Detecção de objetos e orquestração de offloading para robótica

• Processo: 25/19129-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Fabio Luciano Verdi
• Beneficiário: João Vitor Naves Mesa
• Supervisor: Chrysa Papagianni
• Instituição Sede: Centro de Ciências em Gestão e Tecnologia (CCGT). Universidade Federal de São Carlos (UFSCAR). Campus de Sorocaba. Sorocaba , SP, Brasil
• Instituição Anfitriã: University of Amsterdam (UvA), Holanda
• Vinculado à bolsa: 25/01185-1 - Controle habilitado por LLM para descarregamento dinâmico de módulos de IA, BP.IC
• Assunto(s): Computação de borda Inteligência artificial Robótica Tecnologias 5G Redes de computadores
• Palavra(s)-Chave do Pesquisador: Computação de Borda | Inteligência Artificial | Offloading de tarefas | Robótica | 5G | Redes de Computadores

Resumo

A crescente lacuna entre as demandas de aplicações modernas e os recursos limitados de dispositivos finais tornou o offloading de tarefas uma área crítica de pesquisa. Embora a computação em nuvem tenha inicialmente abordado esse desafio, suas limitações inerentes-como alta latência e sobrecarga de rede-são inadequadas para tarefas de IA em tempo real. A computação de borda surgiu como uma solução, movendo a computação para mais próximo dos dispositivos finais. No entanto, otimizar decisões de offloading permanece complexo, pois requer equilibrar múltiplos objetivos, incluindo latência, eficiência energética e disponibilidade de recursos, enquanto se adapta a condições dinâmicas de rede e mobilidade do usuário. Para enfrentar esse desafio, pesquisadores exploraram várias abordagens, desde modelagem matemática até aprendizado por reforço, mas ainda há necessidade de estruturas robustas adaptadas a cargas de trabalho específicas. Neste projeto, estudamos sistematicamente o problema de offloading para cargas de trabalho de visão computacional, especificamente detecção de objetos em tempo real usando YOLO, dentro de um loop de controle robótico. Propomos uma estrutura de orquestração que investiga e compara diferentes metodologias de tomada de decisão, incluindo abordagens de Aprendizado Supervisionado e Aprendizado por Reforço, para compreender sua eficácia na tomada de decisões inteligentes de offloading. O sistema estende o loop de controle do robô para gerenciar perfeitamente o posicionamento de carga de trabalho através de várias estratégias de tomada de decisão, garantindo desempenho e confiabilidade da aplicação. Através de uma análise abrangente de estratégias de decisão de offloading, esta pesquisa contribui para novos paradigmas de inferência distribuída em domínios como robótica e realidade estendida.