Anna Helena Reali Costa.

In this project, we embark on a comprehensive exploration of machine learning techniques, aiming to push the boundaries of knowledge, particularly within the realm of complex dynamic systems. Scientifically and intellectually, our endeavor holds significant merit. Our project aims to forge new theories and algorithms in prediction, classification, and decision-making for complex dynamic systems. By doing so, we aspire to propel the field to new heights, refining the existing state-of-the-art. This pursuit aligns seamlessly with the current trends, spotlighting innovative ways to combine machine learning with dynamic systems. Our focus, especially on the PIML (Physics-Informed Machine Learning) approach, promises to yield breakthroughs that are both novel and impactful. On the technological front, we are committed to producing tangible outcomes. Our efforts will culminate in the creation of pre-processed databases, primed for reuse by interested parties. Additionally, we will provide open-source code for learning algorithms aimed at forecasting dynamic systems, optimizing stock portfolio compositions, and classifying events within multivariate time series. These endeavors are strategically designed to catalyze research advancement in this domain. Furthermore, by facilitating the training of specialized researchers and professionals in machine learning and artificial intelligence, our project directly contributes to the technological progress of our nation. The broader implications of our research extend into society, promising a profound impact. One notable pursuit is our investigation into forecasting oceanic variables using multimodal data processing. This venture holds the potential to birth an early warning system, geared towards detecting extreme tidal events well in advance. Given the well-documented correlation between sea level rise and climate change, the socio-economic ramifications of escalating tidal events are substantial. Our dedication to developing a storm surge warning system and flood forecasting mechanism addresses this challenge head-on. It is worth highlighting that the outcomes we've outlined are intrinsically tied to the publication of research findings and the cultivation of expertise in our academic community. By exposing researchers to diverse problem-solving contexts, across various domains, we foster a holistic and robust training environment, crucial for mastering the complexities inherent in the treatment of complex data. Bolsa CNPq Pq

O "offshore of tomorrow" está sendo definido em nossa geração. Despertados pelas mudanças climáticas, fomos conscientizados de que a exploração de combustíveis fósseis para uso exclusivo de energia térmica não pode ser sustentável em um futuro distante. O efeito que a humanidade tem desempenhado na mudança do clima do planeta pela emissão de gases de efeito estufa é uma agenda premente para muitos, senão todos os países comprometidos com o futuro de suas gerações. A COP26 em Glasgow 2021 foi fundamental - especialmente durante a pandemia - para garantir que as mudanças climáticas devem ser enfrentadas por uma transição intensiva na geração e consumo de energia. Está bem estabelecido que a humanidade continuará consumindo cada vez mais energia pelo simples fato de que a população mundial crescerá e a demanda de energia sempre aumentará. Mas a transição de um mix de energia baseado em carbono para um mix de energia completamente limpo é algo que não podemos alcançar em um momento; requer um processo que começa com geração de energia mais limpa e substituição por processos mais eficientes. A indústria offshore é primordial para essa transição, não apenas porque explora petróleo e gás alimentando hidrocarbonetos em nossos sistemas, mas também porque mostra um enorme potencial para desempenhar um papel significativo na transição energética. Assim, o "offshore de amanhã" não significa o fim da exploração offshore. Pelo contrário, significa o renascimento de um setor com mais ciência e tecnologia, aplicando novas operações, produtos e processos. Muitos acreditam que a energia do futuro será fortemente baseada no hidrogênio. Muitos terão como alvo a descarbonização dos processos atuais, enquanto o desenvolvimento de novos processos para capturar, armazenar e transformar carbono está em desenvolvimento. Muitos esperam que a energia renovável oceânica desempenhe um papel importante na redução da pegada de carbono de todos os sistemas offshore. Enquanto escrevemos esta proposta, várias dessas áreas estão sendo desenvolvidas por centros de pesquisa. Possivelmente o "offshore de amanhã" será bem diferente do que vemos hoje. Alguns podem dizer que a glória da indústria offshore é coisa do passado. Nós, por outro lado, acreditamos que os avanços tecnológicos e científicos alimentarão o desenvolvimento de um setor industrial promissor, talvez revolucionário. A proposta da OTIC reunirá o melhor da comunidade científica e tecnológica brasileira, unida pela tríplice hélice de academia, indústria e governo, para enfrentar a grande questão com vitórias rápidas e soluções disruptivas de longo prazo. Muitos profissionais participaram das revoluções offshore anteriores no Brasil, como a exploração de águas ultraprofundas e os reservatórios do pré-sal, mas os pesquisadores que reunimos na OTIC vão olhar para frente com um foco claro em soluções para descarbonização, operações seguras e impacto ambiental. A OTIC fornecerá suporte educacional, científico e tecnológico para inovar "o offshore de amanhã". Existem dois objetivos principais para o centro com base na principal expectativa da indústria offshore de hoje:* Descarbonização de todas as operações de EP offshore visando emissão zero de GEE.* Segurança das operações visando zero acidentes envolvendo vítimas humanas e ambientais. Portanto, os 28 projetos originais da OTIC estão organizados nos seguintes cinco programas conectados para atingir esses objetivos, relacionando fortemente a segurança humana e ambiental no contexto das mudanças climáticas.* NPO - Novos Processos e Operações* LCP - Energia de Baixo Carbono* DGT - Transformação Digital* NMT - Novos Materiais e Nanotecnologia* HSE - Saúde, Segurança, Meio Ambiente e Economia Circular (AU). Projeto: Universidade de São Paulo (USP). Escola Politécnica (EP). BG EP Brasil Ltda e FAPESP Proc. N. 22/03698-8.

