15-07-2008 IEEE
Arquitectura Hierárquica de Planeamento e
Controlo de Robôs Móveis Baseada na
Modulação de Parâmetros Emocionais
Membro Sénior, IEEE
Resumo - Os robôs autónomos são, actualmente, incapazes
de igualar as capacidades adaptativas de até o mais simples
dos animais. Processos afectivos tais como as emoções
potenciam o comportamento adaptativo em humanos e
animais. Embora seja discutível se as emoções concederão
aos robôs tal potencial, não haverá muitas dúvidas de que as
emoções “artificiais” em particular, podem afectar
positivamente os comportamentos de robôs ao modelar
acções, estabelecer objectivos prioritários, e reforçar a
capacidade de aprendizagem. Para testar esta hipótese foi
desenvolvida uma arquitectura hierárquica que incorpora
emoções reaccionais e deliberadas.
Emoções reaccionais procedem de previsões de
acontecimentos gerados pelas emoções, de dados imediatos
de sensores, e de representações internas. As emoções
deliberadas são modeladas como associação entre estados e
por acontecimentos anteriores que tiveram como origem
emoções. Emoções interagem com múltiplos níveis
hierárquicos ao modularem os parâmetros que controlam o
grau de preferência do robot face a várias decisões como a
procura de objectivos, segurança e exploração.
O modelo foi implementado num robot móvel simulado
para navegação.
I. INTRODUÇÃ0
Historicamente, emoções e conhecimentos eram olhadas
como entidades independentes, competindo pelo controlo do
cérebro humano. As emoções residem nas secções primitivas
do cérebro, afastadas seguramente dos nossos sistemas de
planeamento e raciocínio de alto-nível. Esta linha de
pensamento tem vindo a ser desafiada nos últimos anos. As
emoções são agora reconhecidas como fazendo parte de
muitas funções cerebrais outrora consideradas puramente
cognitivas, tais como aprendizagem, memorização,
percepção e resolução de problemas [1]. Alguns
investigadores defendem que as emoções são um requisito
essencial para a inteligência [2], [3].
Dado que as emoções têm um papel preponderante no
comportamento dos organismos biológicos, a ideia de aplicar
emoções artificiais a robots deve ser encarada com algumas
reservas. Tal como as definimos, emoções artificiais não são
simples respostas exteriores superficiais que imitem as
emoções humanas. Antes, são mecanismos de software
inspirados por teorias de emoções biológicas, que criam no
 como humanos [10], [11] ou outros robots [13], [16], [17]. A
1
robot a aptidão para de adaptar a certas situações com as
quais se confronta enquanto executa a sua missão.
É colocada a hipótese de robots dotados de emoções
artificiais superarem robots sem emoções em situações para
as quais nenhum código de comportamento fora previamente
introduzido. Os objectivos desta pesquisa são o
desenvolvimento e planeamento de uma arquitectura de
controlo para um robot móvel autónomo que incorpora
emoções artificiais, e comparar o seu desempenho com uma
arquitectura equivalente mas não dotada de emoções
artificiais, testando deste modo a hipótese atrás referida.
II.TRABALHO RELACIONADO
As emoções representam dois papéis importantes para os
robots [4]:
Interacção Social – Emoções simuladas podem
proporcionar aos robots comportamentos socialmente mais
apropriados quando interagindo com humanos.
Adaptação – Emoções artificiais são uma fonte de
comportamentos adaptativos que podem potencialmente
melhorar o desempenho geral de um robot.
A comunidade robótica focou-se largamente nos aspectos
sociais das emoções (por exemplo [1], [5], [6], [7], [8], [9],
[10]). Neste domínio, as emoções de um robot são
claramente observáveis na forma de expressões faciais,
linguagem corporal e/ou tom de voz. A pesquisa tende a
focar-se na aparência das emoções robotizadas [6], nas
avaliações subjectivas de humanos que interagem com robots
[7], [9], e nas influências das emoções humanas na
aprendizagem dos robots [10].
