DEPARTAMENTO DE ENGENHARIA DE COMPUTAO E AUTOMAO INDUSTRIAL

DEPARTAMENTO DE ENGENHARIA DE COMPUTAÇÃO E AUTOMAÇÃO INDUSTRIAL FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO Tópico 12: Agentes Inteligentes e Robótica Autônoma www. lbic. fee. unicamp. br Fernando José Von Zuben EA 072 UNICAMP

Índice de Assuntos • Considerações Iniciais • Caracterização de Agentes • Agentes Inteligentes: Conceitos Básicos • Navegação Autônoma de Robôs • Robótica Baseada em Comportamento • Robótica Evolutiva • Alguns Trabalhos Desenvolvidos no LBi. C • Referências bibliográficas • Leituras adicionais 2

Considerações Iniciais “Eu estou convencido que os robôs estão hoje onde os computadores estavam em 1978. Foi por volta daquele ano que os computadores começaram a aparecer em nosso meio do modo como os robôs estão surgindo agora. É claro, foram necessários ainda outros 15 anos até que os computadores realmente se difundissem nas nossas vidas. Eu penso que em 15 anos, os robôs estarão em todos os lugares, assim como se dá atualmente com o email e a Internet. ” Rodney Brooks, pesquisador e co-fundador da i. Robot Technology Review, 2/2004 3

Considerações Iniciais “O estágio atual da área de robótica se assemelha muito àquele em que se encontravam os computadores 30 anos atrás. Pode-se dizer que os braços robóticos industriais são hoje os robôs mais comuns, assim como os mainframes eram os computadores em destaque naquela época. Embora tenham sua importância, é evidente o quão limitados são (e eram) estes dispositivos. A partir do momento que os robôs se tornarem acessíveis aos consumidores, eles poderão causar um impacto tão grande quanto aquele dos PCs há três décadas. ” Bill Gates, chairman da Microsoft Scientific American, 16/12/2006 4

Considerações Iniciais “Eu acredito que durante os próximos 20 anos nós veremos robôs autônomos em muitos aspectos da nossa vida pessoal e profissional. Pode ser que até não os reconheçamos, dado que eles podem estar embutidos em carros, eletrodomésticos e outros objetos. Robôs móveis autônomos também se tornarão cada vez mais evidentes, não apenas na exploração de planetas ou ambientes subaquáticos, mas ainda na execução de variados serviços na área de saúde, industrial, ambiental e doméstica. Estes serão, sem dúvida, anos estimulantes para os roboticistas. ” George Bekey pesquisador Autonomous Robots, 2005 5

Considerações Iniciais “A próxima grande indústria, com força comparável ao boom dos computadores pessoais nos anos 80 e à revolução da internet nos 90, será a robótica. 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 heróis serão os construtores de robôs. ” Paul Saffo, especialista em tecnologias do futuro Estado de São Paulo, 12/02/06 6

Sistemas Inteligentes em Robótica IEEE/RSJ 2008 International Conference on Intelligent Robots and Systems (IROS 2008) # 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 7

Caracterização de Agentes 8

Teoria de Agentes • A teoria de agentes será vista aqui como o estudo de métodos, modelos e ferramentas que suportem o tratamento conjunto de controle e informação na implementação de sistemas autônomos dotados de comportamento inteligente • A partir do anos 80, se pôde dispor de grande poder de memória e processamento a baixo custo, condição necessária para a efetivação da pesquisa envolvendo agentes computacionais. 9

Qual a diferença entre um agente e um programa? • Definição de agente (Russell & Norvig, 2003): – Um agente é qualquer entidade capaz de perceber o mundo exterior através de sensores e agir neste mundo empregando atuadores. • Sob esta perspectiva, qualquer programa computacional é um agente (sempre que se considerar que receber entrada e produzir saída são ações associadas respectivamente a sensoriar e atuar no mundo). 10

