Tópico 12: Agentes Inteligentes e Robótica Autônoma Fernando José Von Zuben EA072 DEPARTAMENTO...
If you can't read please download the document
Tópico 12: Agentes Inteligentes e Robótica Autônoma Fernando José Von Zuben EA072 DEPARTAMENTO DE ENGENHARIA DE COMPUTAÇÃO E AUTOMAÇÃO INDUSTRIAL FACULDADE
Tpico 12: Agentes Inteligentes e Robtica Autnoma Fernando Jos
Von Zuben EA072 DEPARTAMENTO DE ENGENHARIA DE COMPUTAO E AUTOMAO
INDUSTRIAL FACULDADE DE ENGENHARIA ELTRICA E DE COMPUTAO UNICAMP
www.lbic.fee.unicamp.br
Slide 2
2 ndice de Assuntos Consideraes Iniciais Caracterizao de
Agentes Agentes Inteligentes: Conceitos Bsicos Navegao Autnoma de
Robs Robtica Baseada em Comportamento Robtica Evolutiva Alguns
Trabalhos Desenvolvidos no LBiC Referncias bibliogrficas Leituras
adicionais
Slide 3
3 Consideraes Iniciais Eu estou convencido que os robs esto
hoje onde os computadores estavam em 1978. Foi por volta daquele
ano que os computadores comearam a aparecer em nosso meio do modo
como os robs esto surgindo agora. claro, foram necessrios ainda
outros 15 anos at que os computadores realmente se difundissem nas
nossas vidas. Eu penso que em 15 anos, os robs estaro em todos os
lugares, assim como se d atualmente com o e- mail e a Internet.
Rodney Brooks, pesquisador e co-fundador da iRobot Technology
Review, 2/2004
Slide 4
4 Consideraes Iniciais O estgio atual da rea de robtica se
assemelha muito quele em que se encontravam os computadores 30 anos
atrs. Pode-se dizer que os braos robticos industriais so hoje os
robs mais comuns, assim como os mainframes eram os computadores em
destaque naquela poca. Embora tenham sua importncia, evidente o quo
limitados so (e eram) estes dispositivos. A partir do momento que
os robs se tornarem acessveis aos consumidores, eles podero causar
um impacto to grande quanto aquele dos PCs h trs dcadas. Bill
Gates, chairman da Microsoft Scientific American, 16/12/2006
Slide 5
5 Consideraes Iniciais Eu acredito que durante os prximos 20
anos ns veremos robs autnomos em muitos aspectos da nossa vida
pessoal e profissional. Pode ser que at no os reconheamos, dado que
eles podem estar embutidos em carros, eletrodomsticos e outros
objetos. Robs mveis autnomos tambm se tornaro cada vez mais
evidentes, no apenas na explorao de planetas ou ambientes
subaquticos, mas ainda na execuo de variados servios na rea de
sade, industrial, ambiental e domstica. Estes sero, sem dvida, anos
estimulantes para os roboticistas. George Bekey pesquisador
Autonomous Robots, 2005
Slide 6
6 Consideraes Iniciais A prxima grande indstria, com fora
comparvel ao boom dos computadores pessoais nos anos 80 e revoluo
da internet nos 90, ser a robtica. Assim como nos acostumamos a ver
Bill Gates (da Microsoft) nas capas de revista dos anos 80, ou Jeff
Bezos (da Amazon) nas manchetes dos anos 90 e agora a dupla dos
fundadores do Google, eu aposto que dentro de dez anos nossos heris
sero os construtores de robs. Paul Saffo, especialista em
tecnologias do futuro Estado de So Paulo, 12/02/06
Slide 7
7 Sistemas Inteligentes em Robtica IEEE/RSJ 2008 International
Conference on Intelligent Robots and Systems (IROS2008) #
Evolutionary Robotics # Distributed Sensor Networks # Medical
Robots # Search and Rescue Robots # Biorobotics # Humanoid Robotics
# Autonomous Vehicles # Entertainment Robots # Underwater Robots #
Rehabilitation Robotics # Micro/Nano Robotics # Service
Robotics
Slide 8
8 Caracterizao de Agentes
Slide 9
9 Teoria de Agentes A teoria de agentes ser vista aqui como o
estudo de mtodos, modelos e ferramentas que suportem o tratamento
conjunto de controle e informao na implementao de sistemas autnomos
dotados de comportamento inteligente A partir do anos 80, se pde
dispor de grande poder de memria e processamento a baixo custo,
condio necessria para a efetivao da pesquisa envolvendo agentes
computacionais.