CNPq Proc. N. 310085/2020-9 -- Chamada CNPq N 09/2020 - Bolsas de Produtividade em Pesquisa - PQ, início:15/02/2021.

Este projeto de pesquisa terá foco em 3 problemas que foram escolhidos por apresentarem alto impacto na indústria do petróleo e por terem complexidade que justifica o uso de técnicas avançadas de Aprendizagem de Máquina (Machine Learning): 1. "Identificação de falhas na ancoragem das plataformas": identificar rompimento em cabos de ancoragem a partir de dados de sensores de posição e movimentação da plataforma, além de informações climáticas. 2. "Busca Semântica nos textos de relatórios e documentos de engenharia ": construir um sistema de consultas aos relatórios e documentos de engenharia, numa primeira fase por busca por palavras-chave e numa segunda fase por consultas em linguagem natural, para dar suporte à tomada de decisões para manutenção e situações de emergência. 2. "Desenvolvimento de sistema inteligente para estimativa de movimentos de UEPs utilizando dados medidos em escala real": desenvolver uma ferramenta e metodologia baseada em aprendizado de máquina para prever os movimentos de uma plataforma ancorada a partir das condições ambientais incidentes. O diferencial em relação aos simuladores dinâmicos usualmente empregados é a utilização de dados reais para o treinamento da rede, levando em conta no processo de treinamento uma série aspectos físicos normalmente não incorporados nas análises feitas a partir das ferramentas de simulação dinâmica.

O Center for Artificial Intelligence congrega cerca de 120 pesquisadores de várias instituições, com suporte da FAPESP e IBM. O Centro é sediado na USP, nas dependências do InovaUSP, e conduz pesquisas em temas básicos e aplicados da área de inteligência artificial, bem como se preocupa com transferência de tecnologia e difusão. Processo FAPESP N. 2019/07665-4.

O Centro de Ciência de Dados (C2D) foi criado a partir do interesse comum da Escola Politécnica da USP e do Banco Itaú-Unibanco no desenvolvimento de pesquisas de excelência em Inteligência Artificial, Ciência de Dados e Aprendizado de Máquinas para a capacitação de pessoas, fomentando o ecossistema da área no país.