O segundo domínio mereceu consideravelmente menos
atenção, devido possivelmente ás maiores dificuldades
encontradas. As respostas emocionais são, neste domínio,
altamente dependentes do contexto. Enquanto que o
desempenho global de um robot pode ser medido em termos
quantitativos tais como velocidade e número de colisões, o
mesmo não acontece com as emoções, torna-se difícil medir
a sua contribuição para o desempenho do robot. É também
difícil provar que melhorias de desempenho devidas às
emoções não seriam possíveis de alcançar por um sistema
equivalente não emocional.
Muitos robots que supostamente utilizam emoções
artificiais como fonte geral de comportamentos adaptativos
são contudo utilizados num contexto social, interagindo
15-07-2008 IEEE
função emocional mais comum prende-se com a selecção de
acção/comportamento [11], [13], [14], [16], [17]. Na maioria
dos exemplos a base da arquitectura de controlo é puramente
reactiva e/ou baseada no comportamento [11], [14], [15],
[16], deste modo as interacções entre emoções e planeamento
deliberado têm merecido pouca atenção.
Contrastando com estas abordagens, utilizamos emoções
para melhorar as capacidades adaptativas de um robot
singular num contexto não social. Representamos emoções
não como estados lógicos discretos, mas como modulações
contínuas dos parâmetros do robot. O nosso modelo é
introduzido numa arquitectura hierárquica que incorpora
controlo reactivo, planeamento deliberado e capacidades
exploratórias.
III. DESCRIÇÃO DO MODELO
A. Estímulo
As emoções biológicas contêm componentes inatas e
aprendidas [18], que interagem com processos cognitivos a
diversos níveis arquitectónicos [19]. De modo a aproximar-se
a algumas das ricas e variadas interacções de emoções reais,
o nosso modelo incorpora associações aprendidas e
previamente introduzidas, e recebe entradas de camadas
arquitectónicas reaccionais e deliberadas.
São modeladas cinco emoções básicas: medo, raiva,
surpresa, felicidade e tristeza. Não se pretende que estas
emoções sejam representações exactas das emoções humanas
com os mesmos nomes, mas sim que sirvam de rótulo para
certas categorias de padrões estímulo/resposta. De certo que
nesta categorização simples outras emoções humanas podem
ser tidas em conta (por exemplo frustração = raiva,
curiosidade = surpresa).
Cada emoção básica está ligada a uma diferente categoria
de acontecimentos que estimulam as emoções:
Medo – o robô danifica-se.
Raiva – o caminho para o objectivo é obstruído.
Surpresa – percepção real difere da previamente instalada.
Felicidade – o robot atinge o objectivo.
Tristeza – o robot é incapaz de atingir o objectivo.
Emoções reaccionais utilizam medições obtidas através de
dados sensoriais imediatos (por exemplo proximidade de
obstáculos), para estimar as probabilidades de ocorrência de
um acontecimento que estimule emoções.
Emoções deliberadas utilizam associações aprendidas
entre estados ambientais (por exemplo localizações
geográficas) e acontecimento que estimulem emoções
ocorridos no passado.
B. Resposta
Emoções e conhecimento estão intimamente ligados e
mutuamente dependentes, mas poucos investigadores
argumentariam que todas as funções do conhecimento são
influenciadas por emoções [20]. Também, embora muitas
funções possam beneficiar das vantagens adaptativas que
advêm das emoções, não necessitam efectivamente de
emoções para funcionarem em níveis mais básicos.
Consequentemente, o nosso robô móvel incorpora
2
emoções em todos os níveis da sua arquitectura de controlo,
mas não é guiado somente por emoções. Mesmo na ausência
de influências emocionais, ele é em geral capaz de atingir os
seus objectivos. Ao invés o nosso modelo implementa
emoções como adaptações de segunda ordem a certas
situações e ambientes. Esta abordagem está mais próxima da
fisiologia humana e animal do que os métodos puramente