Slide 10
10 Qual a diferena entre um agente e um programa? Definio de
agente (Russell & Norvig, 2003): Um agente qualquer entidade
capaz de perceber o mundo exterior atravs de sensores e agir neste
mundo empregando atuadores. Sob esta perspectiva, qualquer programa
computacional um agente (sempre que se considerar que receber
entrada e produzir sada so aes associadas respectivamente a
sensoriar e atuar no mundo).
Slide 11
11 Qual a diferena entre um agente e um programa? Sendo assim,
necessrio ir alm e considerar que o termo agente empregado junto a
dois conceitos ortogonais: Habilidade do agente para executar aes
autnomas; Habilidade do agente para raciocnio orientado a
domnio.
Slide 12
12 Qual a diferena entre um agente e um programa? Definio de
agente autnomo (Maes, 1995) (definio circular o conceito de
autonomia ser tratado mais adiante): Agentes autnomos so sistemas
computacionais que habitam algum ambiente complexo e dinmico e so
capazes de sensoriar e atuar autonomamente neste ambiente visando a
execuo de tarefas para as quais eles foram projetados. Torna-se
fundamental aqui o conceito de agir autonomamente buscando atender
objetivos.
Slide 13
13 Qual a diferena entre um agente e um programa? Definio de
agente voltada para sustentar que um agente pode ser um programa,
mas nem todo programa pode ser um agente (Franklin & Graesser,
1996): Um agente autnomo um sistema situado em uma poro do
ambiente, capaz de sensoriar e agir no ambiente, ao longo do tempo,
em busca do atendimento de objetivos que implicam na alterao do que
o agente vai sensoriar no futuro.
Slide 14
14 Agentes: mltiplas definies Pesquisadores envolvidos no
estudo e desenvolvimento da teoria de agentes tm oferecido uma
variedade de definies, cada um procurando explicar a razo pela qual
usou a palavra agente. Propriedades bsicas: Benevolncia - os
agentes no possuem conflitos de objetivos, fazendo o que for
solicitado e buscando a cooperao; Racionalidade - um agente sempre
tenta alcanar seus objetivos, procurando realizar a melhor ao;
Slide 15
15 Agentes: mltiplas definies Propriedades bsicas (continuao):
Aprendizado/adaptabilidade - uma agente deve estar apto a aprender
e a se ajustar a mudanas no ambiente Colaborao - um agente, para
alcanar seus objetivos, pode compartilhar esforos e se beneficiar
com o estabelecimento de comunicao com outros agentes; Competio -
um agente pode competir com outros agentes por recursos
computacionais (limitados) e tambm por informaes associadas s
caractersticas do ambiente.
Slide 16
16 Tipos de agentes inteligentes Agentes reativos (ou
reflexivos) A ao uma funo direta das entradas dos sensores. O
mapeamento percepo-ao pode ser qualquer. Por exemplo: conjunto de
regras, rede neural. Agentes no-reativos (ou deliberativos) A ao no
funo apenas das entradas, mas tambm do histrico de entradas (estado
interno). Agentes comportamentais A ao um processo independente,
controlado pela percepo. Possuem um conjunto pr-definido de
comportamentos, que so selecionados dependendo da percepo. Podem
apresentar comportamento sofisticado, mas com limites em sua
aplicabilidade. Agentes planejadores Possuem um modelo do mundo, um
mdulo de gerao de comportamento, um mdulo de gerao de planos; Para
avaliar os planos gerados pelo gerador de planos, o agente possui
uma medida de utilidade que fornece uma nota para o plano
especificado, alm de dizer se o objetivo esta sendo cumprido.
Slide 17
17 Tipos de agentes inteligentes Agentes emocionais A funo de
utilidade ou medida de utilidade pode ser insuficiente para a
avaliao dos planos. Assim, torna-se necessrio um sistema de valores
que leve em considerao tambm as emoes. Agentes comunicativos
Possuem um canal de comunicao direta entre os agentes. Desta forma,
necessitam de uma linguagem de agentes. So, geralmente, empregados
para constituir um sistema multi- agentes. Agentes semiticos O
mecanismo de percepo mais sofisticado em relao aos agentes
anteriores. Est baseado em conceitos de semitica computacional, os
quais conduzem a formas mais avanadas de representao e manipulao do
conhecimento (usam os conceitos de ndices, cones e smbolos).