Este projeto de pesquisa é parte dos requisitos para solicitação de bolsa de Produtividade em Pesquisa ? PQ da Chamada CNPq No 12/2017. Seu objetivo consiste em investigar, propor, desenvolver e avaliar modelos e algoritmos capazes de tornar o Aprendizado por Reforço (AR) eficiente e eficaz na solução de problemas complexos. O AR é uma poderosa ferramenta para processos de decisão sequencial, com a qual o agente aprende uma política de atuação de forma totalmente autônoma, por meio de tentativa e erro em repetidas interações com o ambiente. Entretanto, muitos desafios ainda devem ser vencidos para que se tenha um amplo uso do AR. Os desafios incluem lidar com as incertezas, com um mundo dinâmico que exige decisões rápidas, com grandezas contínuas, com dificuldades de representação e com o alto custo computacional do AR. Assim, este projeto de pesquisa científica explora, em especial: (i) novos modelos e respectivos algoritmos, permitindo oportunidades de abstração e generalização na descrição e resolução dos problemas; (ii) uso de multiagentes aprendizes, que cooperam para agilizar o aprendizado; (iii) aproximações adequadas para representar tanto as situações observadas pelo agente quanto o conhecimento adquirido; (iv) transferência de conhecimento para que o conhecimento adquirido
por outro agente ou pelo aprendizado de uma tarefa prévia seja reaproveitado para acelerar
o aprendizado de uma nova tarefa similar. Como aplicação, pretende-se explorar ambientes
de jogos, da robótica móvel, da biologia computacional, entre outros. Com este projeto
visa-se aumentar a difusão do uso da tecnologia AR. CNPq Proc. N. 307027/2017-1.

O Aprendizado por Reforço (RL ? Reinforcement Learning) é uma poderosa ferramenta para desenvolver agentes inteligentes, na qual o agente aprende uma política de atuação de forma totalmente autônoma, por meio de tentativa e erro em repetidas interações com o ambiente. A política aprendida é expressa em decisões sobre quais ações são mais apropriadas para serem executadas em cada situação ou estado. Entretanto, muitos desafios ainda devem ser vencidos para que se tenha um amplo uso do RL em problemas complexos, os quais apresentam uma grande dimensionalidade dos espaços de estados e ações. Este projeto objetiva investigar, propor, desenvolver e avaliar modelos e algoritmos capazes de agilizar o RL e torná-lo eficiente e eficaz em problemas complexos. Diversas aplicações são exploradas, como robótica, biologia computacional, jogos, etc. Com este projeto busca-se aumentar a difusão do uso da tecnologia de RL e avançar na fronteira do conhecimento da área de aprendizado autônomo. Projeto Universal CNPq 01/2016 - Faixa B, Processo CNPq N. 425860/2016-7.

Sistemas inteligentes são máquinas que possuem seus próprios objetivos, percebem, respondem e aprendem com base em suas experiências. O Aprendizado por Reforço (RL ? Reinforcement Learning) é uma ferramenta poderosa para este fim, pois o sistema aprende autonomamente uma política de atuação por meio de tentativa e erro em repetidas interações com o ambiente. Com este projeto busca-se aumentar a difusão do uso da tecnologia de RL e avançar na fronteira do conhecimento da área de aprendizado autônomo. Entretanto, muitos desafios ainda devem ser vencidos para que se tenha um amplo uso do RL em sistemas inteligentes. Os desafios incluem lidar com incertezas dos sensores e atuadores, um mundo dinâmico que exige decisões rápidas, grandezas contínuas e o alto custo computacional do RL. Assim, este projeto de pesquisa científica tem por objetivo investigar, propor, desenvolver e avaliar modelos e métodos capazes de tornar o RL eficiente e eficaz em sistemas inteligentes que resolvem problemas complexos. Em especial, explora: (i) modelagens relacionais e orientadas a objetos e respectivos algoritmos, permitindo oportunidades de generalização na descrição e resolução dos problemas; (ii) distribuição e divisão do trabalho entre vários agentes aprendizes; (iii) funções de aproximações adequadas para representar tanto as situações observadas pelo agente quanto o conhecimento adquirido; (iv) transferência de conhecimento para que o conhecimento adquirido por outro agente ou do aprendizado de uma tarefa prévia seja reaproveitado para acelerar o aprendizado de uma nova tarefa similar. Sob o ponto de vista de aplicações, este projeto visa aplicar e avaliar os modelos e algoritmos propostos em domínios como: jogos, robótica, biologia computacional, entre outros. Projeto FAPESP N. 2016/21047-3.