guiados por emoções. Também elimina a necessidade de
construir uma arquitectura sem emoções separada para
efeitos comparativos, simplificando assim a análise.
As capacidades de percepção, aprendizagem, planeamento
e controlo são fornecidas pela arquitectura híbrida reactiva-
deliberada do robô. Esta arquitectura não representa guias
competitivas como comportamentos discretos. Antes,
múltiplos guias são integradas em cada nível de controlo,
possibilitando ao robô favorecer uma resposta sem ignorar
completamente uma outra.
Inspirado por Dörner [21 e Fellous [22], nós modulamos as
emoções como modulações dos parâmetros de planeamento e
controlo. Estes parâmetros mudam suavemente o grau de
influência relativamente a algumas guias sem implicitamente
controlarem os comportamentos dos robôs. A guia associada
a cada emoção é uma reacção ao evento que estimulou a
emoção:
Medo – Evitar o perigo, reduzindo a importância do
objectivo actual do robô.
Raiva – Atingir o objectivo presente, mesmo à custa de
considerações secundárias.
Surpresa – Explorar o ambiente.
Felicidade – Reforça positivamente comportamentos que
conduzem ao sucesso.
Tristeza – Reforça negativamente comportamento que
conduzem ao fracasso.
IV. IMPLEMENTAÇÃO DO MODELO
O modelo é implementado numa versão simulada do
MARVIN (Robô Móvel Autónomo para Navegação
Interior), um robô construído à medida destinado a
aplicações se segurança e relações públicas [23]. O robô está
equipado com um sistema de transmissão de duas rodas
suportado por roletes tanto na parte posterior como na
anterior. A percepção externa é conseguida a través de um
anel de sensores de distância com tecnologia infra-vermelho
e ultra sónica. A simulação do ambiente e arquitectura do
robô são implementadas utilizando uma combinação de
MATLAB e programação em linguagem C.
A tarefa do robô é navegar até pontos especificados pelo
utilizador com um ambiente interno dinâmico, inicialmente
desconhecido. Neste contexto, o objectivo primário do robô é
navegar de um ponto para o outro. Para atingir tal objectivo,
ele deve ter em conta um número de sub tarefas aprendidas,
relacionadas com sobrevivência, incluindo desvio de
obstáculos e exploração do seu ambiente. No modelo
emocional implementado para esta tarefa, raiva e medo
interagem com processos reactivos e deliberados, enquanto
que a surpresa e felicidade estão apenas activas ao nível da
deliberação. Por uma questão de simplificação a tristeza é
15-07-2008 IEEE
modelada como um estado negativo de felicidade.
A. Emoções Reactivas
O controlador reactivo utiliza uma aproximação evitando
obstáculos livremente, baseada no vector algoritmo do
histograma de campo [24]. É escolhida uma direcção para o
alvo que minimize o desvio da trajectória pretendida e
maximize a distância aos obstáculos. O robô é basicamente
circular, por isso é representado simplesmente por um ponto,
e cada obstáculo é magnificado por um raio r0. Assim a
deslocação evitando obstáculos aumenta com a diminuição
de r0.
Seguindo a selecção da direcção do objectivo, o
controlador reactivo selecciona a velocidade (v,w) que move
o robô na direcção pretendida a uma velocidade apropriada.
Baseada na aproximação da janela dinâmica [25], a
selecção de velocidade é conseguida dentro de um espaço
discreto rectangular limitado pelas velocidades lineares e
angulares máximas e mínimas atingíveis dadas as
velocidades actuais do robô, acelerações e limitações globais.
A nossa implementação reactiva do medo limita a
velocidade do robô em ambientes muito populosos. O valor
reactivo do medo eF aumenta quando há uma grande
probabilidade de colisão com um obstáculo.
Computacionalmente, é uma função da magnitude actual da
velocidade linear v e da distancia medida aos obstáculos d(θ)
para ângulos θ :
1 c a cs oo n t r á r i o
 π
  θ   d(θ ) 
∑
  1 − π   1− d 
eF =  θ = − π    m  á x + β 1 s en ã c o o l(1)i d i r
 k1 ⋅ v π  
θ