Slide 18
18 Taxonomia para agentes
Slide 19
19 O que so agentes autnomos? O conceito de autonomia envolve a
capacidade de um indivduo em tomar suas prprias decises, com base
em sua razo individual. Ser automtico ser capaz de operar em um
ambiente: perceb-lo e impact-lo visando o cumprimento de tarefas
definidas. Um agente autnomo antes de tudo automtico, mas vai alm
disto: ele deve se auto-dirigir com base na sua capacidade prpria
de aprender e adaptar seus comportamentos. Alm disso, os processos
de aprendizagem e adaptao devem ocorrer enquanto o agente est
operando no ambiente, e no fora dele (por exemplo, em fase de
projeto).
Slide 20
20 Controle Automtico Controle Autnomo Desafios nunca antes
enfrentados pelos engenheiros de controle esto sendo criados pela
complexidade crescente dos sistemas dinmicos que necessitam de
controle automtico e autnomo, aliada a critrios de desempenho cada
vez mais rigorosos. evidente que o atendimento desta demanda requer
controladores mais sofisticados e mais complexos, tornando
indispensvel o apoio da computao digital. Os controladores devem
apresentar habilidades para acomodar variaes no espao e no tempo,
para rejeitar perturbaes e atenuar o efeito de pequenas falhas,
ambas de origem interna e/ou externa ao sistema, para tomar decises
na presena de incertezas, e para levar em conta as relaes
no-lineares entre as variveis envolvidas no projeto do
controlador.
Slide 21
21 Se voc sabe distinguir entre um carro automtico e um carro
autnomo, ento voc sabe a diferena entre automtico e autnomo. Carro
com cmbio automtico; Carro que se auto-conduz de um ponto de
partida at um ponto de chegada sem nenhum conhecimento prvio acerca
do ambiente entre esses dois pontos. Tudo que automtico envolve
algum mecanismo de associao entre percepo (entrada) e ao (sada).
Tudo que autnomo envolve o poder de auto-definir este mecanismo de
controle. Controle Automtico Controle Autnomo
Slide 22
22 Dispondo previamente de um mapa do ambiente e de um
planejador de trajetrias: controle automtico; No dispondo de uma
mapa do ambiente, mas sendo capaz de sensoriar o entorno do veculo:
controle autnomo. Controle Automtico Controle Autnomo
Slide 23
23 Agentes reativos Agentes reativos so aqueles que agem (tomam
decises) de acordo com o estado atual de seus sensores. Agentes
no-reativos so aqueles que agem (tomam decises) de acordo com o
estado atual e passado de seus sensores. No se pode concluir, no
entanto, que agentes reativos so incapazes de reagir de forma
distinta a estmulos sensoriais idnticos, o que pode ser viabilizado
atravs do conceito de percepo categrica ativa (van Dartel et al.,
2005).
Slide 24
24 AplicaesNo-Reativos Reativos
Slide 25
25 Cenrio criado para manifestao de comportamento no-reativo
Floreano, 2006
Slide 26
26 Agentes Inteligentes: Conceitos Bsicos
Slide 27
27 Agentes inteligentes Algumas propriedades de agentes que os
caracterizam como estratgias de inteligncia computacional :
Capacidade de adquirir conhecimento pela interao com o ambiente;
Capacidade de mudar seu comportamento utilizando tcnicas de adaptao
e/ou aprendizado; Capacidade de encontrar solues que atendem a
mltiplos objetivos simultaneamente, utilizando o conhecimento
adquirido a partir de sua interao com o ambiente; Capacidade de
operao em condies adversas, tais como: ausncia de um conjunto
completo de informaes para um planejamento prvio de seu
comportamento, rudo nos sensores e atuadores.
Slide 28
28 Agentes inteligentes Definio de agente inteligente
(Hayes-Roth, 1995): Agentes inteligentes executam continuamente trs
funes: percebem as condies dinmicas do ambiente, agem alterando as
condies do ambiente e raciocinam de modo a interpretar percepes,
resolver problemas, fazer inferncias e determinar aes.
Slide 29
29 O que um sistema multi-agentes? aquele em que mltiplos
agentes co-existem e interagem em um ambiente. A interao pode se
dar de vrias formas, incluindo cooperao e competio. Sistemas
distribudos. Modelagem de sistemas complexos. Auto-organizao e
emergncia de comportamentos coletivos.