No processo produtivo de flores e plantas ornamentais em escala comercial, uma das dificuldades encontradas pelos produtores é garantir o crescimento homogêneo de suas plantas, de modo que as condições de crescimento possam ser controladas adequadamente. Nesse cenário, as mudas utilizadas para gerar as plantas são importantes uma vez que pode-se estimar o potencial de crescimento da planta através de uma inspeção visual delas. Portanto, uma classificação das mudas quanto à velocidade esperada de crescimento, anterior ao plantio nos vasos, garante a homogeneidade da plantação. Um sistema automático de classificação pode ser construído então para a automação desta tarefa. No entanto, existe um desafio uma vez que as regras para essa categorização estão espalhadas nas mentes dos produtores e especialistas. Dada a natureza visual da inspeção realizada na separação das mudas de violeta, um sistema de visão computacional pode ser empregado. Ainda assim, geralmente não é simples para os especialistas explicar exatamente quais parâmetros eles utilizam na inspeção visual, então técnicas de seleção de atributos auxiliam no processo de escolha das características mais relevantes. A construção do classificador é feita com algoritmos de aprendizado de máquina, a partir de exemplos classificados por especialistas. O objetivo deste trabalho é, então, desenvolver os meios e métodos necessários para se realizar automaticamente a classificação de mudas de violetas nos diferentes níveis de potencial de crescimento. Diversos exemplos de instâncias (fotos de mudas) classificadas serão coletados junto a um especialista e serão usados como referência para os experimentos. Uma comparação entre vários métodos de seleção de atributos, assim como entre vários algoritmos de classificação será realizada, avaliando-se quais subconjuntos de atributos e quais algoritmos alcançam maiores taxas de acerto e se adequam melhor ao problema. Ao final da realização deste projeto de pesquisa, espera-se obter um sistema de visão capaz de classificar corretamente as mudas. Em fases futuras, a incorporação desse sistema numa máquina capaz de separar as mudas de acordo com a classificação será realizada, possibilitando aumento da produtividade, qualidade e rentabilidade dos produtores nacionais. Projeto da empresa MVisia, empresa atualmente incubada no Centro de Inovação, Empreendedorismo e Tecnologia (CIETEC/USP).

Este projeto de pesquisa visa o entendimento científico, o desenvolvimento e o uso das tecnologias necessárias para prover agentes cognitivos com níveis significativos de autonomia, de habilidades perceptuais e de capacidade de raciocinar, de aprender, de resolver problemas, de se adaptar e de tomar decisões, por meio de formalismos apropriados para a representação e uso do conhecimento. As seguintes vertentes serão exploradas para que este objetivo seja alcançado: (i) a percepção, visando investigar modelos e métodos para transformar os dados sensoriais em informações relevantes, abstraí-las e representá-las em conhecimento útil para o agente; (ii) o raciocínio e aprendizado, buscando formas de manipular e atualizar o conhecimento para a solução eficiente de problemas complexos; e (iii) a interação e comunicação, onde estes aspectos serão estudados e aprofundados para aplicação em redes de sistemas robóticos cooperativos, com uma abordagem ecológica. FAPESP Proc. N.2011/19280-8.

