Projetos Finais de Graduação publicados em 2017

  • IC-PFG-17-08 pdf bib
    Detecção de Objetos no Futebol de Robôs.
    Gabriel Borges Magalhães and Esther Luna Colombini.
    July 2017. In Portuguese, 21 pages.

    Resumo: O problema de tracking da posição de uma robô em uma cena é de extrema relevância para a robótica autônoma e a qualidade deste processo está instrisicamente relacionada à qualidade da extração de características e estimação da distância do robô aos elementos de interesse em um mapa conhecido. Neste contexto, este trabalho tem o objetivo de implementar um sistema de detecção de objetos - pertinentes ao domínio do futebol de robôs - capaz de identificar elementos de interessse em imagens capturadas por uma câmera e estimação da localização desses objetos em relação ao robô. Para o projeto o smiluador Webots foi utilizado assim como o modelo virtual do robô humanoide NAO. Foram estudadas e implementadas técnicas para detecção de objetos em baixo nível com base nas imagens coletadas e posteriormente foi feita a análise em mais alto nível para a classificação ou descarte de candidatos e a representação de objetos.

  • IC-PFG-17-07 pdf bib
    Humanoid Robot Walking Optimization using Genetic Algorithms.
    Luiz Fernando Cirigliano Villela - Esther Luna Colombini.
    July 2017. In English, 15 pages.

    Resumo: The problem of creating fast and stable walking for humanoid robots is a very complex one due to the large degree of freedom and the external variables involved. This work tackles this problem by using a model free approach where each joint is represented by a sinusoidal function of time. The parameters of the functions for all actuated joints are optimized using a genetic algorithm. Experiments were performed with a NAO robot in a simulated environment under V-REP. The optimized robot was able to walk at a speed of $54   cm/s$ in a straight line and for up to 200 meters without falling. Experiments were also carried out to evaluate the individuals capacity to adapt to different scenarios, such as walking up and down ramps. Results showed different movement patterns, a slower pace and more upright positions for the robot walking uphill.

  • IC-PFG-17-06 pdf bib
    RoboCup Soccer Ball Depth Detection using Convolutional Neural Networks.
    Gabriel Militão Vinhas Lopes and Esther Colombini.
    July 2017. In English, 08 pages.

    Abstract: The RoboCup, a soccer competition played by autonomous robots, raises a variety of hard problems in different fields such as Artificial Intelligence and Dynamics. In particular, vision is the essential input to take actions based on this highly dynamic environment. Although traditional techniques might be cheaper for object detection, new rules such as multicolored balls require more robust detection methods and allow a significant computing power improvement. Given these recent changes, this work presents a solution for ball localization using convolutional neural networks (CNNs), a largely applied machine learning technique holding the state of the art technology for several imagery problems. To perform the object detection, we train the CNN with robot's camera images as input and the ball's coordinates relative to the robot as output.

  • IC-PFG-17-05 pdf bib
    SimPoints aplicado a múltiplas entradas.
    Luis Fernando Antonioli and Rodolfo Azevedo.
    July 2017. In Portuguese, 17 pages.

    Resumo: Compreender o comportamento a nível de ciclos de um processador executando um programa é vital para a pesquisa moderna de arquitetura de computadores. Visando obter essa informação, simuladores detalhados geralmente são utilizados. A simulação completa de um benchmark padrão pode demorar semanas ou até meses para ser concluída. Para endereçar esses problemas, técnicas estatísticas tais como a metodologia SimPoint foram propostas. A metodologia SimPoint tenta identificar fases repetitivas e encontrar um conjunto pequeno de amostras da execução do programa que representa a maior parte da execução do programa, ou seja, busca prever alguma propriedade da arquitetura baseando-se na execução individual de amostras das fases do programa. Arquiteturas podem ser comparadas simulando o seu comportamento nas amostras de código selecionadas pelo SimPoint para rapidamente determinar que arquitetura tem o melhor desempenho. A metodologia SimPoint realiza a análise das fases de cada par programa-entrada separadamente. Neste trabalho estudamos a metodologia SimPoint, propomos e implementamos uma extensão dela para que permita a análise de fases de um programa para várias entradas visando assim tentar diminuir o número total de SimPoints necessasários para simular um benchmark inteiro.

  • IC-PFG-17-04 pdf bib
    Time synchronization under temperature and distance variations.
    Matheus Susin and Lucas Francisco Wanner.
    July 2017. In English, 18 pages.

    Abstract: The Trustful Space-Time Protocol (TSTP) allows for time synchronization to be performed upon receiving any message from another node in a sensor network, removing the need for explicit messages. Previous work has shown that TSTP performs well under controlled experimental environments. In this work, we analyze how the quality of synchronization in TSTP is affected when nodes are communicating over varying distances, and across a temperature gradient. The results show that, while distance and packet loss has only a small effect on the quality of the synchronization, high temperatures of 80 Celsius and up can negatively affect it. Snippets of the results are presented, along with charts, statistics, and an analysis. A repository that contains all results, as well as the tools to analyze them, is available at https://gitlab.com/mathy/PFG.

  • IC-PFG-17-03 pdf bib
    Machine Learning Applied to Sorting Permutations by Reversals and Transpositions.
    Flavio Altinier Maximiano da Silva, Andre Rodrigues Oliveira, and Zanoni Dias.
    July 2017. In English, 20 pages.

    Abstract: The problem of determining relationship trees between genomes is fundamental when studying life evolution on the planet. As mutations are rare, it is believed that when one genome transforms into another, it probably used the fewest operations possible. If we represent genomes as numeric permutations, we reduce that problem to the one of sorting permutations using specific operations. In this work we use two of the most common genome mutations: reversals and transpositions. We propose a machine learning approach where a classifier is trained on a set of features of small permutations and then used to sort bigger permutations. Results show that this method is competitive when compared to others in literature, specially when dealing with small permutations or considering the others' maximum approximation factors.

  • IC-PFG-17-01 pdf bib
    Desempenho de classificadores binário em conjunto de dados multi classes.
    Pedro De Nigris Vasconcellos and Jacques Wainer.
    July 2017. In Portuguese, 14 pages.

    Resumo: Através deste trabalho, procuramos entender melhor o problema da classificação de dados multi classe. Buscamos compreender o desempenho, tanto em termos de acurácia quanto de tempo, de algoritmos inerentemente binários, explorando novas abordagens como a busca interna de hiper parâmetros. Nos atemos em explorar as diferenças entre a busca interna e externa de hiper parâmetros para as modelagens One vs. One e One vs. Rest, as quais utilizam algoritmos binários para a classificação. Ficamos contentes com os resultados obtidos, uma vez que eles permitiram um melhor entendimento a respeito deste problema e de outras possíveis maneiras que podemos solucioná-lo. Foram realizadas comparações envolvendo tempo de execução e acurácia dos classificadores e pudermos concluir que existem sim diferenças significativas entre a busca interna e externa de hiper parâmetros, assim como existem diferenças entre os próprios algoritmos binários utilizados nos classificadores OvO e OvR.


  • Instituto de Computação :: Universidade Estadual de Campinas
    Av. Albert Einstein, 1251 - Cidade Universitária Zeferino Vaz • 13083-852 Campinas, SP - Brasil • Fone: [19] 3521-5838