Slide 30
30 Sistema Pandemonium Sistema Pandemonium proposto por
Selfride (1958) princpio dividir para conquistar so utilizados
neuro-agentes todos os agentes processam o mesmo sinal cada um
proporciona uma resposta cada agente dispe de tcnicas de modelagem
pouco diferenciadas procedimento de aprendizado utilizado:
gradiente descendente para adaptar os pesos que determinam os
coeficiente dos filtros existe um agente-decisor
41 Navegao Autnoma: Tarefas Uma nica tarefa: Desviar de
obstculos; Mltiplas tarefas: Desviar de obstculos + capturar alvos;
Desviar de obstculos + capturar alvos + manter energia; Aprender
como executar e coordenar; ?
Slide 42
42 Navegao Autnoma: Caractersticas do Rob Sensores: IR,
ultra-som, contato, cmera, GPS... Atuadores: Rodas, esteiras,
patas, hlice, leme... Limitados, ruidosos e imprecisos.
Slide 43
43 Navegao Autnoma: Comparao Xadrez Navegao de Robs
AmbienteEstticoDinmico N de EstadosContvelInfinito
InformaoGlobalLocal Processamento Simblico (alto nvel) Sub-simblico
(baixo nvel) ConhecimentoA prioriObtido on-line
Slide 44
44 Navegao Autnoma: Aplicaes Reais Prospeco submarina;
Sensoriamento remoto; Localizao de minas; Manuteno de tubulaes;
Vigilncia e monitoramento; Transporte de materiais; Limpeza de
ambientes.
46 Navegao Autnoma: The Darpa Challenges Grand Challenge
(2005)Urban Challenge (2007) Vencedor da competio de 2005
Competidor em 2007 Darpa: Defense Advanced Research Projects Agency
(USA)
Slide 47
47 Robtica Baseada em Comportamento
Slide 48
48 Behavior-based robotics Matarics Definition: Behavior-based
robotics (BBR) bridges the fields of artificial intelligence,
engineering, and cognitive science. The behavior-based approach is
a methodology for designing autonomous agents and robots; it is a
type of intelligent agent architecture. Architectures supply
structure and impose constraints on the way robot control problems
are solved. The behavior- based methodology imposes a general,
biologically inspired, bottom-up philosophy, allowing for a certain
freedom of interpretation. Its goal is to develop methods for
controlling artificial systems (usually physical robots, but also
simulated robots and other autonomous software agents) and to use
robotics to model and better understand biological systems (usually
animals, ranging from insects to humans).
51 Robtica Evolutiva Metodologia que usa a Computao Evolutiva
para desenvolver robs autnomos. A partir de populaes aleatrias de
candidatos, repetidas modificaes so realizadas de acordo com uma
funo de avaliao at que ao menos um dos novos indivduos satisfaa
requisitos mnimos. A robtica evolutiva pode se ocupar com o
desenvolvimento de hardware e/ou software, ou seja, pode-se evoluir
robs (morfologia) e/ou controladores autnomos (Nolfi &
Floreano, 2000).
Slide 52
52 Robtica Evolutiva Computao Evolutiva: Requisitos do
problema; Representao de candidatos soluo; Avaliao dos objetivos;
Operadores evolutivos;
Slide 53
53 Robtica Evolutiva Computao Evolutiva:
Slide 54
54 Robtica Evolutiva Problema: obter um rob que execute certas
tarefas; Fentipo: Gentipo:
Slide 55
55 Viso Geral do Mtodo Floreano, 2006
Slide 56
Ambientes Reais x Simulao Paradigma apropriado para estudo dos
princpios da inteligncia (Pfeifer&Scheier,1999)
Slide 57
57 Robtica Evolutiva Evoluo da morfologia e/ou do controlador
do rob. MorfologiaControlador BiologiaCorpoCrebro Teoria de
Controle Planta Sistema de controle Engenharia de Computao
HardwareSoftware RobticaEstrutura fsica Sistema de controle
Slide 58
58 Robtica Evolutiva Morfologia: Evoluo de criaturas; Trabalho
de Karl Sims; Vdeo com os trabalhos de Karl Sims
Slide 59
59 Robtica Evolutiva Controlador:
Slide 60
60 Por que evoluir ao invs de pr-programar? Autonomia
Aprendizagem Conhecimento a priori Top-DownTop-Down
Bottom-UpBottom-Up Pr-programadoEvoludo
Slide 61
61 Sistema de Controle: Top-Down evitar colises obstculo
pertoObstculo longe esquerdadireitaesquerdadireitacentro vire
direita vire esquerda vire siga em frente
Slide 62
62 Problemas com a Abordagem Top-Down Dilema do Beco
Slide 63
63 Sistema de Controle: Bottom-Up Ausncia de conhecimento
inicial; Mecanismos de aprendizagem; Realimentao do ambiente;
Emergncia de comportamentos; = Desviar de obstculos + Capturar
alvos Fundamentos de cognio dinmica
Slide 64
64 Robtica Evolutiva Controladores baseados em: Mquinas de
Estado Finito; Equaes Diferenciais; Redes Neurais Artificiais;
Redes Imunolgicas Artificiais; Sistemas Classificadores (Sistemas
com Aprendizado e Baseados em Regras).
