Controlador Fuzzy para navegação móvel autônoma na agricultura

APLICAÇÃO DE CONTROLADOR FUZZY PARA NAVEGAÇÃO MÓVEL
AUTÔNOMA NA AGRICULTURA
Email:
Abstract— The employment and incorporation of new technologies in the agriculture field allows a new
meaning to productivity and efficiency. Among its various pillars, autonomous robotics promotes improvements
in production, through increased safety in the coexistence between robots and humans, in the execution of various
activities. This work presents the use of a low cost prototype controlled by two Fuzzy techniques.The proposed
model allows representing the dynamic behaviour of a mobile robot in presence of changes in the environment.
A Hierarchical Weighted Fuzzy Logic Controller composes the second navigation system. Simulation results are
presented allowing a comparison among both systems and showing the ability of the mobile robot to navigate
among obstacles in different scenarios (navigation environment).
Keywords— Fuzzy Cognitive Maps, Autonomous Navigation Embedded, Intelligent dynamic decision systems
Resumo— O emprego e a incorporação de novas tecnologias na agricultura permitem um novo significado

a produtividade e eficiência no campo. Dentre seus diversos pilares, a robótica autônoma promove melhorias
na produção, por meio do aumento de segurança na coexistência entre robôs e seres humanos, na execução de
diversas atividades. Este trabalho apresenta o emprego de um protótipo de baixo custo controlado por duas
técnicas Fuzzy. O modelo proposto permite representar o comportamento dinâmico do robô móvel na presença
de mudanças no ambiente. Um Controlador Fuzzy Ponderado Hierárquico compõe o sistema de navegação.
Resultados da simulação permitem uma comparação entre os dois sistemas, demonstrando a capacidade do robô
móvel navegar entre obstáculos em diferentes cenários (ambiente de navegação).
Palavras-chave— Mapas Cognitivos Fuzzy; Navegação Autônoma Embarcada; Sistemas inteligentes de deci-
são dinâmica
1 Introdução et al., 2013) e (Maki et al., 2010). Como exem-