∑
 1− 
 θ =−π  π 
  
K1 e β1 são constantes de normalização.
O limite global da velocidade linear vL é modulado pela
resposta ao medo do robô, diminuindo linearmente á medida
de eF aumenta.
Isto resulta em comportamentos lentos, mais cautelosos
quando o robô atravessa ambientes mais atravancados onde
as colisões são mais prováveis.
A raiva reactiva controlo a aversão do robô aos obstáculos.
O valor da raiva reactiva eA aumenta quando o progresso do
robô é obstruído (por exemplo por mínima local). A detecção
de um estado de obstrução envolve o somatório dos vectores
de velocidade linear v(t) em relação ao tempo t :
3
  T 
 
 
∑ v (t ) 
 T
 K 2  1−
eA =  
t= 0
T + β2 se ∑ v (t )  0
  ∑ v (t )  t= 0

  t= 0 
1 c a s oc o n t r á r i o

(2)
A resposta primária à raiva reactiva é modular o raio do
obstáculo r0, reduzindo r0 à medida que eA aumenta. Durante
a operação normal o robô comparte-se de uma maneira que
poderíamos descrever como “medrosa”, dando muito espaço
aos obstáculos. No entanto se o progresso do robô é
obstruído, ele torna-se “agressivo”, reduzindo
temporariamente a sua aversão aos obstáculos de modo a
transpor a obstrução.
B. Emoções Deliberadas
Planeamento e exploração são facilitados por uma grelha
mapeada de ocupação dinamicamente actualizada [26]. A
probabilidade de ocupação de cada alvéolo p0 é actualizada
em tempo real baseado na sua proximidade medida aos
obstáculos e aos vectores de cobertura dos sensores. Rotas
para o objectivo são planeadas utilizando um algoritmo A*
modificado [27]. A nossa implementação difere de
algoritmos de planeamento de rota convencionais no facto do
custo c associado ao atravessamento de um alvéolo ser
probabilístico e sujeito a modulações emocionais:
c = p 0 + (W1 ⋅ E F + W 2 (1 − E S ) − W 3 ⋅ E H )(1 − E A )
(3)
O medo deliberado EF aumenta o custo dos alvéolos na
proximidade de uma colisão, reduzindo a probabilidade de
que o robô trace uma rota através deles. Surpresa ES reduz o
referido custo, compelindo o robô a explorar áreas que não se
encontram nos seus dados internos de mapeamento. Valores
positivos de felicidade EH também reduzem custo, aumentado
a probabilidade de o robô planear uma rota com a qual
outrora obteve sucesso, enquanto que valores negativos
(representando tristeza) têm o efeito contrário. Tendências
emocionais são suprimidas pela raiva deliberada EA
permitindo ao robô escapar de estados de obstrução
resultantes destas modulações. O pesos de planeamento W1,
W2 e W3 controlam o grau de influência que cada emoção tem
sobre o planeamento da trajectória.
O medo deliberado controla a aversão do robô a
localizações “perigosas”. Se um sensor de colisão é activado,
a intensidade do medo deliberado EF nos alvéolos junto ao
ponto de colisão aumenta numa taxa dependente do factor de
crescimento G e da sua distância dc ao ponto de colisão, caso
contrário decresce ao uma taxa D:
15-07-2008 IEEE 4

desempenho. Em cada experiência, capacidades não

 G
 E F + 2 ( 1 − E F ) c a s c oo l i d a
directamente relevantes para as funções da emoção a ser
testada são desactivadas.

EF ←  dc + 1 (4) A. Raiva Reactiva

 ( 1 − D) ⋅ E c a sc oo n t r á r i o
Para demonstrar a utilidade da raiva reactiva, foi
concebido um ambiente simulado no qual a resposta raivosa
 F do robô é encorajada (Figuras 1 e 2). O robot começa a
experiência completamente cercado por obstáculos cuja
A raiva deliberada fecha a malha de realimentação,
posição inicial é representada pelas áreas cinzento claro no
modulando outras emoções de modo a prevenir estados de
mapa. De modo a atingir o seu objectivo, ele tem que
obstrução. Se uma trajectória planeada atravessa um alvéolo
empurrar os obstáculos para fora do caminho, e depois
cujo custo c excede um limiar TA, a intensidade da raiva
navegar por uma série de corredores. O planeamento de rotas
deliberada EA aumenta ao longo de todo o mapa. Quando
deliberativo foi desactivado para esta experiência, logo o
outra emoção deliberada E0 aumenta, o valor de EA
robô tem de confiar inteiramente no seu controlador reactivo.
correspondente decresce a uma taxa dependente de E0:

