison-Wesley, 1993.
[12] B. D. Ripley, Pattern Recognition and Neural Networks Cambridge
University Press, 1996.
[13] RITTER, G. X. Ritter, J. N. Wilson, Handbook of computer vision
algorithms in image algebra 2nd. ed. [S.l.]: CRC press LLC, 2000.
[14] J. Schurmann, Pattern Classification: a unified view of statistical a
neural approaches. John Wiley & Sons, Inc., 1996.
[15] E. U. Acar, H. Choset Robust Sensor-Based Coverage of Unstructured
Environments IEEE/RSJ International Conference on Intelligent
Robots and Systems, USA, 2001, pp. 61-68.
[16] M. A. Batalin, G. S. Sukhatme Efficient Exploration Without
Localization, IEEE International Conference on Robotics and
Automation, Taiwan, 2003, pp. 2714-2719.
[17] R. A. Brooks, Visual Map Making for a Mobile Robot, IEEE
International Conference Robotics and Automation, USA, 1985, pp.
824829.
[18] R.N. Carvalho et al., Complete Coverage Path Planning and Guidance
for Cleaning Robots, International Symposium on Industrial
Electronics, Portugal, 1997, pp. 677-682.
[19] K. C. Drake, E. S. Mcvey, R. M. Iigo, Experimental Position And
Ranging Results For A Mobile Robot, IEEE Journal of Robotics and
Automation, vol.3, n.1, pp. 31-42, 1987.
[20] K. Y. Fok, M. R. Kabuka, An automatic navigation system for vision
guided vehicles using a double heuristic and a finite state machine,
IEEE Transactions on Robotics and Automation, vol.7, n.1, pp. 181-
189, 1991.
[21] Y. Fu, S. Y. T. Lang, Fuzzy Logic Based Mobile Robot Area Filling
with Vision System for Indoor Environments, IEEE International
Symposium on Computational Intelligence in Robotics and Automation,
USA, 1999, pp. 326-331.
[22] J. Jennings, C.K. Watts, C. Tanis, Distributed Map-Making and
Navigation in Dynamic Environments, IEEE/RSJ International
Conference on Intelligent Robots and Systems, Canada, 1998, pp. 1695-
1701.
[23] A. Kato, T. Murakami, K. Ohnishi, Trajectory Planning and
Environment Recognition for Unknown Environment, International
Workshop on Advanced Motion Control, Slovenia, 2002, pp. 578-582.
[24] G. Schmidt, C. Hofner, An Advanced Planning and Navigation
Approach for Autonomous Cleaning Robot Operations, IEEE/RSJ
International Conference on Intelligent Robots and Systems, Canada,
1998, pp. 1230-1235.
[25] M. A. A. Sousa, A. R. Hirakawa, J.J. Neto, Adaptive Automata for
Mobile Robotic Mapping, Brazilian Symposium on Artificial Neural
Networks, Brasil, 2004.
[26] M. A. A. Sousa, A. R. Hirakawa, J.J. Neto, Adaptive Automata for
Mapping Unknown Environments by Mobile Robots., Ibero-American
Conference On Artificial Intelligence, Lecture Notes in Artificial
Intelligence: Advances in Artificial Intelligence, Mexico, 2004, pp. 562-
571.
[27] M. A. A. Sousa, A. R. Hirakawa, Robotic Mapping and Navigation in
Unknown Environments Using Adaptive Automata, International
Conference on Adaptive and Natural Computing Algorithms, Portugal,
2005.
[28] S. Thrun, G. Lakemeyer, B. Nebel, Robotic Mapping: A Survey,
Exploring Artificial Intelligence in the New Millenium, Morgan
Kaufmann, USA, 2002, pp. 1-29.
[29] D. F. Wolf, G. S. Sukhatme, Towards Mapping Dynamic
Environments, International Conference on Advanced Robotics,
Portugal, 2003, pp. 594-600.
[30] U.R. Zimmer, Embedding local metrical map patches in a globally
consistent topological map, International Symposium on Underwater
Technology, Japan, 2000, pp. 301-305.
Andre R. Hirakawa nasceu em So Paulo, Brasil, em 15
de junho de 1965. Graduou-se e recebeu o ttulo de mestre
em Engenharia Eltrica pela Universidade de So Paulo,
So Paulo, Brasil, em 1990 e 1992, respectivamente. Em
1997, recebeu o ttulo de Doutor em Engenharia Eltrica
pela Universidade Nacional de Yokohama, Japo. Desde
1998, membro do Departamento de Engenharia de
Computao e Sistemas Digitais da Escola Politcnica da
Universidade de So Paulo como professor doutor. Suas reas de interesse em
pesquisa incluem robtica, planejamento de trajetria, redes de comunicao
para controle, reconhecimento de padres, transmisso de vdeo em tempo-
real e aplicaes de autmatos adaptativos.
Antonio M. Saraiva professor associado no Depto. de
Engenharia de Computao e Sistemas Digitais da Escola
Politcnica da Universidade de So Paulo (EPUSP),
Brasil. Graduou-se em Engenharia Eltrica pela EPUSP
(1980) e em Agronomia pela ESALQ-USP (1987).
Mestre (1993), Doutor (1998) e Livre-Docente (2003)
pela EPUSP. Fundador (1989) e coordenador do
Laboratrio de Automao Agrcola (LAA) da EPUSP.
Suas reas de interesse abrangem as diversas aplicaes
das tecnologias da informao e comunicao ao agronegcio e ambiente.
membro da Associao Brasileira de Agroinformtica (SBIAgro), da qual foi
presidente (2004-2007), da Associao Brasileira de Engenharia Agrcola
(SBEA) e da American Society of Agricultural and Biological Engineers
(ASABE).
Carlos E. Cugnasca graduou-se em Engenharia eltrica
na Escola Politcnica da Universidade de So Paulo
(EPUSP), Brasil, em 1980. Na mesma instituio, obteve
o seu mestrado (1988), doutorado (1993) e Livre-
Docncia (2002). Suas principais atividades de pesquisas
incluem instrumentao inteligente, automao agrcola e
agricultura de preciso. professor do Departamento de
Engenharia de Computao e Sistemas Digitais da
EPUSP desde 1988, ocupando atualmente a funo de
Professor Associado. Vem desenvolvendo pesquisas sobre redes de controle,
redes de sensores sem fio, eletrnica embarcada e aplicaes de computao
pervasiva, em especial focando a aplicao da tecnologia da informao ao
agronegcio e ambiente.