Qual a diferença entre um agente e um programa? • Sendo assim, é necessário ir além e considerar que o termo agente é empregado junto a dois conceitos ortogonais: – Habilidade do agente para executar ações autônomas; – Habilidade do agente para raciocínio orientado a domínio. 11

Qual a diferença entre um agente e um programa? • Definição de agente autônomo (Maes, 1995) (definição circular – o conceito de autonomia será tratado mais adiante): – Agentes autônomos são sistemas computacionais que habitam algum ambiente complexo e dinâmico e são capazes de sensoriar e atuar autonomamente neste ambiente visando a execução de tarefas para as quais eles foram projetados. • Torna-se fundamental aqui o conceito de agir autonomamente buscando atender objetivos. 12

Qual a diferença entre um agente e um programa? • Definição 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 autônomo é um sistema situado em uma porção do ambiente, capaz de sensoriar e agir no ambiente, ao longo do tempo, em busca do atendimento de objetivos que implicam na alteração do que o agente vai sensoriar no futuro. 13

Agentes: múltiplas definições § Pesquisadores envolvidos no estudo e desenvolvimento da teoria de agentes têm oferecido uma variedade de definições, cada um procurando explicar a razão pela qual usou a palavra “agente”. § Propriedades básicas: • Benevolência - os agentes não possuem conflitos de objetivos, fazendo o que for solicitado e buscando a cooperação; • Racionalidade - um agente sempre tenta alcançar seus objetivos, procurando realizar a melhor ação; 14

Agentes: múltiplas definições § Propriedades básicas (continuação): • Aprendizado/adaptabilidade - uma agente deve estar apto a aprender e a se ajustar a mudanças no ambiente • Colaboração - um agente, para alcançar seus objetivos, pode compartilhar esforços e se beneficiar com o estabelecimento de comunicação com outros agentes; • Competição - um agente pode competir com outros agentes por recursos computacionais (limitados) e também por informações associadas às características do ambiente. 15

Tipos de agentes inteligentes • Agentes reativos (ou reflexivos) • A ação é uma função direta das entradas dos sensores. O mapeamento percepção-ação pode ser qualquer. Por exemplo: conjunto de regras, rede neural. • Agentes não-reativos (ou deliberativos) • A ação não é função apenas das entradas, mas também do histórico de entradas (estado interno). • Agentes comportamentais • A ação é um processo independente, controlado pela percepção. Possuem um conjunto pré-definido de comportamentos, que são selecionados dependendo da percepção. Podem apresentar comportamento sofisticado, mas com limites em sua aplicabilidade. • Agentes planejadores • Possuem um modelo do mundo, um módulo de geração de comportamento, um módulo de geração 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, além de dizer se o objetivo esta sendo cumprido. 16

Tipos de agentes inteligentes • Agentes emocionais • A função de utilidade ou medida de utilidade pode ser insuficiente para a avaliação dos planos. Assim, torna-se necessário um sistema de valores que leve em consideração também as emoções. • Agentes comunicativos • Possuem um canal de comunicação direta entre os agentes. Desta forma, necessitam de uma linguagem de agentes. São, geralmente, empregados para constituir um sistema multiagentes. • Agentes semióticos • O mecanismo de percepção é mais sofisticado em relação aos agentes anteriores. Está baseado em conceitos de semiótica computacional, os quais conduzem a formas mais avançadas de representação e manipulação do conhecimento (usam os conceitos de índices, ícones e símbolos). 17

Taxonomia para agentes 18

O que são agentes autônomos? • O conceito de autonomia envolve a capacidade de um indivíduo em tomar suas próprias decisões, com base em sua razão individual. • Ser automático é ser capaz de operar em um ambiente: percebê-lo e impactá-lo visando o cumprimento de tarefas definidas. Um agente autônomo é antes de tudo automático, mas vai além disto: ele deve se auto-dirigir com base na sua capacidade própria de aprender e adaptar seus comportamentos. Além disso, os processos de aprendizagem e adaptação devem ocorrer enquanto o agente está operando no ambiente, e não fora dele (por exemplo, em fase de projeto). 19