 E A + G( 1− E A ) s ce > TA
Não foram implementados quaisquer códigos
comportamentais específicos para lidar com obstáculos
móveis. Em vez disso, o robô deve suprimir a sua resposta à
EA ←  (5)
aversão aos obstáculos reduzindo r0. Os obstáculos móveis

 (1− D ⋅ E0 )E A s ∆eE0 > 0

são considerados “seguros”, por isso só as colisões ocorridas
após o robô ter escapado dos obstáculos contíguos são
registadas.
A surpresa controla o equilíbrio entre a exploração e
proeza, ou prémio futuro e recompensa imediata. A
intensidade da surpresa ES está ligada ao nível de insatisfação
∆p0 entre os dados sensoriais do robô e o seu mapa interno.
Computacionalmente, se ∆p0 de um alvéolo excede o limiar
TS , ES irá aumentar, caso contrário irá diminuir:

 G( ∆ p 0 − T S )
 ES + ( 1 − ES ) c a s∆ op0 > TS
 1 − T S
ES ←  Figura 1 – Trajectória seguida pelo robô com raiva

  1 − D(1 − ∆ p0 )  ⋅ E
reactiva desactivada.

c a s oc o n t r á r i o
 T  S
 S 
(6)
Felicidade e tristeza são análogas a recompensar positivas
e negativas no reforço da aprendizagem. Após ter
completado (ou ter acabado o tempo) de uma instrução de
navegação, a intensidade de felicidade EH de alvéolos perto
daqueles atravessados pelo robô crescem ou diminuem
conforme instruções do grau de sucesso s:

 EH + G( s − EH ) s se > EH
Figura 2 – Trajectória seguida pelo robô com raiva
reactiva activada.

EH ←  (7) Quando a r0 é atribuído um valor constante,

 EH + D(s − EH ) c a sc o n t r á r i o
V. RESULTADOS
As emoções reactivas e deliberadas descritas na secção IV
foram testadas independentemente em ambientes simulados
concebidos para revelar as suas contribuições para o
suficientemente pequeno para permitir ao robô escapar aos
obstáculos móveis, é frequente a obstrução do robô por
entradas, esquinas e consequentemente falha os objectivos
(Figura 1). Quando r0 é correctamente modulado pela raiva
reactiva (Figura 2), o robô evita inicialmente o contacto com
os obstáculos, mas os movimentos repetitivos são
rapidamente reconhecidos como um estado de obstrução. Isto
leva a que eA aumente rapidamente até ao ponto de saturação,
então r0 reduz-se ao seu valor mínimo, permitindo que o robô
15-07-2008 IEEE
afaste os obstáculos do caminho. Uma vez livre de
obstáculos, o valor de eA decresce rapidamente, aumentando
a aversão aos obstáculos para um nível seguro, permitindo
assim que ao robô navegar através das entradas.
Figura 3 – Gráfico do número médio de colisões para cada
valor de r0.
Figura 4 - Gráfico do tempo médio de percurso para cada
valor de r0.
Os resultados para uma selecção de valores constantes /
mínimos de r0 são apresentados nas Figuras 3 e 4. Quando a
raiva reactiva está habilitada, r0 é modulado entre os valores
mostrados (r0(min)) e um máximo fixo de r0(max)=0.4m, com o
valor actual de r0 e para qualquer tempo dependente de eA.
Em ambas as condições (com e sem raiva habilitada) o valor
médio de colisões é reduzido até que r0(min) se aproxima do
raio do robô (0.35m). No entanto o número de colisões com
raiva reactiva habilitada é consistentemente mais baixo do
que com a raiva não habilitada. Os tempos de percurso são
inicialmente elevados como resultado da obstrução do robô
pelas entradas seguidos por um estreitamento com vista a um
valor óptimo de r0, e depois aumenta rapidamente à medida
que robô sente mais dificuldades em escapar aos obstáculos.
O estreitamento é mais pronunciado quando a raiva está
habilitada, conseguindo tempos de percurso
consideravelmente reduzidos até níveis óptimos de 0.22-0.26
m. Correctamente afinada, a raiva reactiva melhorou
significativamente as prestações do robô durante esta
experiência, mas o número de colisões e tempos de percurso
são, ainda assim, bastante elevados. Isto deve-se largamente
ás solicitações extremas que a experiência impôs ao robô.
5
A. Medo e Raiva Deliberados
O medo deliberado é demonstrado num ambiente contendo
obstáculos estáticos mapeados bem como obstáculos
dinâmicos não mapeados que se movem demasiadamente
depressa para que o robô os consiga evitar (Figuras 5 e 6). Os
obstáculos movem-se dentro das áreas cinzento claro do
mapa. Caso o robô passe numa destas zonas a colisão é
inevitável, mas ao robô é dado conhecimento prévio das
mesmas. O robô é instruído para viajar do canto superior
esquerdo para o canto superior direito do mapa, e depois
regressar á sua posição inicial.
Figura 5 – Caminho seguido pelo robô com medo
deliberado desactivado.
Figura 6 – Caminho seguido pelo robô com medo
deliberado activado.
Com o medo deliberado desactivado (Figura 5), o robô
viaja ao longo do que aparenta ser o percurso mais curto até
colidir com o primeiro obstáculo dinâmico. Devido à
velocidade do obstáculo, a ocupação alveolar não é singular
em cada instante. Isto significa que o algoritmo de
mapeamento dinâmico é muito lento a aumentar a
probabilidade de ocupação dos alvéolos dentro da área
cinzenta, mesmo sabendo que estão entre as zonas mais
perigosas do mapa.
Eventualmente as probabilidades de ocupação aumentam
até ao ponto em que o robô planeia outra trajectória, mas
entretanto ocorreu já um número significativo de colisões. O
mesmo padrão comportamental ocorre quando o robô entra
nas outras duas “zonas perigosas”. Assim, o robot completa
eventualmente a sua tarefa, mas só após um número
inaceitável de colisões. Quando o medo deliberado é
activado (Figura 6), EF aumenta nos alvéolos que circundam
o ponto de colisão. Isto resulta numa influência negativa para
o seu custo, obrigando rapidamente o robô a efectuar o
planeamento de um trajecto alternativo. Assim o robô só
sofre um pequeno número de colisões quando encontra um
obstáculo dinâmico. A tarefa é, deste modo, completada mais
rapidamente e de forma mais segura.
No exemplo apresentado o medo deliberado é sem dúvida
benéfico para o desempenho. No entanto existem situações
15-07-2008 IEEE 6