Slide 65
65 Alguns Trabalhos Desenvolvidos no LBiC
Slide 66
66 Redes Neurais Artificiais Paulo Crestani (2001); Aprendizado
construtivo de redes neurais; Objetivos: desviar de obstculos e
capturar alvos;
Slide 67
67 Redes Neurais Artificiais Uma RNA para cada comportamento:
Desvio de obstculos Captura de alvos
Slide 68
68 Redes Neurais Artificiais Outra RNA para coordenao dos
comportamentos:
Slide 69
69 Redes Neurais Artificiais Sistema de Navegao Autnomo: Desvio
de obstculos Reduo de Velocidade Captura de Alvos Aumento de
Velocidade Ajuste de velocidade Ajuste de direo
Slide 70
70 Redes Neurais Artificiais: Aprendizado ao longo do processo
de navegao
Slide 71
71 Ambiente de Treinamento Ambiente de teste Redes Neurais
Artificiais: Aprendizado ao longo do processo de navegao
Slide 72
72 Mecanismo de Controle de Velocidade Sem controle de
velocidade Com controle de velocidade
Slide 73
73 Comportamento Reativo
Slide 74
74 Comportamento Reativo + Robtica Coletiva
Slide 75
75 Emergncia de Comportamentos em Robtica Coletiva
Slide 76
76 Sistemas Classificadores com Aprendizado Renato Reder
Cazangi (2004); Evoluo de regras de inferncia; Objetivos: desviar
de obstculos e capturar alvos;
Slide 77
77 Sistemas Classificadores com Aprendizado Regras inicialmente
aleatrias com representao inteira e binria; SE ENTO (-3) (aumentar)
Ajuste de Velocidade Ajuste de Direo Direo do Alvo Distncia a
Obstculos
Slide 78
78 Sistemas Classificadores com Aprendizado Populao de regras
evolui on-line via eventos de: coliso, captura e monotonia; Populao
de Regras Competio Atuadores Sensores coliso captura monotonia
Evoluo
81 NAVEGAO AUTNOMA Ambientes Reais Treinamento (sntese do
controlador) Generalizao (operao em ambiente distinto)
Slide 82
82 Sistemas Classificadores com Aprendizado e Rede Imunolgica
Renato Reder Cazangi (2006); Evoluo das regras e das conexes entre
elas; Objetivos: desviar de obstculos, capturar alvos e escapar de
becos;
Slide 83
83 Sistemas Classificadores com Aprendizado e Rede Imunolgica
Problema do beco com alvo externo (mnimo local):
Slide 84
84 Immune Learning Classifier Network Immune Learning
Classifier Network Classifier (antibody) : IF THEN new! GIVEN
Decision making: Receive sensorial input (antigen) Compute
classifiers concentration Carry out winner classifiers actions
target luminosityobstacle distance speed direction connected
to
Slide 85
85 Immune Learning Classifier Network Immune Learning
Classifier Network 1)Initialization 2)Simulation and rule evolution
3)Network evolution (connections) Evolve classifiers at every
collision, capture or monotony Get robot fitness = captures -
collisions
Slide 86
86 Immune Learning Classifier Network Immune Learning
Classifier Network 1)Initialization 2)Simulation and rule evolution
3)Network evolution (connections) Evolve classifiers at every
collision, capture or monotony Get robot fitness = captures -
collisions
Slide 87
87 Immune Learning Classifier Network Immune Learning
Classifier Network 1)Initialization 2)Simulation and rule evolution
3)Network evolution (connections) Evolve classifiers at every
collision, capture or monotony Get robot fitness = captures -
collisions Best robot Replication & mutation
Slide 88
88 Simulation Results Classifiers Concentration Veja vdeo anexo
a este material.
