Linhas de Pesquisa
Sistemas Autônomos, Robótica e Máquinas-Ferramentas
Esta linha de pesquisa tem como foco desde a realização de pesquisas conceituais (TRL 03), voltadas para a ampliação da autonomia dos sistemas, até, em estágios mais avançados de maturidade tecnológica (TRL 06), o desenvolvimento de versões prototipadas dessas tecnologias, inerentemente integradas em suas dimensões elétrica, mecânica e computacional e principalmente caracterizadas como robôs e máquinas-ferramentas inteligentes, voltadas para a indústria.
A autonomia em um sistema de IA diz respeito à capacidade intrínseca desse sistema de tomar decisões, ou seja, de agir sem intervenção humana (RUSSELL; NORVIG, 2020). Trata-se, portanto, de sistemas tipicamente capazes de:
-
Perceber o ambiente onde estão imersos fazendo uso da diversidade sensorial e dos múltiplos meios de comunicação característicos da indústria 4.0 e da internet das coisas (IoT), gerando tipicamente vasta quantidade de dados;
-
Manipular esses dados (elaborando modelos, realizando análises, reconhecendo padrões, seleções, agrupamentos, consultas, derivações, diagnósticos, previsões ou mesmo aprendendo) com vistas a constituir e/ou ampliar o seu conhecimento sobre o mundo;
-
Eventualmente, planejar sua atuação no ambiente de forma propositiva, considerando a alocação de agentes e/ou recursos no tempo e/ou espaço, com vistas ao atendimento de seus objetivos de forma otimizada;
-
Agir em tempo real, se necessário, no ambiente, permitindo ganhos diversos em relação aos processos industriais convencionais.
Nesse cenário, ganha particular relevância o aprendizado de máquina, ou seja, a capacidade de dotar máquinas de sistemáticas que permitam a ela melhorar seu desempenho em uma determinada tarefa com sucessivas experiências (ALPAYDIN, 2014). Em sua vertente mais aplicada, essa linha busca desenvolver as soluções específicas para as necessidades dos diferentes segmentos industriais, com vistas a garantir sua transição para novos patamares de produção, qualidade e eficiência (por exemplo, energética). Dentro desta linha de pesquisa, destacam-se os temas:
-
Sistemas Inteligentes: linha destinada ao estudo e desenvolvimento de sistemas complexos voltados para os problemas industriais. Seu campo de investigação inclui áreas tais como: Sistemas baseados em Modelos (por exemplo, inferência em modelos lógicos ou regras, busca em modelos de estado, heurística, modelos evolutivos ou fuzzy, redes bayesianas, processos de decisão de Markov etc.); Planejamento automatizado (determinístico, probabilístico, contínuo ou híbrido); Escalonamento; Sistemas distribuídos e multiagentes; modelos cognitivos (CIORTEA; MAYER; MICHAHELLES, 2018; MARSLAND, 2015);
-
Aprendizado de Máquina: linha destinada ao desenvolvimento e aprimoramento de técnicas para melhoria do desempenho de máquinas com a experiência (dados). Seu campo de investigação inclui técnicas tais como: Aprendizado Supervisionado (regressões, SVMs, Redes Neurais Artificiais, Aprendizado Profundo, Árvores de Decisão, Aprendizado Bayesiano); Aprendizado não-supervisionado (k-means, k-medoids, SOMs, Vector Quantization, Mixture Models, Expectation-Maximization, LDA, PCA); Aprendizado por Reforço; Aprendizado por Reforço Profundo; Aprendizado Evolutivo; Aprendizado por Imitação; Classificação; Clusterização; Redução de dimensionalidade (CIORTEA; MAYER; MICHAHELLES, 2018; GOODFELLOW; BENGIO; COURVILLE, 2016; SUTTON; BARTO, 2018);
-
Automação inteligente: linha destinada à resolução de problemas aplicados por meio da proposição de soluções integradas elétrica-mecânica-computação. Seu campo de investigação inclui áreas tais como: Visão de máquina; Reconhecimento de padrões; Sensoriamento, localização e mapeamento 3D; Instrumentação inteligente; Diagnóstico automatizado; Inspeção automatizada; Estimativa de consumo; Previsão de fadiga e vida útil; Máquinas e ferramentas inteligentes e reconfiguráveis; Internet das coisas (IoT); Manufatura inteligente; Colaboração humano-máquina; Otimização de processos produtivos (BMWI, 2019; DOPICO et al., 2016); Eficiência energética; Redes inteligentes de energia; Resposta da Demanda; Otimização (FRASER; ANASTASELOS; RAVIKUMAR, 2018; IEEE, 2018; MAKONIN; POPOWICH; GILL, 2013; SOUZA et al., 2018; TALARI et al., 2017; ZHANG; HUANG; BOMPARD, 2018); Robôs manipuladores; Automação cooperativa e colaborativa; Robôs de serviço; Robôs com rodas; Robôs com pernas; Robôs aéreos (drones); Robôs aquáticos (SIEGWART; NOURBAKHSH; SCARAMUZZA, 2011).
Alguns dos grandes desafios da IA neste domínio são: (i) tratar multimodalidade sensorial e de dados; (ii) transformar vasta quantidade de informação em conhecimento útil sobre o mundo; (iii) adequar as técnicas de IA para o contexto de cada segmento industrial; (iv) atuar em ambientes distribuídos; (v) acompanhar a evolução das técnicas computacionais; (vi) gerar soluções integradas nas dimensões elétrica, mecânica e computacional; (vii) integrar máquinas e humanos trabalhando em conjunto nas mesmas tarefas e ambientes. Ainda, sistemas automáticos mais flexíveis e dinâmicos podem ser modelados como sistemas sociotécnicos onde agentes, humanos ou máquinas, gerenciam um ou mais dispositivos industriais (artefatos de IoT com inteligência embarcada) e/ou controlam conjuntos independentes de variáveis, coordenando-se para atingir os objetivos e otimizar o desempenho do sistema.
A aplicação de técnicas de IA tem como possíveis impactos: (i) aumento na produtividade; (ii) melhoria na qualidade dos produtos; (iii) ampliação da detecção de falhas; (iv) redução de custos de produção, operação e manutenção; (v) aumento do rendimento; (vi) melhoria na segurança no trabalho; (vii) redução do tempo de configuração e manutenção; (vii) flexibilidade do processo produtivo; (viii) ampliação e integração da informação sobre os produtos e processos; (ix) cooperação entre máquinas distintas e entre humanos e máquinas; (x) fomento ao desenvolvimento de novos produtos e modelos de negócios.
Referências