Controle Automático Controle Autônomo Desafios nunca antes enfrentados pelos engenheiros de controle estão sendo criados pela complexidade crescente dos sistemas dinâmicos que necessitam de controle automático e autônomo, aliada a critérios de desempenho cada vez mais rigorosos. É evidente que o atendimento desta demanda requer controladores mais sofisticados e mais complexos, tornando indispensável o apoio da computação digital. Os controladores devem apresentar habilidades para acomodar variações no espaço e no tempo, para rejeitar perturbações e atenuar o efeito de pequenas falhas, ambas de origem interna e/ou externa ao sistema, para tomar decisões na presença de incertezas, e para levar em conta as relações não-lineares entre as variáveis envolvidas no projeto do controlador. 20

Controle Automático Controle Autônomo • Se você sabe distinguir entre um carro automático e um carro autônomo, então você sabe a diferença entre automático e autônomo. • Carro com câmbio automático; • Carro que se auto-conduz de um ponto de partida até um ponto de chegada sem nenhum conhecimento prévio acerca do ambiente entre esses dois pontos. • Tudo que é automático envolve algum mecanismo de associação entre percepção (entrada) e ação (saída). • Tudo que é autônomo envolve o poder de auto-definir este mecanismo de controle. 21

Controle Automático Controle Autônomo • Dispondo previamente de um mapa do ambiente e de um planejador de trajetórias: controle automático; • Não dispondo de uma mapa do ambiente, mas sendo capaz de sensoriar o entorno do veículo: controle autônomo. 22

Agentes reativos • Agentes reativos são aqueles que agem (tomam decisões) de acordo com o estado atual de seus sensores. • Agentes não-reativos são aqueles que agem (tomam decisões) de acordo com o estado atual e passado de seus sensores. • Não se pode concluir, no entanto, que agentes reativos são incapazes de reagir de forma distinta a estímulos sensoriais idênticos, o que pode ser viabilizado através do conceito de percepção categórica ativa (van Dartel et al. , 2005). 23

Aplicações Reativos Não-Reativos 24

Floreano, 2006 Cenário criado para manifestação de comportamento não-reativo 25

Agentes Inteligentes: Conceitos Básicos 26

Agentes inteligentes • Algumas propriedades de agentes que os caracterizam como estratégias de inteligência computacional : • Capacidade de adquirir conhecimento pela interação com o ambiente; • Capacidade de mudar seu comportamento utilizando técnicas de adaptação e/ou aprendizado; • Capacidade de encontrar soluções que atendem a múltiplos objetivos simultaneamente, utilizando o conhecimento adquirido a partir de sua interação com o ambiente; • Capacidade de operação em condições adversas, tais como: ausência de um conjunto completo de informações para um planejamento prévio de seu comportamento, ruído nos sensores e atuadores. 27

Agentes inteligentes • Definição de agente inteligente (Hayes-Roth, 1995): – Agentes inteligentes executam continuamente três funções: percebem as condições dinâmicas do ambiente, agem alterando as condições do ambiente e raciocinam de modo a interpretar percepções, resolver problemas, fazer inferências e determinar ações. 28

O que é um sistema multi-agentes? • É aquele em que múltiplos agentes co-existem e interagem em um ambiente. • A interação pode se dar de várias formas, incluindo cooperação e competição. • Sistemas distribuídos. • Modelagem de sistemas complexos. • Auto-organização e emergência de comportamentos coletivos. 29

Sistema Pandemonium • Sistema Pandemonium proposto por Selfride (1958) • princípio dividir para conquistar • são utilizados neuro-agentes • todos os agentes processam o mesmo sinal • cada um proporciona uma resposta • cada agente dispõe de técnicas de modelagem pouco diferenciadas • procedimento de aprendizado utilizado: gradiente descendente para adaptar os pesos que determinam os coeficiente dos filtros • existe um agente-decisor 30