Slide 89
89 Simulation Results Best network evolved: Reduced from 100 to
80 classifiers;
Slide 90
90 Simulation Results Best network evolved (alternative view):
Reduced from 100 to 80 classifiers;
Slide 91
91 Real Experiment Results Testing the evolved system: Veja
vdeo anexo a este material. Cazangi, 2006
Slide 92
92 Sistemas Classificadores com Aprendizado e Estigmergia
Renato Reder Cazangi (2005); Evoluo de regras de inferncia;
Objetivos: desviar de obstculos, capturar alvos e minimizar
trajetrias;
Slide 93
93 Sistemas Classificadores com Aprendizado e Estigmergia
Estigmergia: comunicao indireta; Robs detectam e liberam feromnios
artificiais; Trilhas de feromnios ajudam a encontrar trajetrias
mais curtas; Aprender a desviar de obstculos, capturar alvos e usar
feromnios apropriadamente;
Slide 94
94 Autonomous Navigation System with Pheromone Trail Autonomous
Navigation System with Pheromone Trail Population of 100 rules: IF
THEN ; Random initialization; speed direction target luminosity
obstacle distance pheromone lay 3.15 pheromone concentration
Slide 95
95 Simulation Results 4 autonomous robots navigating together;
Having to capture the targets in sequence; The mean distance
between captures is computed; Veja vdeo anexo a este material.
Slide 96
96 SCA e Estigmergia: Resultados Navegao autnoma e caixeiro
viajante: Instncia artificial com 12 cidades;
Slide 97
97 Referncias Bibliogrficas Brustoloni, J.C. Autonomous Agents:
Characterization and Requirements, Carnegie Mellon Technical Report
CMU-CS-91-204, 1991. Franklin, S. & Graesser, A. Is it an
Agent, or just a Program?: A Taxonomy for Autonomous Agents,
Proceedings of the International Workshop on Agent Theories,
Architectures, and Languages, Springer-Verlag, 1996. Hayes-Roth, B.
An Architecture for Adaptive Intelligent Systems, Artificial
Intelligence: Special Issue on Agents and Interactivity, vol. 72,
pp. 329-365, 1995. Holland, J.H.(1975), Adaptation in Natural and
Artificial Systems, University of Michigan Press. Langton, C. (ed.)
Artificial Life, Addison-Wesley, 1989. Maes, P. Artificial Life
Meets Entertainment: Life like Autonomous Agents, Communications of
the ACM, vol. 38, no. 11, pp. 108-114, 1995. Nolfi, S. Power and
limits of reactive agents. Neurocomputing, vol. 42, pp. 119-145,
2002. Nolfi, S. & Floreano, D. Evolutionary Robotics: The
Biology, Intelligence, and Technology of Self-Organizing Machines.
The MIT Press, 2000. Pfeifer, R. & Scheier, C., (1999),
Understanding Intelligence, MIT Press. Russell, S.J. & Norvig,
P., Artificial Intelligence: A Modern Approach, 2nd. Edition,
Prentice Hall, 2003. van Dartel, M., Sprinkhuizen-Kuyper, I.,
Postma, E. & van den Herik, J. Reactive Agents and Perceptual
Ambiguity, Adaptive Behavior, vol. 13, no. 3, pp. 227-242,
2005.
Slide 98
98 Leituras Adicionais Aguirre, L.A. (ed.) Enciclopdia de
Automtica Controle & Automao, vols. 1 a 3, Editora Blucher,
2007. Destaque para o volume 3, nos tpicos: II Sistemas
Inteligentes III Robtica
Slide 99
EA072 Tpico 12 Agentes Inteligentes e Robtica Autnoma Fernando
J. Von Zuben Laboratrio de Bioinformtica e Computao Bio-inspirada
LBiC/DCA/FEEC/Unicamp Agradecimentos: A todos os pesquisadores
vinculados e que j mantiveram vnculo com o LBiC. CAMPINAS SP BRASIL
DEPARTAMENTO DE ENGENHARIA DE COMPUTAO E AUTOMAO INDUSTRIAL
FACULDADE DE ENGENHARIA ELTRICA E DE COMPUTAO UNICAMP