Skip to content

Introdução

Aplicações modernas apontam para um conceito de Inteligência Artificial (IA) voltado para duas principais características: autonomia e adaptabilidade. Autonomia é a habilidade de executar tarefas em contextos complexos sem constante intervenção do ser humano e adaptabilidade é a habilidade de melhorar seu desempenho aprendendo com a experiência.

Ementa

Introdução à Inteligência Artificial; Definições de Agente Autônomo; Arquitetura computacional de agentes e o laço percepção – planejamento e ação; Caracterização de Ambientes; Resolução de problemas usando espaço de busca; Estratégias de busca; Algoritmos de busca cega e informados; Conceito de Heurística; Teoria de Jogos e Ambientes Competitivos; Aprendizagem por Reforço; Percepção, sensores e incerteza; Noções de visão computacional e reconhecimento de padrões; Aplicação comercial de robôs e usos emergentes, soluções de plataformas robóticas e de software para robôs (R.O.S, OpenCV).

Objetivos

Ao final da disciplina o estudante será capaz de:

  1. Descrever os conceitos, técnicas e métodos para o desenvolvimento de Agentes Autônomos.
  2. Identificar quais tipos de problemas podem ser resolvidos através do uso de Agentes Autônomos.
  3. Criar soluções para alguns problemas clássicos desta área.
  4. Especificar, desenvolver e testar projetos que façam uso de Agentes Autônomos para resolver problemas complexos.
  5. Planejar e executar um trabalho em equipe, fornecendo e assimilando devolutivas.

Conteúdo Programático

  1. Definições de Agente Autônomo e resolução de problemas.
  2. Estratégias de busca: algoritmos de busca cega e algoritmos informados.
  3. Heurísticas.
  4. Implementação de agentes autônomos utilizando estratégias de busca.
  5. Programação por restrições (CSP).
  6. Ambientes competitivos e teoria de jogos.
  7. Algoritmo Min-Max e função de utilidade.
  8. Implementação de agentes autônomos para ambientes competitivos.
  9. Aprendizagem por Reforço.
  10. Implementação de agentes autônomos usando aprendizagem por reforço.
  11. Algoritmo Q-Learning.
  12. Implementações de agentes autônomos usando o projeto Gym.
  13. Implementação de um agente robótico.

Bibliografia Básica

  1. NORVIG, P.; RUSSELL, S., Inteligência Artificial, 3ª ed., Campus Elsevier, 2013

Bibliografia Complementar

  1. O'KANE, J., A Gentle introduction to ROS, CreateSpace Publishing, 2013
  2. SIEGWART, R.; NOURBAKHSH, I. R.; SCARAMUZZA, D., Introduction to Autonomous Mobile Robots., 2ª ed., MIT Press, 2011
  3. SILVER, D.; SINGH S.; PRECUP D.; SUTTON R. Reward is enough. Artificial Intelligence. Vol 299, 2021. Disponível em https://doi.org/10.1016/j.artint.2021.103535.
  4. SILVER, D.; HUBERT T.; SCHRITTWIESER, J.; ANTONOGLOU, I.; LAI, M.; GUEZ, A. A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science 362, 1140-1144 (2018).