Sistema Pandemonium de Selfridge 31

Hierarquia em sistemas multi-agentes N ÍVEL D ECISÃO OU N ÍVEL DE C OOPERAÇÃO A GENTE DE D ECISÃO CANAL SISTEMA DE VALORES PERCEPÇÃO AÇÃO MODELO DO MUNDO N ÍVEL OPERACIONAL OU A GENTE T N ÍVEL DE RABALHADOR COMPETIÇÃO 1 CANAL SISTEMA DE VALORES PERCEPÇÃO AÇÃO MODELO DO MUNDO ATUADORES SENSORES CANAL M M AGENTE TRABALHADOR n CANAL SISTEMA DE VALORES PERCEPÇÃO AÇÃO MODELO DO MUNDO ATUADORES SENSORES CANAL 32

O poder da coletividade 33

O poder da coletividade 34

O poder da coletividade 35

O poder da coletividade 36

Swarmanoid http: //www. youtube. com/watch? v=M 2 nn 1 X 9 Xlps 37

Outros Links interessantes http: //video. google. com/videoplay? docid=139862488972596620 http: //video. google. com/videoplay? docid=-7507941612135139133&q=collective+robotics http: //video. google. com/videoplay? docid=-4334661021736310887&q=collective+robotics http: //www. youtube. com/watch? v=kj. AGh. YOf. Zag http: //www. youtube. com/watch? v=ejtk. Pd. Cv. Qtg http: //video. google. com/videosearch? q=swarm-bots http: //www. youtube. com/watch? v=QUHn 0 r_j 5 c. E&mode=related&search= http: //www. youtube. com/watch? v=YRN 5 B 37 MTL 4&mode=related&search= http: //www. youtube. com/watch? v=c. Za. Xq. On. Rki. Y&mode=related&search= http: //www. youtube. com/watch? v=Tf. DQDp. XUutw&mode=related&search= 38

Navegação Autônoma de Robôs 39

Navegação Autônoma: Ambiente • Desconhecido; • Arbitrário; • Informações locais; • Dinâmico; • Sem auxílio externo; 40

Navegação Autônoma: Tarefas • Uma única tarefa: – Desviar de obstáculos; • Múltiplas tarefas: – Desviar de obstáculos + capturar alvos; – Desviar de obstáculos + capturar alvos + manter energia; • Aprender como executar e coordenar; ? 41

Navegação Autônoma: Características do Robô • Sensores: – IR, ultra-som, contato, câmera, GPS. . . • Atuadores: – Rodas, esteiras, patas, hélice, leme. . . • Limitados, ruidosos e imprecisos. 42

Navegação Autônoma: Comparação Xadrez Navegação de Robôs Ambiente Estático Dinâmico Nº de Estados Contável Infinito Informação Global Local Processamento Simbólico (alto nível) Sub-simbólico (baixo nível) Conhecimento A priori Obtido on-line 43

Navegação Autônoma: Aplicações Reais • Prospecção submarina; • Sensoriamento remoto; • Localização de minas; • Manutenção de tubulações; • Vigilância e monitoramento; • Transporte de materiais; • Limpeza de ambientes. 44

Navegação Autônoma: Exploração Espacial Spirit Sojourner Opportunity 45

Navegação Autônoma: The Darpa Challenges Grand Challenge (2005) Vencedor da competição de 2005 Urban Challenge (2007) Competidor em 2007 Darpa: Defense Advanced Research Projects Agency (USA) 46

Robótica Baseada em Comportamento 47

Behavior-based robotics Mataric’s 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 architecture. Architectures supply structure and impose constraints on the way robot control problems are solved. The behaviorbased 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). 48

Robótica Baseada em Comportamento AÇÃO E S T Í M U L O S Comportamento 1 Comportamento 2 Comportamento 3 Comportamento 4 C O O R DE N A Ç Ã O Comportamento 1 + Comportamento 4 49