plos, podem ser citados trabalhos que descrevem
A robótica é uma área multidisciplinar que em- um robô móvel autônomo para uso em solda-
prega técnicas de controle, inteligência artificial, gem (Schroth et al., 2009), exploração de ambi-
mecânica e eletrônica entre outras, preferencial- entes (Salan et al., 2015), subaquático (Spears
mente com ações de controle que se aproximam et al., 2014) e (Bishop, 2000) e outros.
do tempo real (Mendonça et al., 2019) e (Siciliano Uma dificuldade na área de robótica móvel
and Khatib, 2016). autônoma, ou agentes móveis autônomos, é a ne-
Nos últimos anos, os problemas envolvendo cessidade de aprender uma estratégia de navega-
tomada de decisão têm sido uma área de pes- ção por meio de sua interação com o ambiente.
quisa ativa devido ao seu impacto na resolução Em geral, a área de navegação é grande e diver-
de problemas no mundo real (Siciliano and Kha- sificada, há uma variedade de situações que ne-
tib, 2016). A tomada de decisão pode ser definida cessitarão de tomada de decisão ou ações de con-
informalmente como a tarefa de determinar e se- trole, e o ambiente pode sofrer mudanças repen-
lecionar as ações adequadas que permitem a so- tinas (Cliff, 2003). Nesse contexto, a dificuldade
lução de um problema especı́fico. Decidir implica de desenvolver controladores para agentes móveis
que existam escolhas alternativas a serem consi- (robôs) é a iteração entre dois sistemas dinâmicos:
deradas e que o conhecimento dos especialistas robô e ambiente. Mesmo no caso de ambientes es-
e as observações dinâmicas dos sistemas podem táticos, como é o caso deste trabalho, do ponto de
ser usadas para melhorar essas escolhas (Nápoles vista do robô o ambiente é dinâmico.
et al., 2020). A motivação deste trabalho é propor o desen-
O termo autonomia refere-se não apenas à volvimento de dois sistemas autônomos de navega-
capacidade de ação e decisão de um sistema de ção que utilizem conhecimento heurı́stico sobre o
controle artificial, mas também à capacidade de comportamento do robô/veı́culo ou agente em di-
adaptação do mecanismo de tomada de decisão versas situações. O primeiro sistema é modelado
(Mataric, 2007) e (Siciliano and Khatib, 2016). por Mapas Cognitivos Fuzzy (FCM) e os demais
De outra forma, os Sistemas Autônomos têm são baseados em um Controlador Lógico Fuzzy
a capacidade de realizar tarefas complexas com (FLC).
alto grau de sucesso; sem intervenção humana O primeiro objetivo deste trabalho é desen-
(Sharma, 2021). Há um interesse crescente no volver e comparar os dois sistemas autônomos de
desenvolvimento de robôs e veı́culos autônomos navegação, por meio de simulações. Foi analisada
(agentes), principalmente devido à grande diver- a capacidade de ambos os sistemas de tomada de
sidade de tarefas que podem ser realizadas por decisões sequenciais dinâmicas para se mover pelo
eles, principalmente aquelas que colocam em risco ambiente e, às vezes, para alterar a trajetória de-
a saúde humana e/ou o meio ambiente (Shaikh vido a um evento (alcançar o alvo e evitar obs-
táculos). Além disso, ambos os sistemas devem aplicada na agricultura para realizar os trabalhos
agregar conhecimento discreto e contı́nuo sobre de campo (Sharma, 2021).
navegação. A robótica na agricultura tem como princi-
Especificamente para o primeiro sistema, uma pal objetivo o aumento da precisão de resultados,
Arquitetura Hı́brida baseada em Mapas Cogni- rapidez no processo de tomada de decisões e prin-
tivos Fuzzy Dinâmicos Hı́bridos é utilizada para cipalmente o aumento do rendimento operacional,
modelar um sistema de navegação autônomo com fatores estes que impactam diretamente na com-
diferentes objetivos em diferentes cenários, tais petitividade de uma operação agrı́cola em um con-
como: evitar obstáculos, explorar e alcançar al- texto que exige cada vez mais aumento de produ-
vos. Este novo tipo de FCM possui aprendizado tividade e aproveitamento sustentável do campo
dinâmico e é suportado por uma máquina de esta- (Sharma, 2021).
dos que garante mudanças estruturais do FCM sob Neste cenário, destacam-se no emprego da ro-
diferentes objetivos. Um FCM semelhante, deno- bótica aplicações em campos abertos e ambientes
minado FCM Dinâmico (D-FCM) foi apresentado fechados como estufas e armazéns em operações
em (Kostiadis et al., 2000), no qual os conceitos de controle e gerenciamento de pragas e doenças,
e relacionamentos do D-FCM são modificados a colheita de frutos e vegetais, irrigação, pulveriza-
partir de decisões orientadas por eventos modela- ção e coleta de dados relacionados a estimativa de
dos por regras. safras, entre outros. Como um exemplo de inves-
O segundo objetivo deste trabalho é construir timento, a empresa Saga Robotics investiu cerca
um protótipo do robô, mostrado na Figura 1, e de R$ 61,5 milhões para o impulsionamento dos
comparar os dois sistemas de navegação autôno- seus robôs autônomos na agricultura, por meio de
mos em um robô móvel real. Este robô móvel métodos avançados de navegação e inteligência ar-
é equipado com dois motores de passo, um mi- tificial, conforme mostrado na Figura 2.
crocontrolador Arduı́no e sensores de ultrassom.
Devido a inercia e restrições fı́sicas, o robô móvel
não pode mudar de direção abruptamente e este
tipo de manobra deve ser executada com cuidado
sendo restritiva ao sistema de navegação.
Figura 2: Exemplo de aplicação de robótica autô-