O projeto é o apoio inicial da Pró-Reitoria de Pesquisa da USP ao Núcleo de Pesquisa em Biodiversidade e Computação, grupo que tem por objetivo a pesquisa transdisciplinar sobre a biodiversidade neotropical, sua conservação e uso sustentável. Inclui pesquisadores de cinco unidades da USP - Escola Politécnica, Instituto de Biociências, Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto, Escola de Artes, Ciências e Humanidades, Instituto de Matemática e Estatística - além de colaboradores de diversas instituições brasileiras e estrangeiras (http://www.biocomp.org.br).

O objetivo deste projeto é modelar e simular a rede integrada de portos e a frota de navios próprios e afretados (dedicados ou não). Deve levar em consideração a coleta e a entrega dos produtos até os portos de seus clientes espalhados pelo mundo, especialmente para o mercado asiático, bem como o perfil de frota para a parcela de vendas FOB, cujo dimensionamento e administração não estão sob a gestão da Vale.

Das possíveis formas de raciocínio que um agente racional pode utilizar, o raciocínio lógico e as inferências probabilísticas estão entre as que recebem maior destaque na prática, sendo incorporadas em modelos e em programas de computador para a realização das mais diversas tarefas. No entanto, as interações possíveis entre estas formas de raciocínio ainda não são muito bem compreendidas, tanto do ponto de vista teórico como no de aplicações computacionais. Do ponto de vista teórico, ainda está-se por estabelecer, de forma inequívoca, relações entre valores verdades e distribuições de probabilidades sobre fórmulas. Do ponto de vista de aplicações, ainda está-se tentando estabelecer a fronteira entre quando empregar inferências lógicas e quando empregar inferências estatísticas. Este projeto pretende investigar estas questões, tanto do aspecto teórico quanto do aspecto de aplicações computacionais. Abordaremos a área de satisfatibilidade probabilística, lógicas de descrição probabilísticas para web semântica, planejamento probabilístico e análise de cenas. Este projeto pretende desenvolver softwares que abordem os temas investigados e disponibilizá-los através de uma licença de software livre dentro do escopo da Divisão de Inteligência Artificial do Centro de Competência em Software Livre da USP.
De modo mais específico, o objetivo deste projeto é o estudo da interação entre lógica e probabilidades, do ponto de vista teórico e de construção de aplicações computacionais. Abordaremos os seguintes aspectos desta interação: 1) Algoritmos para solução do problema de satisfatibilidade probabilística (PSAT), que decide se, dado um conjunto de cláusulas e restrições de probabilidade associada a cada cláusula, existe alguma distribuição de probabilidades nas valorações booleanas de forma que as restrições de probabilidades nas cláusulas sejam satisfeitas. 2) Lógicas de Descrição que contenham inclusões probabilísticas. Lógicas de descrição têm recebido intensa atenção na lit

Na robótica, percepção estabelece uma relação entre medidas sensoriais e representações internas do ambiente, as quais devem conter informações suficientes para embasar as decisões dos robôs. Localização e mapeamento são duas percepções fundamentais para robôs móveis, as quais devem estar aliadas à capacidade do robô de lidar com as incertezas derivadas da condição de observabilidade parcial do ambiente e dos efeitos estocásticos (ou não modelados) de suas ações para garantir o sucesso das interações físicas do robô com o ambiente e a realização de tarefas. Localização estima onde os objetos e o próprio robô se encontram em relação a um mapa. Porém, muitas vezes não há um mapa previamente conhecido e, assim, há necessidade de que o robô construa automaticamente um mapa, ao mesmo tempo em que determina sua localização a partir dele, processo este denominado Localização e Mapeamento Simultâneos (SLAM). O projeto de pesquisa científica aqui apresentado tem por objetivo endereçar o problema da incerteza no mapeamento e localização gerada pelos erros nos sensores do robô através do uso de métodos probabilísticos. Particularmente, visa a investigar o problema de SLAM a partir do sensor de visão computacional, construindo mapas cognitivos baseados em objetos. Para tanto, propõe-se uma nova abordagem de representação do mapa e uma técnica integrada para estimar todo histórico de localização e resolver o problema global de associação de dados. Os resultados desta pesquisa possibilitam vários desdobramentos importantes, uma vez que é reconhecida a necessidade estratégica do Brasil tanto em formar recursos humanos capacitados para atuar em Robótica quanto para desenvolver conhecimento e tecnologia nesta área, com aplicações tanto nas áreas de Defesa e Segurança Pública, quanto na indústria petrolífera nacional, no agronegócio, na medicina e em tantas outras. CNP Proc. No. 475690/2008-7.