Robótica Evolutiva 50

Robótica Evolutiva “ Metodologia que usa a Computação Evolutiva para desenvolver robôs autônomos. A partir de populações aleatórias de candidatos, repetidas modificações são realizadas de acordo com uma função de avaliação até que ao menos um dos novos indivíduos satisfaça requisitos mínimos. ” A robótica evolutiva pode se ocupar com o desenvolvimento de hardware e/ou software, ou seja, pode-se evoluir robôs (morfologia) e/ou controladores autônomos (Nolfi & Floreano, 2000). 51

Robótica Evolutiva • Computação Evolutiva: – Requisitos do problema; – Representação de candidatos à solução; – Avaliação dos objetivos; – Operadores evolutivos; 52

Robótica Evolutiva • Computação Evolutiva: 53

Robótica Evolutiva • Problema: obter um robô que execute certas tarefas; Genótipo: Fenótipo: 54

Floreano, 2006 Visão Geral do Método 55

Ambientes Reais x Simulação Paradigma apropriado para estudo dos princípios da inteligência (Pfeifer&Scheier, 1999)

Robótica Evolutiva • Evolução da morfologia e/ou do controlador do robô. Morfologia Controlador Biologia Corpo Cérebro Teoria de Controle Planta Sistema de controle Engenharia de Computação Hardware Software Robótica Estrutura física Sistema de controle 57

Robótica Evolutiva • Morfologia: – Evolução de criaturas; – Trabalho de Karl Sims; Vídeo com os trabalhos de Karl Sims 58

Robótica Evolutiva • Controlador: 59

Por que evoluir ao invés de pré-programar? Pré-programado T o p D o w n Evoluído Aprendizagem Autonomia Conhecimento a priori B o t t o m U p 60

Sistema de Controle: Top-Down evitar colisões obstáculo perto esquerda centro vire à direita vire Obstáculo longe direita vire à esquerda centro direita siga em frente 61

Problemas com a Abordagem Top-Down Dilema do Beco 62

Sistema de Controle: Bottom-Up Fundamentos de cognição dinâmica • Ausência de conhecimento inicial; • Mecanismos de aprendizagem; • Realimentação do ambiente; • Emergência de comportamentos; Desviar de obstáculos = + Capturar alvos 63

Robótica Evolutiva • Controladores baseados em: – Máquinas de Estado Finito; – Equações Diferenciais; – Redes Neurais Artificiais; – Redes Imunológicas Artificiais; – Sistemas Classificadores (Sistemas com Aprendizado e Baseados em Regras). 64

Alguns Trabalhos Desenvolvidos no LBi. C 65

Redes Neurais Artificiais • Paulo Crestani (2001); • Aprendizado construtivo de redes neurais; • Objetivos: desviar de obstáculos e capturar alvos; 66

Redes Neurais Artificiais • Uma RNA para cada comportamento: Desvio de obstáculos Captura de alvos 67

Redes Neurais Artificiais • Outra RNA para coordenação dos comportamentos: 68

Redes Neurais Artificiais • Sistema de Navegação Autônomo: Ajuste de direção Desvio de obstáculos Captura de Alvos Redução de Velocidade Aumento de Velocidade Ajuste de velocidade 69

Redes Neurais Artificiais: Aprendizado ao longo do processo de navegação 70

Redes Neurais Artificiais: Aprendizado ao longo do processo de navegação Ambiente de Treinamento Ambiente de teste 71

Mecanismo de Controle de Velocidade Sem controle de velocidade Com controle de velocidade 72

Comportamento Reativo 73

Comportamento Reativo + Robótica Coletiva 74

Emergência de Comportamentos em Robótica Coletiva 75

Sistemas Classificadores com Aprendizado • Renato Reder Cazangi (2004); • Evolução de regras de inferência; • Objetivos: desviar de obstáculos e capturar alvos; 76

Sistemas Classificadores com Aprendizado • Regras inicialmente aleatórias com representação inteira e binária; Distância a Obstáculos SE Direção do Alvo < ENTÃO > < > Ajuste de Direção (-3º) Ajuste de Velocidade (aumentar) 77