noma na agricultura
Figura 1: Robô sketch
Outro projeto vem da empresa Webull In-
Este artigo está organizado da seguinte forma: telligent Technology, que criou um protótipo de
a Seção 2, apresenta um breve descritivo das apli- fazenda online também conhecido como Ghost
cações de robótica autônoma, na Seção 3 são dis- Farm. O projeto emprega tecnologias autônomas
cutidos os conceitos gerais sobre mapas cognitivos em um pomar que cultiva pêssegos, utilizando di-
Fuzzy. Na Seção 4, são discutidos os aspectos ge- versas tecnologias de manejo de forma totalmente
rais para desenvolvimento de um sistema de nave- online, por meio de sensores e softwares de inteli-
gação autônoma. Discussões sobre a metodologia gência artificial e visão computacional, conforme
proposta para geração dos dados utilizados neste Figura 3. A utilização do robô autônomo permite
trabalho e parâmetros de configuração emprega- o aumento da renda do agricultor e converte a
dos para as simulações na Seção 5. Finalmente, produção agrı́cola de forma eficiente e inteligente.
na Seção 6, as conclusões finais. Soluções através de computação em nuvem
controlam veı́culos não tripulados e podem reali-
2 Aplicações de Robótica Autônoma na zar diversas tarefas no campo, sendo que um robô
Agricultura autônomo pode substituir cerca de 70% do traba-
lho manual (Sharma, 2021).
Com a tendência do aumento de produção e maior Robôs autônomos são amplamente empre-
necessidade de agilidade no trabalho criou-se uma gados como manipuladores na industria (Salan
dependência muito grande de mão-de-obra em um et al., 2015). Dessa forma, a classe de robôs
cenário cada mais escasso de recursos humanos na moveis necessita de uma plataforma capaz de se
agricultura. Devido a este fator de escassez, em- deslocar automaticamente, percebendo e reagindo
presas estão apostando cada vez mais na robótica as mudanças do ambiente. O crescimento dessa
tas direcionadas. E, os conceitos são considerados
como variáveis do sistema (Papageorgiou and Fro-
elich, 2012).
Assim, um Mapa Cognitivo Fuzzy é um grafo
direcionado com sinal fuzzy com feedback que mo-
dela sistemas complexos como uma coleção de con-
ceitos e relações causais entre conceitos (Ahmadi
et al., 2014). Podem ser encontrados na lite-
ratura dois tipos de FCM, cı́clicos e acı́clicos
(Papageorgiou, 2014). Neste trabalho, é utilizado
um FCM acı́clico e manual (os pesos das relações
causais são determinados por especialistas).
O modelo matemático FCM foi adaptado para
inclusão de incerteza lógica Fuzzy por Kosko
(Kosko, 1986), gerando Mapas Cognitivos Fuzzy
Figura 3: Sistemas autônomos integrados - Webull difundidos. O FCM usa uma representação de co-
nhecimento estruturada por meio de relações cau-
sais calculadas a partir de operações matriciais, ao
classe de robôs pode ser observado pelos dados contrário de muitos sistemas inteligentes cuja re-
disponı́veis na Internacional Federation of Robo- presentação de conhecimento é baseada em regras
tics (IFR). Conforme a Figura 4, a projeção antes se-então. O processo de inferência calculado pelas
da pandemia foi de praticamente nenhuma para Equações 1 e 2
2020, 13% 2021 e 6% 2022. Um aspecto relevante  j=1 
é que Ásia/Austrália possuem números maiores X j6=1
de robôs instalados. No ano de 2022, a IFR cita Ai = f ( )Ajn .Wji (1)
que Japão ocupa a primeira posição no ranking de
fabricação de robôs industriais do mundo, sendo onde k é o contador de iterações, n é o número
responsável por 45% da oferta global. Nos últi- de nós no grafo, Wi j é o peso do arco que conecta
mos anos, os fornecedores de robôs deste paı́s ti- o conceito Cj e Ci ,Ai (Ai old) é o valor do conceito
veram crescimento 5,3%. Ainda de acordo com as (Ci ) na interação atual (anterior) e a função f (.)
informações disponı́veis em (of Robotics, 2021), é uma função do tipo sigmoide:
observa-se que a demanda de profissionais nessa
área deverá crescer de forma considerável nos pró- 1
f (x) = (2)
ximos anos. 1 + e−λx
A estrutura do FCM é construı́da a partir do
conhecimento a priori de especialistas e, posteri-
ormente, pode ser ajustada por métodos heurı́sti-
cos, algoritmo genético, enxame e outras técnicas.
Apesar da etapa de ajuste, os modelos de infe-
rência baseados em FCM carecem de robustez na
presença de modificações dinâmicas não modela-
das a priori, devido à sua representação rı́gida do
conhecimento por meio de operação gráfica e ma-
Figura 4: Evolução anual das instalações de robôs tricial (Acampora and Loia, 2011).
na industria Para contornar este problema, este artigo de-
senvolve um novo tipo de FCM em que sua es-
trutura muda de acordo com os objetivos atuais
3 Mapas Cognitivos Fuzzy - Uma Breve do modelo, como atingir o alvo e evitar obstácu-
