Ferramentas para pré-processamento e redução dimensional de imagens no reconhecimento e desvio de obstáculos por um robô móvel

• Processo: 22/02382-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de maio de 2022
• Vigência (Término): 30 de abril de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Glauco Augusto de Paula Caurin
• Beneficiário: Luís Eduardo de Souza Cintra
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Robôs móveis Inteligência artificial Aprendizado computacional Aprendizagem profunda Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | autoencoder | Deep Learning | Inteligência Artificial | Redução dimensional | Robótica | Inteligência Artificial

Resumo

O cérebro humano, para além da simples interpretação de sinais elétricos, exige que variadas regiões cerebrais sejam recrutadas para sintetizar um aprendizado decorrente de experiências sensoriais, uma habilidade essencial para os seres vivos. Transmitir essa notável capacidade biológica para as máquinas e sistemas digitais tornou-se o objetivo da Inteligência Artificial, uma invenção computacional de alto nível que visa reproduzir a ação cerebral de aprendizado e percepção para os mais diversos tipos de dispositivos. Dessa grande área derivaram-se outros tópicos que, juntos, compõe um panorama de numerosas ferramentas de aperfeiçoamento do Aprendizado de Máquina e das Redes Neurais Artificiais, tais como o Deep Learning, o Reinforcement Learning e o Deep Reinforcement Learning. Os modelos de treinamento e implementação das IAs abrangem diversas áreas, tais como o mercado financeiro, a medicina e a robótica; porém, a implantação dessa tecnologia pode se tornar custosa do ponto de vista computacional, principalmente quando aplicada a grandes bases de dados com milhões de features, o que exige um grandioso poder de processamento que, quando limitado, incrementa significativamente o tempo de treinamento. Assim, este trabalho busca estudar os métodos da chamada Redução Dimensional, que consiste em técnicas de manipulação de dados para que as dimensões de sua representação consigam ser reduzidas e, portanto, mais facilmente interpretadas e aprendidas pela máquina, oferecendo uma perda informacional mínima. Para isso, o ambiente de desenvolvimento será baseado em um robô móvel que, tendo uma câmera para captação de imagens e visualização de obstáculos, transmitirá cada captura para uma rede de tratamento responsável por aplicar a redução dimensional e, consequentemente, aprimorar a performance do sistema de controle do dispositivo robótico. Busca-se ainda, a comparação entre diferentes técnicas de Dimensionality Reduction, divididas entre lineares (PCA, LDA, etc) e não lineares (Isomap, LLE, Kernel-PCA, etc), para que se encontre a mais eficiente dentro do escopo do estudo, permitindo assim que alterações sejam estudadas para o aperfeiçoamento da relação entre a qualidade da imagem e o tempo de treinamento. (AU)