Este projeto tem por objetivo investigar, desenvolver e programar técnicas de processamento de imagens para auxílio em avaliações e análise de imagens de jogos de futebol, em tempo real, tendo como meta o desenvolvimento de um sistema eficaz e eficiente para o rastreamento de jogadores em seqüências de vídeo.

O objetivo principal deste projeto consiste no desenvolvimento de um sistema de vigilância semi-autônomo integrado, baseado em um robô móvel com atuação em ambientes externos. Um operador do sistema remotamente opera um microcomputador, no qual inicialmente estabelece uma missão de vigilância ao robô, através da seleção (em um mapa global desenvolvido a priori) de pontos críticos a serem inspecionados. Com base nestes pontos e em restrições de tempo e recursos, uma rota desejável ao longo da margem de vias (próximas a guias de calçada) é definida, e os respectivos comandos de controle são então enviados (via enlace de RF) ao robô. Através de um conjunto de sensores locais (câmera, bússola, odômetro e GPS), o robô móvel deve se localizar em seu ambiente de atuação, com referência ao mapa global. Em geral, a execução da trajetória é executada pelo robô em malha aberta, através de guiagem baseada na detecção e acompanhamento de guias na calçada. Isto permitirá que algoritmos de detecção de alvos sejam executados no microcomputador remoto, sem a necessidade de envio contínuo de sinais de controle ao robô. Naturalmente, quando um alvo é detectado ou quando a guia deixa de existir ou é oclusa, o comando é retornado ao microcomputador remoto. Através de uma interface, o operador então define se o alvo em questão deve ou não ser rastreado. Em caso positivo, algoritmos de rastreamento são inicializados, e o robô passa então a se orientar de modo a manter o alvo em seu campo de visão, informando sua posição (relativa ao mapa global) ao operador, para que este tome as medidas cabíveis (e.g., acionar uma patrulha para verificar o alvo). 
Número do projeto: 473943/2004-2

O projeto MultiBot de cooperação luso-brasileira envolve a USP e o ITA, no Brasil, e o Instituto Superior Técnico da Universidade Técnica de Lisboa, em Portugal, e consiste em investigar e desenvolver agentes robóticos que sejam autônomos, eficientes, sociais e adaptativos. Estes interesses são endereçados através de atividades concentradas em três tarefas principais, que buscam não só ontribuições teóricas, como também práticas: 1) Modelos de robôs móveis autônomos atuando isoladamente - inclui o estudo e desenvolvimento de modelos e arquiteturas apropriadas a robôs móveis autônomos, as quais geralmente são definidas em função de um conjunto pré-estabelecido de comportamentos primitivos; busca, também, o desenvolvimento e avaliação de técnicas de coordenação de comportamentos, aprendidas de forma autônoma através de interação direta do robô com o seu ambiente de atuação. 2) Modelos perceptuais e de fusão sensorial - consiste em estudar os princípios que norteiam a automação da percepção visual, assim como desenvolver algoritmos e métodos para dotar robôs da capacidade de interpretação visual de imagens adquiridas por meio de câmeras; investiga, também, mecanismos de fusão de diversas informações sensoriais, captadas por diferentes sensores, assim como a construção de sistemas de navegação autônoma, possibilitando ao robô que construa mapas do ambiente em que esteja inserido, localize-se neste ambiente e possua a habilidade de selecionar autonomamente marcos naturais e de navegar apropriadamente em relação a estes marcos. 3) Modelos para Robótica Cooperativa - estuda equipes de robôs cooperativos que realizam uma tarefa, a qual seria muito difícil, senão impossível, de ser realizada por um único robô. Tópicos endereçados envolvem mecanismos de coordenação de robôs, planejamento distribuído e contínuo, alocação de tarefas, linguagens de comunicação, modelos de conhecimento social e organizacional. 
CAPES/GRICES Proc. N.099/03