Descrição los a um sistema de navegação baseado em FCM.
Desta forma, o modelo de Mapa Cognitivo Fuzzy
Os Mapas Cognitivos Fuzzy foram originalmente Hı́brido-Dinâmico é capaz de adquirir e utilizar di-
introduzidos por Kosko (Kosko, 1986), como uma namicamente o conhecimento heurı́stico. O HD-
metodologia baseada em conhecimento adequada FCM e sua aplicação na navegação autônoma se-
para modelagem de sistemas dinâmicos. Em ou- rão desenvolvidos e validados nas próximas seções.
tras palavras, FCM é uma metodologia para re- Alguns trabalhos relacionados, que utilizam
presentar problemas do mundo real em termos de mapas cognitivos na área de pesquisa em robó-
conceitos e relações causais entre eles. Os con- tica móvel, podem ser encontrados na literatura.
ceitos usados por um tomador de decisão são re- Dentre eles, podemos citar o trabalho em (Min
presentados como nós, e as relações causais en- et al., 2006) que utiliza o FCM probabilı́stico na
tre esses conceitos são representadas como ares- tomada de decisão de um time de futebol de robôs.
Essas ações estão relacionadas ao comportamento
da equipe, como chutar a bola na presença de ad-
versários. O FCM probabilı́stico agrega uma fun-
ção de verossimilhança para atualizar os conceitos
do mapa. Outro exemplo, (Pipe, 1998) usa Campo
Potencial e Mapas Cognitivos para guiar um robô
autônomo.
Outras variações dos Mapas Cognitivos Fuzzy
que se preocupam com a representação rı́-
gida do conhecimento são conhecidas na litera-
tura: E-FCM (Extended-Fuzzy Cognitive Maps)
(Hagiwara, 1992), RB-FCM (Rule Based Fuzzy Figura 5: Cenários - distâncias
Cognitive Maps) (Carvalho and Tome, 2000),
DCN (Dynamic Cognitive Network ) (Kostiadis
nas rodas esquerda e direita do celular. No en-
et al., 2000) e (Miao et al., 2010), Mapas
tanto, os conceitos de entrada desses FCMs são
Cognitivos Fuzzy com Granularidade Temporal
diferentes.
(Acampora and Loia, 2011), Mapas Cogniti-
Na Figura 6, DSx é a distância lateral entre o
vos Dinâmicos-Fuzzy (Mendonça et al., 2019) e
robô e o alvo (correspondente a ∆X na Figura 7),
(Ahmed and Hesham, 2010), Redes Cognitivas
e DSy é a distância frontal ao alvo (correspon-
Rough (Nápoles et al., 2020), e outros. Um
dente a ∆Y, medido no eixo vertical. Se o alvo
levantamento recente com grandes variações do
estiver localizado à esquerda do robô, DSx é ne-
FCM clássico nos últimos anos que sugere baixa
gativo e, se estiver localizado na parte traseira do
complexidade computacional é apresentado por
robô, DSy é negativo. Todos os pesos (W 1 − 3 a
(Papageorgiou and Salmeron, 2013).
W 2 − 4) são números fuzzy que são normalizados
no intervalo [-1, 1].
4 Desenvolvimento de Sistemas de A Figura 7 mostra o robô (agente) para o mo-
Navegação Autônoma delo HD-FCM para desvio de obstáculos. Os con-
ceitos de entrada são SL (sensor esquerdo), SR
A arquitetura de controladores de agentes adotada (sensor direito) e SF (sensor frontal). Os valo-
neste trabalho é inspirada na Arquitetura de Sub- res desses conceitos são as leituras dos sensores
sunção (Mataric, 2007), que permite o desenvolvi- correspondentes e medem a distância que o mó-
mento gradual de ambos os sistemas de navegação, vel está do obstáculo. Como um número fuzzy,
partindo de um modelo simples com uma ou pou- esses valores são normalizados no intervalo [0, 1].
cas funcionalidades, e adicionando gradualmente Também mostra os conceitos e relações para evi-
novos objetivos para melhorar a exploração capa- tar obstáculos. Em resumo, os pesos W 14 e W 35
cidade do agente. são positivos; caso contrário, os pesos W 34 e W 15
No entanto, o agente (robô móvel) deve na- são negativos. O signo e o valor das relações cau-
vegar em um ambiente semi-desconhecido, tendo sais dependem da intensidade e influências entre
apenas informações a priori sobre a posição do os respectivos conceitos. Esses valores são neces-
alvo no ambiente; em resumo, apenas a posição sários para manobras de evasão. Os pesos W 24 e
do alvo e do agente inicial são conhecidas. O W 25 conectados aos sensores frontais e rodas pos-
robô pode implementar apenas ações de navega- suem valores negativos quando o obstáculo está
ção usuais como avançar, virar à direita e/ou virar próximo ao robô desacelera. Esses pesos são ajus-
à esquerda. O robô deve ter a capacidade de se tados usando o aprendizado Hebb, semelhante ao
adaptar às mudanças ambientais de acordo com a FCM1.
intensidade das medições do sensor, utilizando al-
gum algoritmo de aprendizado. A Figura 5 mostra
o robô e o alvo inseridos em um ambiente (cená-
rio). Também mostra a pose (ângulo e posições
x, y) do robô no cenário com as distâncias latitu-
dinais e longitudinais entre o robô e o alvo.
4.1 Sistema de Navegação HD-FCM