em que o robô pode ficar “encurralado” pelo medo. Por efeito, e daqui para a frente o seu desempenho sofre
exemplo se o robô colide com uma passagem que é a única crescentemente. Em W1>0.9 o robô fica permanentemente
saída de uma certa área, ele vai subsequentemente evitar essa obstruído, incapaz de completar a sua tarefa antes que o
saída como evitaria uma parede. Este problema é resolvido tempo termine. Quando a raiva deliberada se encontra
utilizando raiva deliberada de modo a suprimir emoções activada não existe grande interferência no desempenho até
como medo quando estas obstruem o progresso do robô para que W1 exceda o limiar de activação TA=0.6. Daqui para a
o seu objectivo. Para demonstrar a utilidade da raiva frente o desempenho melhora, aproximando-se do nível
deliberada, modificamos o ambiente da experiência anterior conseguido na ausência de armadilha de medo. Estes
de modo a simular uma colisão adicional assim que o robô resultados demonstram que o medo deliberativo pode
entra na passagem mais baixa (Figuras 7 e 8). Com a melhorar significativamente o desempenho do robô em certas
activação adequada do medo deliberativo (Figura 7), isto situações, e que a raiva deliberada pode compensar alguns
efectivamente encurrala o robô na secção este do mapa até dos seus efeitos adversos.
que o valor EF dos alvéolos na passagem diminui até ao
ponto em que permite a saída do robô. Este processo é
demorado e resulta muitas vezes em colisões adicionais à
medida que o robô tenta passar por outras áreas que são mais
perigosas do que a passagem. No entanto quando a raiva
deliberada é habilitada (Figura 8), o robô detecta um estado
de obstrução assim que tenta planear uma rota através de um
alvéolo com um alto custo (indicando que a melhor rota
disponível é inadequada). Isto leva a que o robô suprima as
suas outras emoções, confiando nas probabilidades de
ocupação parciais para a sua próxima rota planeada.

