Search

Flocking, also known as coordinated motion, is a collective behavior that consists of a large group of individuals moving together towards the same target direction. Unmanned Aerial Vehicle (UAV) flocking controllers have relied on Global Navigation Satellite System (GNSS) and intra-robot communication to obtain the absolute relative information of the nearby robots. This approach is only applicable in known and accessible outdoor environments. In this thesis, we explore the possibility of achieving flocking using a team of UAVs in hard-to-access locations, particularly with remote sensing restrictions. Thus, we propose a proximal control-based method for UAV self-organized flocking that relies on a vision-based relative localization approach proposed by Walter, Saska and Franchi (2018) called the Ultra-Violet Direction And Ranging (UVDAR) system. Robots use a Lennard-Jones potential function to maintain the cohesiveness of the flocking while avoiding collision within the teammates. After numerous simulations for safe verification and tuning, we evaluate our proposed method in a real-world environment with a group of middle-size UAVs using two distinct intra-swarm relative sensing approaches. In both cases, our method efficiently achieves flocking without alignment and direction control and moves into an arbitrary direction. In this way, we accomplished self-organized flocking with limited sensory information for aerial robots with high dynamics in environments with no constraints on the boundary conditions. As contributions, we have an extension of the work of Ferrante et al. (2012) and a decentralized flocking control method with local sensing capable of work in environments with GNSS restriction. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES Flocking, também conhecido como movimento coordenado, é um comportamento coletivo que consiste em um grande grupo de indivíduos movendo-se juntos numa direção-alvo. Os controladores de movimento coordenado para Veículos Aéreos Não-Tripulados (VANTs) contam com o Sistema Global de Navegação por Satélite (SGNS) e a comunicação intrarobô para obter as informações relativas absolutas dos robôs próximos. Esta abordagem é aplicável apenas em ambientes externos conhecidos e acessíveis. Nesta dissertação, exploramos a possibilidade de atingir movimento coordenado utilizando uma equipe de VANTs em locais de difícil acesso, particularmente em ambientes com restrições de sensoriamento remoto. Assim, propomos um método baseado em controle proximal para movimento coordenado auto-organizado de VANTs que emprega um sistema de localização relativa baseado em visão proposto por Walter, Saska and Franchi (2018) conhecido como sistema Ultra-Violet Direction And Ranging (UVDAR). Os robôs usam uma função potencial de Lennard-Jones para manter a coesão do grupo, evitando a colisão entre os companheiros. Após inúmeras simulações de ajuste e verificação de segurança, avaliamos nosso método proposto em um ambiente de mundo real com um grupo de VANTs de médio porte usando duas abordagens distintas de detecção relativa intra-enxame. Em ambos os casos, nosso método atingiu com eficiência o movimento coordenado sem controle de alinhamento e direção e se moveu em uma direção arbitrária. Desta forma, obtivemos movimento coordenado auto-organizado com informações sensoriais limitadas para robôs aéreos com alta dinâmica em ambientes sem restrições nas condições de fronteira. Como contribuições, temos uma extensão do trabalho do Ferrante et al. (2012) e um método de controle de movimento coordenado descentralizado com sensoriamento local capaz de funcionar em ambientes com restrição de SGNS.