Dois FCMs apresentados nas Figuras 6 e 7 são
desenvolvidos para realizar duas tarefas do robô:
atingir os alvos e desviar dos obstáculos. Observe
que ambos os FCMs possuem os mesmos conceitos
de saı́da (LW e RW ) que correspondem respecti- Figura 6: Tarefa - atingir alvos
vamente ao número de pulsos a serem aplicados
Figura 8: Vocabulário de estado da máquina
Mais detalhes da arquitetura hı́brida HD-

FCM foram conceituados em (Mendonça et al.,
Figura 7: Tarefa - desviar dos obstáculos 2019). Em suma, a arquitetura hı́brida busca
ser adequada para resolver problemas complexos,
como atingir metas entre outros, de forma ótima
Todos os pesos em ambos HD-FCM são ajus- e eficiente, considerando a dinamicidade do am-
tados heuristicamente de forma off-line da se- biente, exigindo uma resposta rápida (usando re-
guinte forma: após a determinação do sinal causal, atividade) (Hendriks and Lyons, 1994; Policastro
os valores dos pesos foram inicializados em +0,5 et al., 2007). Nesse contexto, a Figura 9 mostra
ou -0,5 (dependendo da causalidade entre os con- brevemente os conceitos das demais áreas utiliza-
ceitos). Esses pesos iniciais para os HD-FCMs são das para aprimorar a evolução do FCM clássico
mostrados nas matrizes 3 e 4. para o HD-FCM.

0 0 0.8 −0.8

0 0 1 1
wHD−F CM 1 = (3)
0 0 0 0

0 0 0 0

0 0 0 1 −1

0 0 0 0.15 0.15

wHD−F CM 2 = 0 0 0 −0.85 1
(4)

0 0 0 0 0

0 0 0 0 0
Após esta etapa, observando-se o comporta-

mento dinâmico do robô móvel, os valores dos
pesos finais são calculados aplicando-se um algo-
ritmo de aprendizado de Hebb. Esses valores finais Figura 9: Áreas de pesquisa combinadas para ge-
dos pesos variam em torno dos valores iniciais. O ração do modelo do HD-FCM
processo é repetitivo e exaustivo, pois diferentes
valores são somados e subtraı́dos do valor inicial
para determinar os pesos finais.
4.2 Sistema de Navegação HW-FLC
Uma decisão deve ser tomada quando o robô
muda seu objetivo. Para alterar a tarefa (obje- Um Controlador Lógico Fuzzy Ponderado Hierár-
tivos móveis) é necessário mudar de FCM1 para quico (HW-FLC) é usado como base para o pro-
FCM2. Uma máquina de estados finitos é uti- jeto do segundo sistema autônomo de navegação
lizada pela parte deliberativa da arquitetura. A (W., 1999). O HW-FLC é composto por duas ba-
comutação é feita dinamicamente de acordo com ses de regras, cada uma relacionada aos objetivos
a ocorrência de eventos especı́ficos, a princı́pio o do robô móvel: atingir o alvo e evitar obstáculos.
robô irá em direção ao alvo; porém, altera o mo- A primeira base de regras, denominada Fuzzy
delo FCM se houver um obstáculo a uma distância I, visa determinar a rota mais curta entre o ponto
de 15 cm é detectado. A faixa de detecção de dis- de partida e o destino. Esta base de regras fuzzy
tância é de 0 a 15 cm. é composta por 48 regras cujos antecedentes estão
O vocabulário do estado da máquina é apre- relacionados às distâncias lateral e frontal entre o
sentado na Figura 8 é: (a) Iniciar máquina para robô e o alvo (∆X e ∆Y na Figura 5), e as regras
atingir alvos; (b) Mude o FCM para evitar obstá- consequentes são os pulsos a serem aplicados nas
culos. E, finalmente, (c) retorne a Máquina para rodas esquerda e direita do móvel. Fuzzy I desem-
atingir os alvos novamente. penha o mesmo papel do modelo HD-FCM 1 na
Figura 6. 9,67 cm (atingindo o alvo com a mesma precisão).
Quando os sensores detectam um obstáculo, o Foi utilizado o mesmo hardware para os testes de