Figura 9 – Gráfico do número médio de colisões para cada

valor de W1

Figura 7 – Caminho seguido pelo robô com raiva

deliberada desactivada.

Figura 8 – Caminho seguido pelo robô com raiva Figura 10 – Gráfico do tempo médio de percurso para cada
deliberada activada. valor de W1

O desempenho global do robô durante estas experiências é

resumido nas Figuras 9 e 10. O peso W1 controla a VI. CONCLUSÃO
intensidade das respostas do medo deliberado, portanto o
Os resultados apresentados corroboram a hipótese
tempo total do percurso (Figura 9) e o número de colisões
levantada inicialmente, de que as emoções artificiais podem
(Figura 10) são guardados para um leque de valores de W1.
melhorar o desempenho adaptativo dos robôs. Estas
Se W1=0, o medo (e logo a raiva) estão completamente
experiências foram efectuadas em ambientes forçados
desactivados.
desenhados para encorajar comportamentos específicos,
Sob condições normais (sem armadilhas de medo), a
facilitando a análise quantitativa da contribuição individual
frequência de colisões e tempo de percurso melhoram
de cada emoção para o desempenho. Estudos futuros irão
consistentemente até que W1=0.8. No ambiente com
investigar sinergias emocionais e comportamento emergentes
armadilhas de medo, com a raiva deliberada desactivada, o
que surgem da combinação de emoções em ambientes menos
comportamento do robô segue a mesma tendência até
forçados.
W1=0.4, ponto em que a armadilha de medo começa a surtir
O nosso modelo beneficia da fiabilidade provada de uma
15-07-2008 IEEE 7