Projeto do tipo "Inovação Tecnológica em Pequenas Empresas" (Pipe) , coordenado por Reinaldo A. C. Bianchi, para auxílio (capital, pessoal, custeio) à empresa VXIA Sistemas de Visão Artificial (http://www.vxia.com.br/), de Rafael Neto Pacheco e Márcio Seixas, para a construção e inserção no mercado de uma máquina que efetua a classificação e seleção automáticas de laranjas, usando visão computacional. 
Projeto FAPESP numero 2003/08464-4
título: Maquina classificadora/seletora de laranjas utilizando visao computacional.
Coordenador: Reinaldo Augusto da Costa Bianchi.

O projeto AACROM tem por objetivos teóricos 1) o estudo de formalismos adequados para a incorporação de aprendizagem ao problema de coordenação de comportamentos; 2) a investigação de técnicas de sensoriamento e fusão sensorial associadas ao uso de robôs móveis autônomos, para determinação de mapas globais e localização; 3) o desenvolvimento de técnicas de aprendizagem para definição da coordenação de comportamentos. Os objetivos práticos são: 1) a implementação e comparação de técnicas de aprendizagem de coordenação de comportamentos em robôs móveis; 2) a implementação de algoritmos de localização e avaliação de desempenho. 
FAPESP Proc. No. 2001/14588-2

Resolver problemas em domínios complexos geralmente envolve múltiplos agentes, raciocínio sobre um mundo dinâmico, planejamento de atividades, necessidade de aprender através de realimentações e experiências prévias, além de interações no mundo por meio de percepção e ação. O projeto MAPPEL visa investigar um espectro concreto de temas relevantes para o desenvolvimento de times de agentes completos atuando em um ambiente dinâmico, eventualmente adversário e com exigências de atuação em tempo real. O interesse consiste em investigar e desenvolver agentes robóticos que sejam: autônomos (capazes de raciocinar sobre suas experiências e tomar suas próprias decisões); eficientes (capazes de atingir metas específicas sob restrições de tempo e recursos, através da integração de planejamento reativo e deliberativo de atividades); cooperativos (capazes de colaborar com outros agentes para resolver problemas e realizar tarefas muito complexas em relação às suas capacidades individuais); adaptativos (capazes de aprender conforme adquirem mais experiência, através do refinamento de suas preferências de seleção de ações individuais e colaborativas).
NSF / CNPq - ProTeM CC Proc. Inst. No. 68.0033/99-8. Número do Processo Individual: 48.0320/99-3. Início do Processo: Junho de 2000
Duração: 3 anos. Valor global da concessão no Brasil: R$ 125.841,39 e bolsas DTI

A MANET é uma rede composta por diversos pesquisadores, de 31 grupos de pesquisa de 19 instituições de ensino, de 11 Estados
brasileiros e do Distrito Federal, vinculada ao Ministério de Ciência e Tecnologia (MCT). A MANET surgiu a partir da criação da RECOPE ? Rede de Cooperação em Pesquisa (Sub-Rede de Automação), em 1996, como parte do Programa de Desenvolvimento das Engenharias (PRODENGE), financiada pela FINEP, com o objetivo de desenvolver atividades relacionadas à formação, pesquisa e prestação de serviços na área de Robótica e Automação.
Coordenação: Prof. Paulo E. Miyagi ? EPUSP, Prof. Márcio Rillo ? UniFEI e Prof. José Reinaldo Silva ? EPUSP.
Financiamento: FINEP (RECOPE / PRODENGE), Proc. no. 77.97.0937.00