controlador fuzzy hierárquico prioriza a evitação tempo. Mais detalhes são mostrados na tabela 1.
de obstáculos através da segunda base de regras O tempo de simulação do cenário mais com-
(Fuzzy II). O Fuzzy II pretende apenas evitar obs- plexo sugeriu uma pequena vantagem de 2,4 se-
táculos. As regras antecedentes são os sinais me- gundos para o HD-FCM, 5% mais rápido em com-
didos pelos sensores (esquerdo, direito e frontal) paração ao HW-FLC. Em que, sugere menor com-
e os consequentes são os pulsos a serem aplica- plexidade computacional, uma vantagem significa-
dos nas rodas esquerda e direita. Esta base de tiva na robótica móvel; considerando as mesmas
regras difusa tem 24 regras. O sistema de nave- dificuldades, modelo matemático, cenário e base
gação HW-FLC usa a mesma máquina de estados computacional, para ambas as simulações.
finitos dada na Figura 8 para alternar (tomar uma De acordo com os resultados simulados, o nú-
decisão) entre as bases de regras FUZZ I e FUZZY mero de pulsos e a precisão são semelhantes para
II. ambos os sistemas autônomos. No entanto, o HD-
Não é escopo deste trabalho mostrar o desen- FCM pode ser facilmente incorporado em plata-
volvimento do HW-FUZZY, apenas algumas de formas de robôs reais, devido à sua baixa com-
suas caracterı́sticas relevantes são apresentadas. plexidade computacional. O modelo FCM possui
Uma explicação detalhada sobre HW-FLC pode menos operações matemáticas (Spears et al., 2014)
ser encontrada em (Mendonça et al., September. do que o controlador fuzzy, conforme sugerem os
2014). resultados práticos.
Em um experimento real, um robô real utili-
5 Resultados simulados zando o FCM1 embarcado em um microcontrola-
dor de baixo custo baseado no Arduı́no Uno. O
Um simulador bidimensional foi implementado em robô possui três sensores de ultrassom espaçados
Matlab para estudar o comportamento dinâmico em 30 graus na parte frontal. As rodas do robô
do agente móvel acionado por ambos os sistemas são acionadas por motores de dois passos.
de navegação autônomos. A escala utilizada para
O sistema de navegação autônomo guiou o
o cenário simulado é 1:100. Russel e Norvig 5
robô para atingir o alvo, conforme mostrado na
sugerem que para se considerar um agente autô-
sequência na Figura 11 (reproduzindo a primeira
nomo, é necessário ter sucesso em pelo menos três
simulação, ou seja, alcance o alvo). Devido à pre-
simulações diferentes.
cisão dos atuadores das rodas, foi possı́vel estimar
As simulações comparam HD-FCM e HW-
a posição do robô e recalcular uma nova posição
FLC com as mesmas condições (cenários) e com
de acordo com a geometria dos pulsos enviados aos
a mesma base de conhecimento. As duas arquite-
motores do robô e o tamanho da circunferência da
turas são hierárquicas, porém apenas o HD-FCM
roda, com precisão de 0,75 cm (considerando a po-
não é arquitetura puramente reativa devido à ca-
sição alvo), usando 104 pulsos em uma distância
pacidade de aprendizado do algoritmo de Hebb.
percorrida de aproximadamente 1,56 m (com erro
As simulações apresentadas na Figura 10
relativo de 0,5%).
apresentam certo grau de dificuldade para atingir
o alvo, uma vez que os obstáculos estão distribuı́-
dos no trajeto em espiral. Outra dificuldade desse
problema é a tomada de decisão sequencial, ou
seja, um erro na segunda manobra pode influen-
ciar na terceira e assim sucessivamente (Mendonça
et al., 2013).
Figura 10: Simulação - target e obstáculos em