arquitectura hierárquica reactiva/deliberada, bem como das facial

vantagens adaptativas associadas às emoções. Ao
modelarmos emoções como parâmetros, demonstramos um
mecanismo de adaptação efectiva para o planeamento e
controlo de robôs
REFERÊNCIAS
[1] C. Breazeal, “Function meets style: Insights from
emotion theory
applied to HRI,” IEEE Trans. Systems, Man &
Cybernetics, vol. 34,
no. 2, pp. 187-194, 2004.
[2] A. Damasio, The Feeling of What Happens: Body and
Emotion in the
Making of Consciousness. NY: Harcourt Brace, 1999.
[3] M. Minsky, The Society of Mind. NY: Simon and
Schuster, 1986.
[4] R.C. Arkin, “Moving up the food chain: motivation and
emotion in
behavior-based robots,” in Who Needs Emotions: The
Brain Meets
the Robot, J. Fellous and M. Arbib, Eds. NY: Oxford
University
Press, 2005, pp. 425-270.
[5] R.A. Peters II, K. Kawamura, D.M. Wilkes, K.A.
Hambuchen, T.E.
Rogers, and A. Alford, “ISAC humanoid: An architecture
for learning
and emotion,” Proc. IEEE-RAS Int. Conf. Humanoid
Robots, pp. 459-
459, Tokyo, Japan, 2001.
[6] M. Kanoh, S. Kato and H. Itoh, “Facial expressions
using emotional
space in sensitivity communication robot "Ifbot",” Proc.
IEEE/RSJ
Int. Conf. Intelligent Robots & Systems, vol. 2, pp. 1586-
1591, 2004.
[7] L. Moshkina and R.C. Arkin, “Human perspective on
affective
robotic behavior: A longitudinal study,” Proc. IEEE Int.
Conf. Intell.
Robots & Systems, pp. 1444-1451, Edmonton, Canada,
2005.
[8] M.A. Salichs, M. Malfaz, “Using emotions on
autonomous agents.
The role of happiness, sadness and fear,” Proc. AISB’06
Convention,
vol. 1, pp. 157-164, Bristol, England, 2006.
[9] G.A. Hollinger, Y. Georgiev, A. Manfredi, B.A.
Maxwell, Z.A.
Pezzementi and B. Mitchell, “Design of a social mobile
robot using
emotion-based decision mechanisms,” Proc. IEEE/RSJ
Int. Conf.
Intell. Robots & Systems, pp. 3093-3098, Beijing, China,
2006.
[10] J. Broekens, “Emotion and reinforcement: Affective
expressions facilitate robot learning,” LNAI Spec. Vol. on
AI for
Human Computing, pp. 113-132, Springer, 2007.
[11] J.D. Velásquez and P. Maes, “Cathexis: A
computational model of
emotions,” Proc. 1st Int. Conf. Autonomous Agents, pp.
518-519,
Marina del Rey, CA, 1997.
[12] F. Michaud, J. Audet, D. Letourneau, L. Lussier, C.
Theberge-Turmel
and S. Caron, “Experiences with an autonomous robot
attending the
AAAI conference,” IEEE Intell. Sys., vol. 16, no. 5, pp.
23-29, 2001.
[13] R.R. Murphy, C.L. Lisetti, R. Tardif, L. Irish, A.
Gage, “Emotionbased
control of cooperating heterogeneous mobile robots,”
IEEE
Trans. Robotics and Automation, vol. 18, no. 5, pp. 744-
757, 2002.
[14] S.C. Gadanho and J. Hallam, “Robot learning driven
by emotions,”
Adaptive Behavior, vol. 9, no. 1, pp. 42-64, 2001.
[15] M.J. Neal and J. Timmis, “Timidity: A useful
mechanism for robot
control?” Informatica, vol. 4, no. 27, pp. 197-204, 2003.
[16] O. Avila-García and L. Cañamero, “Hormonal
modulation of
perception in motivation-based action selection
architectures,” Proc.
AISB’05 Convention, vol. 2, pp. 9-16, Hertfordshire, UK,
2005.
[17] C. Tingley and W.N. Browne, “Developing an
Emotion-Based
Architecture for Autonomous Agents,” Proc. 3rd Int.
Conf. Auton.
Robots & Agents, pp. 225-230, Palmerston North, NZ,
2006.
[18] A. Öhman and S. Mineka, “The malicious serpent:
Snakes as a
prototypical stimulus for an evolved module of fear,”
Current
Directions in Psychological Science, vol. 12, no. 1, pp. 5-
9, 2003.
[19] J.E. LeDoux, “Emotion circuits in the brain,” Annual
Review of
Neuroscience, vol. 23, no. 1, pp. 155-184, 2000.
[20] A. Sloman, R. Chrisley and M. Scheutz, “The
architectural basis of
affective states and processes,” in Who Needs Emotions:
The Brain
Meets the Robot, J. Fellous and M. Arbib, Eds. NY:
Oxford
University Press, 2005, pp. 203-244.
[21] D. Dörner and K. Hille, “Artificial souls: Motivated
emotional
robots,” Proc. Int. Conf. Systems, Man and Cybernetics,
pp. 3828-
15-07-2008 IEEE 8

3832, Vancouver, BC, Canada, 1995.

[22] J.M. Fellous, “From human emotions to robot
emotions,” Proc. 2004
AAAI Spring Symposium: Architectures for Modeling
Emotions:
Cross-Disciplinary Foundations, pp. 37–47, Palo Alto, CA,
2004.
[23] D.A. Carnegie, A. Prakash, C. Chitty and B. Guy, “A
human-like
semi autonomous mobile security robot,” Proc. 2nd Int.
Conf. Auton.
Robots & Agents, pp. 64-69, Palmerston North, NZ,
2004.
[24] J. Borenstein and Y. Koren, “The vector field
histogram - fast
obstacle avoidance for mobile robots,” IEEE J. Robotics &
Automation, vol. 7, no. 3, pp. 278-288, 1991.
[25] D. Fox, W. Burgard and S. Thrun, “The dynamic
window approach to
collision avoidance,” IEEE Robotics & Automation
Magazine, vol. 4,
no. 1, pp. 23-33, 1997.
[26] S. Thrun, “Robotic mapping: A survey,” in Exploring
Artificial
Intelligence in the New Millennium. G. Lakemeyer and B.
Nebel, Eds.
San Francisco, CA: Morgan Kaufmann, 2003, pp. 1-35.
[27] P. Judea, Heuristics: Intelligent Search Strategies for
Computer
Problem Solving, Reading, MA: Addison-Wesley, 1984.