| Summary: | CoordenaÃÃo de AperfeÃoamento de Pessoal de NÃvel Superior === Este trabalho investiga o grau de influÃncia que a inclusÃo de mecanismos de memÃria de curta duraÃÃo (MCD) exercem sobre o desempenho de classificadores neurais quando aplicados em tarefas de navegaÃÃo de robÃs. Em particular, trata da navegaÃÃo do tipo Wall Following. Para este fim, quatro conhecidas arquiteturas neurais (Perceptron LogÃstico, Perceptron Multicamadas, Mistura de Especialistas e rede de Elman) sÃo usadas com o intuito de associar
diferentes padrÃes de leituras sensoriais com quatro classes de aÃÃes prÃ-determinadas. Todas as etapas dos experimentos - aquisiÃÃo dos dados, seleÃÃo e treinamento das arquiteturas em simulador, alÃm da execuÃÃo das mesmas em robà mÃvel real (SCITOS G5) - sÃo escritas em detalhes. Os resultados obtidos sugerem que a tarefa de seguir paredes, formulada como um problema de classificaÃÃo de padrÃes, à nÃo-linearmente separÃvel, resultado este que favorece a rede MLP quando os classificadores sÃo treinados sem MCD. Contudo, se mecanismos de MCD sÃo usados, entÃo atà mesmo uma rede linear à capaz de executar a tarefa de interesse com sucesso
=== This work reports results of an investigation on the degree of influence that the inclusion
of short-term memory mechanisms has on the performance of neural classifiers when applied
to robot navigation tasks. In particular, we deal with the well-known strategy of navigating by
âwall-followingâ. For this purpose, four neural architectures (Logistic Perceptron, Multilayer
Perceptron, Mixture of Experts and Elman network) are used to associate different sensory
input patterns with four predetermined action categories. All stages of the experiments - data
acquisition, selection and training of the architectures in a simulator and their execution on a
real mobile robot - are described. The obtained results suggest that the wall-following task,
formulated as a pattern classification problem, is nonlinearly separable, a result that favors the
MLP network if no memory of input patterns are taken into account. If short-term memory
mechanisms are used, then even a linear network is able to perform the same task successfully
|
|---|