formato espiral - HD-FCM e HW-FLC
Nestas simulações, o HD-FCM precisou de

1962 passos, com precisão de 9,67 cm, enquanto Figura 11: Simulação 3 - FCM1 embarcado em
o HW-FLC utilizou 1960 passos com precisão de um robô móvel real
Tabela 1: Resultados Simulação HD-FCM x HW-FLC
HD-FCM HW-FLC
Passos 1962 Passos 1960
Erro 9,67 cm Erro 9,67 cm
Tempo 47 s Tempo 49,4 s
Por fim, o experimento com a trajetória dis- Agradecimentos

cretizada (sequência começando de a a f na Fi-
gura 11 sugere que o modelo simulado (agente) e o Os autores agradecem a contribuição da Univer-
robô real (protótipo) foram fortemente correlacio- sidade Tecnológica Federal do Paraná - Campus
nados, visto que a trajetória do robô foi muito pró- Cornélio Procópio, pelo apoio financeiro para o
ximo da trajetória simulada. Isso corrobora com desenvolvimento desta pesquisa.
a validade do modelo cinemático utilizado em to-
das as simulações no trabalho anterior (Mendonça
et al., 2019) e neste artigo, e a versão inicial do Referências
protótipo real.
Acampora, G. and Loia, V. (2011). On the tempo-
ral granularity in fuzzy cognitive maps, IEEE
6 Conclusões Transactions on Fuzzy Systems 19(6): 1040–
1057.
Os resultados iniciais obtidos das simulações e de
um experimento real foram convincentes, pois o Ahmadi, S., Forouzideh, N., Yeh, C.-H., Martin,
agente móvel cumpriu seu objetivo de atingir os R. and Papageorgiou, E. I. (2014). A first
alvos, em diferentes configurações e cenários si- study of fuzzy cognitive maps learning using
mulados. Em todas as simulações o agente (robô) cultural algorithm, 2014 9th IEEE Confe-
atingiu os alvos e evitou os obstáculos. rence on Industrial Electronics and Applica-
Observa-se que em um robô real, devido a di- tions, pp. 2023–2028.
ficuldades como precisão dos sensores, sinal fan-
Ahmed, M. G. and Hesham, A. H. (2010). A novel
tasma (em especial, sensores de ultrassom), ruı́do
multiagent system based on dynamic fuzzy
nas medições, dificilmente será possı́vel obter re-
cognitive map approach, 2010 10th Interna-
sultados semelhantes a simulação para cenários
tional Conference on Intelligent Systems De-
mais complexos, ou seja, ambiente espiral. No
sign and Applications, pp. 254–259.
entanto, o objetivo do experimento inicial (atin-
gir o alvo a menos que haja obstáculos, apenas
Bishop, R. (2000). Intelligent vehicle applicati-
FCM) sugere que as duas arquiteturas hierárqui-
ons worldwide, IEEE Intelligent Systems and
cas propostas podem ser usadas em controladores
their Applications 15(1): 78–81.
de robôs autônomos.
Uma vantagem significativa do HD-FCM so- Carvalho, J. and Tome, J. (2000). Rule ba-
bre o HW-FLC foi observada em várias simula- sed fuzzy cognitive maps-qualitative systems
ções: HD-FCM apresentou a velocidade mais rá- dynamics, PeachFuzz 2000. 19th Internatio-
pida (5% mais rápida em experimentos de simu- nal Conference of the North American Fuzzy
lação) nas mesmas condições (cenário, modelo ci- Information Processing Society - NAFIPS
nemático, hardware). (Cat. No.00TH8500), pp. 407–411.
A acurácia encontrada no experimento real foi
da ordem de 0,5% sugerindo que o uso de FCM Cliff, D. (2003). Biological inspired computing ap-
embutido em hardware open source de prateleira proaches to cognitive systems: a partial tour
pode ser utilizado no desenvolvimento de robôs de of the literature, pp. i–xi.
baixo custo. O erro relativo encontrado sugere que
os controladores podem ser aplicados em cenários Hagiwara, M. (1992). Extended fuzzy cognitive
de pequenas dimensões. maps, [1992 Proceedings] IEEE International
Trabalhos futuros abordam: Melhorar a com- Conference on Fuzzy Systems, pp. 795–801.
plexidade dos cenários. Testar os sistemas de na-
vegação autônomos propostos em cenários dinâmi- Hendriks, A. and Lyons, D. (1994). Using percep-
cos, como, por exemplo, cenários com obstáculos tion to plan incremental adaptations, Pro-
móveis, para avaliar o desempenho de ambos os ceedings of IEEE/RSJ International Con-
controladores. Investigar a complexidade compu- ference on Intelligent Robots and Systems
tacional das ferramentas propostas. E finalmente (IROS’94), Vol. 3, pp. 1780–1787 vol.3.
verificar a técnica de comportamento em distân-
cias maiores para possı́veis aplicações industriais Kosko, B. (1986). Fuzzy Cognitive Maps, Vol. 24,
em peças de coleta. pp. 65–75.
Kostiadis, K., Hunter, M. and Hu, H. (2000). Papageorgiou, E. I. and Froelich, W. (2012).
The use of design patterns for the develop- Multi-step prediction of pulmonary infection
ment of multi-agent systems, Smc 2000 con- with the use of evolutionary fuzzy cognitive
ference proceedings. 2000 ieee international maps, Neurocomputing. Elsevier 1(1): 3–14.
