Process of Learning from Demonstration with Paraconsistent Artificial Neural Cells for Application in Linear Cartesian Robots

A Lógica Anotada Paraconsistente (Paraconsistent Annotated Logic – PAL) é um tipo de lógica não clássica fundamentada em conceitos que permitem, sob determinadas condições, aceitar contradições sem invalidar as conclusões obtidas. A partir de equações baseadas nessa lógica foi criado o algoritmo da Célula Neural Artificial Paraconsistente de Aprendizagem (lPANCell). Como seus procedimentos de aprendizagem de padrões discretos são representados por valores contidos no intervalo fechado entre 0 e 1, o algoritmo lPANCell apresenta respostas semelhantes às de sistemas dinâmicos não lineares. Neste trabalho, foram realizados diversos testes para validar o funcionamento do algoritmo lPANCell em uma estrutura de Aprendizagem por Demonstração (Learning from Demonstration – LfD) aplicada a um robô cartesiano linear (gantry robot) utilizado para movimentar peças metálicas retangulares. Para o processo de LfD empregado no ensino das trajetórias nos eixos x e y do robô cartesiano, foi construída uma Rede Neural Artificial Paraconsistente (lPANnet) composta por oito células lPANCell. Os resultados demonstraram que a lPANnet apresenta propriedades dinâmicas e elevada robustez frente a perturbações, tanto durante o processo de aprendizagem por demonstração quanto na etapa de imitação das trajetórias aprendidas. Com base nesses resultados, torna-se possível desenvolver redes neurais artificiais paraconsistentes de maior complexidade, constituídas por múltiplas células lPANCell. Este estudo oferece uma contribuição relevante para as pesquisas sobre estruturas de aprendizagem por demonstração aplicadas à robótica.