Tendo como objetivo principal a busca por uma estrutura capaz de satisfazer as necessidades previstas para o desenvolvimento do controlo cooperativo, integrado no plano de Investigação e Desenvolvimento do Centro de Investigação da Academia da Força Aérea, encontra-se na presente dissertação um modelo de aeronave proposto e validado. Após serem salientados os requisitos essenciais ao sistema de controlo cooperativo, é apresentado um tipo de arquitetura do qual se destacam os sistemas de voo associados à mesma. Deste modo, após dimensionar o corpo onde estarão presentes os sistemas, opta-se por um design estrutural de asa voadora, em espuma, com uma caixa central fabricada através de manufatura aditiva. Através de uma comparação com outros modelos idênticos e métodos analíticos para valores de carga alar e power loading, desenvolve-se um modelo computacional da aeronave final, justificando os perfis alares a utilizar na sua elaboração. O modelo final desenvolvido é caraterizado por um design de asa voadora, com peso à descolagem de 1,2 kg e uma envergadura de 1 m. Este modelo é validado através de uma ferramenta computacional, executando-se uma caraterização aerodinâmica e uma análise de estabilidade. Posteriormente, é desenvolvido um modelo à escala de 1/1,25 para ser utilizado no túnel aerodinâmico. Os dados obtidos são comparados com a simulação computacional, validando a aeronave segundo este método. Finalmente, é desenvolvido um protótipo real do modelo sujeitando-o a ensaios em voo por forma a ser validado através de um método prático. Esta dissertação satisfaz assim a necessidade da estrutura propondo uma aeronave de construção rápida, baixo custo e capaz de responder às necessidades de um controlo cooperativo, validada segundo uma análise teórica, computacional com base no XFLR5, experimental através do túnel aerodinâmico e prática através de ensaios em voo. This paper presents a validated aircraft structure capable of satisfying the demands of swarm robotics, integrated on the ideas of the Investigation and Development plan of the Portuguese Air Force Academy Research Centre. Once the necessities of a swarm robotics system are presented, associated to a specific electric structure, the flight systems able to fulfil the purpose are revealed. After being capable of sizing and modeling the body where all these systems will be allocated, the flying wing design is in order. This wing is made with foam on the majority of its structure, and the main central body requires an additive manufacturing process. Comparing with other small sized aircraft and analytic methods to calculate the values of wing and power loading, a final computational model is developed justifying the airfoils used on its design. The final project is a flying wing with a take-off weight of 1,2 kg and a wingspan of 1 m. It is validated through a computer aerodynamic tool analyzing its behavior concerning its aerodynamics and stability. Afterwards, a scale model from 1/1,25 is created in order to be used on the wind tunnel. Data from these tests is compared with the computer aerodynamic tool validating the aircraft throughout this method. Subsequently a real size prototype is exposed to flight tests validating once again the project. This being said, the final objective is achieved, suggesting an aircraft, theoretically validated and reinforced with wind tunnel and flight tests, fast-constructed, low budget and able to answer the requirements of a swarm robotics system. N/A

Formations are the spatial organization of objects or entities according to some predefined pattern. They can be found in nature, in social animals such as fish schools, and insect colonies, where the spontaneous organization into emergent structures takes place. Formations have a multitude of applications such as in military and law enforcement scenarios, where they are used to increase operational performance. The concept is even present in collective sports modalities such as football, which use formations as a strategy to increase teams efficiency. Swarm robotics is an approach for the study of multi-robot systems composed of a large number of simple units, inspired in self-organization in animal societies. These have the potential to conduct tasks too demanding for a single robot operating alone. When applied to the coordination of such type of systems, formations allow for a coordinated motion and enable SRS to increase their sensing efficiency as a whole. In this dissertation, we present a virtual structure formation control synthesis for a multi-robot system. Control is synthesized through the use of evolutionary robotics, from where the desired collective behavior emerges, while displaying key-features such as fault tolerance and robustness. Initial experiments on formation control synthesis were conducted in simulation environment. We later developed an inexpensive aquatic robotic platform in order to conduct experiments in real world conditions. Our results demonstrated that it is possible to synthesize formation control for a multi-robot system making use of evolutionary robotics. The developed robotic platform was used in several scientific studies. As formações consistem na organização de objetos ou entidades de acordo com um padrão pré-definido. Elas podem ser encontradas na natureza, em animais sociais tais como peixes ou colónias de insetos, onde a organização espontânea em estruturas se verifica. As formações aplicam-se em diversos contextos, tais como cenários militares ou de aplicação da lei, onde são utilizadas para aumentar a performance operacional. O conceito está também presente em desportos coletivos tais como o futebol, onde as formações são utilizadas como estratégia para aumentar a eficiência das equipas. Os enxames de robots são uma abordagem para o estudo de sistemas multi-robô compostos de um grande número de unidades simples, inspirado na organização de sociedades animais. Estes têm um elevado potencial na resolução de tarefas demasiado complexas para um único robot. Quando aplicadas na coordenação deste tipo de sistemas, as formações permitem o movimento coordenado e o aumento da sensibilidade do enxame como um todo. Nesta dissertação apresentamos a síntese de controlo de formação para um sistema multi-robô. O controlo é sintetizado através do uso de robótica evolucionária, de onde o comportamento coletivo emerge, demonstrando ainda funcionalidadeschave tais como tolerância a falhas e robustez. As experiências iniciais na síntese de controlo foram realizadas em simulação. Mais tarde foi desenvolvida uma plataforma robótica para a condução de experiências no mundo real. Os nossos resultados demonstram que é possível sintetizar controlo de formação para um sistema multi-robô, utilizando técnicas de robótica evolucionária. A plataforma desenvolvida foi ainda utilizada em diversos estudos científicos.