Sistemas Classificadores com Aprendizado • População de regras evolui on-line via eventos de: colisão, captura e monotonia; Evolução População de Regras colisão captura monotonia Sensores Competição Atuadores 78

Sistemas Classificadores: Resultados • Simulação: 79

Sistemas Classificadores: Resultados • Experimento real: 80

NAVEGAÇÃO AUTÔNOMA Ambientes Reais Treinamento (síntese do controlador) Generalização (operação em ambiente distinto) 81

Sistemas Classificadores com Aprendizado e Rede Imunológica • Renato Reder Cazangi (2006); • Evolução das regras e das conexões entre elas; • Objetivos: desviar de obstáculos, capturar alvos e escapar de becos; 82

Sistemas Classificadores com Aprendizado e Rede Imunológica • Problema do beco com alvo externo (mínimo local): 83

Immune Learning Classifier Network • Classifier (antibody): obstacle distance IF <condition> THEN <action> target luminosity direction new! GIVEN • Decision making: Receive sensorial input (antigen) speed <connections> connected to Compute classifiers’ concentration Carry out winner classifier’s actions 84

Immune Learning Classifier Network 1) Initialization 2) Simulation and rule evolution Evolve Get robot classifiers fitness at = every collision, captures capture - collisions or monotony 3) Network evolution (connections) 85

Immune Learning Classifier Network 1) Initialization 2) Simulation and rule evolution Evolve Get robot classifiers fitness at = every collision, captures capture - collisions or monotony 3) Network evolution (connections) 86

Immune Learning Classifier Network 1) Initialization 2) Simulation and rule evolution Evolve Get robot classifiers fitness at = every collision, captures capture - collisions or monotony 3) Network evolution (connections) Replication & mutation Best robot 87

Simulation Results Veja vídeo anexo a este material. Classifiers’ Concentration 88

Simulation Results • Best network evolved: - Reduced from 100 to 80 classifiers; 89

Simulation Results • Best network evolved (alternative view): - Reduced from 100 to 80 classifiers; 90

Cazangi, 2006 Real Experiment Results • Testing the evolved system: Veja vídeo anexo a este material. 91

Sistemas Classificadores com Aprendizado e Estigmergia • Renato Reder Cazangi (2005); • Evolução de regras de inferência; • Objetivos: desviar de obstáculos, capturar alvos e minimizar trajetórias; 92

Sistemas Classificadores com Aprendizado e Estigmergia • Estigmergia: comunicação indireta; • Robôs detectam e liberam feromônios artificiais; • Trilhas de feromônios ajudam a encontrar trajetórias mais curtas; • Aprender a desviar de obstáculos, capturar alvos e usar feromônios apropriadamente; 93

Autonomous Navigation System with Pheromone Trail • Population of 100 rules: –IF <condition> THEN <action>; • Random initialization; obstacle distance target luminosity pheromone concentration 3. 15 direction speed pheromone lay 94

Simulation Results • 4 autonomous robots navigating together; • Having to capture the targets in sequence; • The mean distance between captures is computed; Veja vídeo anexo a este material. 95

SCA e Estigmergia: Resultados • Navegação autônoma e caixeiro viajante: – Instância artificial com 12 cidades; 96

Referências Bibliográficas • • • 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, 2 nd. 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. 97

Leituras Adicionais • Aguirre, L. A. (ed. ) Enciclopédia de Automática – Controle & Automação, vols. 1 a 3, Editora Blucher, 2007. Destaque para o volume 3, nos tópicos: • II – Sistemas Inteligentes • III – Robótica 98

DEPARTAMENTO DE ENGENHARIA DE COMPUTAÇÃO E AUTOMAÇÃO INDUSTRIAL FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO UNICAMP EA 072 – Tópico 12 Agentes Inteligentes e Robótica Autônoma Fernando J. Von Zuben Laboratório de Bioinformática e Computação Bio-inspirada LBi. C/DCA/FEEC/Unicamp Agradecimentos: A todos os pesquisadores vinculados e que já mantiveram vínculo com o LBi. C. CAMPINAS – SP – BRASIL