conference on systems, man and cybernetics.
’cybernetics evolving to systems, humans, or- Papageorgiou, E. I. and Salmeron, J. L. (2013). A
ganizations, and their complex interactions’ review of fuzzy cognitive maps research du-
(cat. no.0, Vol. 1, pp. 280–285 vol.1. ring the last decade, IEEE Transactions on
Fuzzy Systems 21(1): 66–79.
Maki, T., Kume, A., Ura, T., Sakamaki, T. and Pipe, A. (1998). An architecture for building
Suzuki, H. (2010). Autonomous detection ”potential field”cognitive maps in mobile ro-
and volume determination of tubeworm colo- bot navigation, SMC’98 Conference Procee-
nies from underwater robotic surveys, OCE- dings. 1998 IEEE International Conference
ANS’10 IEEE SYDNEY, pp. 1–8. on Systems, Man, and Cybernetics (Cat.
No.98CH36218), Vol. 3, pp. 2413–2417 vol.3.
Mataric, M. J. (2007). Front Matter, pp. i–xvii.
Policastro, C. A., Romero, R. A. and Zuliani,
Mendonça, M., Angĺico, B. A., Arruda, L. V. R. G. (2007). Robotic architecture inspired on
and Neves, F. J. (2013). A subsumption behavior analysis, 2007 International Joint
architecture to develop dynamic cognitive Conference on Neural Networks, pp. 1482–
network-based models with autonomous na- 1487.
vigation application, Journal of Control, Au-
tomation and Electrical Systems 1(1): 314. Salan, S., Drumwright, E. and Lin, K.-I. (2015).
Minimum-energy robotic exploration: A for-
Mendonça, M., da Silva, E. S., Assolari, K., As- mulation and an approach, IEEE Transacti-
solari, M. and Arruda, L. (September. 2014). ons on Systems, Man, and Cybernetics: Sys-
Hierarchic fuzzy approach applied in the de- tems 45(1): 175–182.
velopment of an autonomous architecture for
Schroth, G., Stork, I., Wersborg, G. and Diepold,
mobile agents, Vol. 10, pp. 193–202.
K. (2009). A cognitive system for autono-
Mendonça, M., Kondo, H. S., Botoni, L. S., Pa- mous robotic welding, 2009 IEEE/RSJ In-
lácios, R. H. C. and Silva, J. P. A. (2019). ternational Conference on Intelligent Robots
Semi-unknown environments exploration ins- and Systems, pp. 3148–3153.
pired by swarm robotics using fuzzy cognitive Shaikh, M. H., Kosuri, K., Ansari, N. A. and
maps, 2019 IEEE International Conference Khan, M. J. (2013). The state-of-the-art in-
on Fuzzy Systems (FUZZ-IEEE), pp. 1–8. telligent navigational system for monitoring
in mobile autonomous robot, 2013 Internati-
Miao, Y., Miao, C., Tao, X., Shen, Z. and onal Conference of Information and Commu-
Liu, Z. (2010). Transformation of cognitive nication Technology (ICoICT), pp. 405–409.
maps, IEEE Transactions on Fuzzy Systems
18(1): 114–124. Sharma, R. (2021). Artificial intelligence in
agriculture: A review, 2021 5th Internatio-
Min, H.-q., Hui, J.-x., Lu, Y.-s. and Jiang, J.- nal Conference on Intelligent Computing and
z. (2006). Probability fuzzy cognitive map Control Systems (ICICCS), pp. 937–942.
for decision-making in soccer robotics, 2006
IEEE/WIC/ACM International Conference Siciliano, B. and Khatib, O. (2016). Robotics
on Intelligent Agent Technology, pp. 321–325. and the Handbook, Springer International Pu-
blishing, Cham, pp. 1–6.
Nápoles, G., Goossens, W., Moesen, Q. and Mos-
Spears, A., Howard, A. M., Schmidt, B., Meister,
quera, C. (2020). Fast k-fuzzy-rough cogni-
M., West, M. and Collins, T. (2014). Design
tive networks, 2020 International Joint Con-
and development of an under-ice autonomous
ference on Neural Networks (IJCNN), pp. 1–
underwater vehicle for use in polar regions,
8.
2014 Oceans - St. John’s, pp. 1–6.
of Robotics, I. F. (2021). Robotics Industry 2021. W., L.-X. (1999). Analysis and design of hierar-
View Trends, Analysis and Statistics. chical fuzzy systems, IEEE Transactions on
Fuzzy Systems 7(5): 617–624.
Papageorgiou, E. I. (2014). Fuzzy cognitive maps
for applied sciences and engineering from fun-
damentals to extensions and learning algo-
rithms, Springer 1(1): 45–51.

Controlador Fuzzy para navegação móvel autônoma na agricultura

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Controlador Fuzzy para navegação móvel autônoma na agricultura

Enviado por

Direitos autorais:

Formatos disponíveis

APLICAÇÃO DE CONTROLADOR FUZZY PARA NAVEGAÇÃO MÓVEL

Resumo— O emprego e a incorporação de novas tecnologias na agricultura permitem um novo significado

1 Introdução et al., 2013) e (Maki et al., 2010). Como exem-

Figura 2: Exemplo de aplicação de robótica autô-

4.1 Sistema de Navegação HD-FCM

Mais detalhes da arquitetura hı́brida HD-

Após esta etapa, observando-se o comporta-

Figura 10: Simulação - target e obstáculos em

Nestas simulações, o HD-FCM precisou de

Por fim, o experimento com a trajetória dis- Agradecimentos

Você também pode gostar