Equipa da Universidade do Minho constituída pelos estudantes de pós graduação –Weronika Wojtak, Flora Ferreira e Paulo Vicente – dos Programas Doutorais em Matemática e Engenharia Eletrónica e Computadores – está entre as equipas selecionadas para o  1º Prémio do ‘2019 International Collegiate Competition for Brain-inspired Computing’, na China.

O trabalho inserido na área da Robótica com Inspiração nas Neurociências Cognitivas, tem como tema “Learning Sequences with Time Constraints” e é realizado em parceria pelos Centros CMAT e  ALGORITMI, sendo os estudantes orientados pelos Professores Wolfram Erlhagen (CMAT) e Estela Bicho (ALGORITMI).

Concorreram 200 equipas. Os resultados podem ser encontrados aqui.

Resumo:

A capacidade de adquirir sensibilidade sobre as regularidades ordinais e temporais em muitas de nossas atividades sequenciais é fundamental para o nosso comportamento adaptativo num ambiente inerentemente dinâmico. Neste contexto, apresentamos um modelo neuro-computacional, baseado em Campos Neuronais Dinâmicos, que implementa mecanismos de processamento neuroplausíveis que suportam a aquisição eficiente e a reprodução flexível de sequências complexas com restrições de tempo – What to do? And When to do?. O modelo foi testado em diferentes experiências de robótica no mundo real –e.g. aprendizagem de uma sequência musical, aprendizagem de representações conjuntas e aprendizagem de sequências de construção de objetos.  Em primeiro lugar, o robô adquire conhecimento sobre os aspetos ordinais e temporais de tarefas sequenciais num paradigma de aprendizagem por demonstração – com poucas demonstrações —  e, posteriormente, recorda a informação da memória, tendo em conta as potenciais restrições de velocidade. Dotar os robôs com a capacidade de aprender eficientemente sequências complexas com restrições temporais permite melhorar muito a suavidade e fluência das interações humano-robô.

(a)Primeiro, o robot aprende os aspetos ordinais e temporais de tarefas sequenciais: o que fazer? e quando fazer?

(b) Posteriormente, o Robot recorda de forma flexível o que aprendeu