Submitted by Boris Flegr (boris@uerj.br) on 2021-01-06T19:19:55Z No. of bitstreams: 1 Luigi Maciel Ribeiro.pdf: 3722818 bytes, checksum: 4e20be50c3403c7f97c335e29267d008 (MD5) Made available in DSpace on 2021-01-06T19:19:55Z (GMT). No. of bitstreams: 1 Luigi Maciel Ribeiro.pdf: 3722818 bytes, checksum: 4e20be50c3403c7f97c335e29267d008 (MD5) Previous issue date: 2018-05-30 The interest of the academic community in solving highly complex problems has been growing in recent years, putting an emphasis on the use of Swarm Intelligence. The Swarm Intelligence has a biological inspiration, proposed from the social observation of self-organizing species such as ants, bees and termites. Cooperation is the central idea, it allows the solution of complex problems with the coordinated accomplishment of small tasks, which together lead to a common goal. This coordination is only possible with an efficient Task Allocation. The allocation should be dynamic, as it must react to the problem and swarm changes, and also to have a distributed and stochastic solution, respecting the biological collective behavior that inspired the Swarm Intelligence. Particle swarm optimization (PSO) is an optimization algorithm that meets these requirements by managing a set of particles that navigate in a limited search space where the particle's current position is a possible solution. The position of each particle is adaptive in function of its own experience and the experience of the others. Inspired by the PSO, the Alocação Dinâmica de Tarefas em Cluster (ADTC) algorithm was proposed. The algorithm ADTC assigns tasks to a group of robots in a totally distributed way, where each one will represent a particle and its position of the search space will represent a feasible allocation. Based on the PSO, the ADTC performs an oriented search of the space, using the same concept of adaptive speed. However, this process requires an intense exchange of information between robots, and can hinder the task allocation for large swarms. In this dissertation, we propose the use of the cluster communication topology, capable of optimizing the communication process between robots, making the allocation of tasks of large swarms. The results obtained using the cluster topology are compared to those obtained with the complete mesh topology, showing the impact of the communication optimization on the performance of the dynamic allocation of tasks. On average, the results show an optimization of 30%. O interesse da comunidade acadêmica, em solucionar problemas de alta complexidade, vem crescendo nos últimos anos, intensificando a utilização da Inteligência de Enxame. A inteligência de Enxame possui inspiração biológica, proposta a partir da observação social de espécies auto-organizáveis, como formigas, abelhas, cupins, entre outros. A cooperação é a ideia central, pois possibilita a solução de problemas complexos com a realização coordenada de pequenas tarefas, que somadas levam a um objetivo comum. Essa coordenação só é possível com uma Alocação de Tarefas eficiente. A alocação deverá ser dinâmica, pois deve reagir às alterações do problema e do enxame, e também possuir uma solução distribuída e estocástica, respeitando o comportamento coletivo biológico que inspirou a Inteligência de Enxame. Otimização por enxame de partículas Particle swarm optimization - PSO) é um algoritmo de otimização que atende à esses requisitos, gerenciando um grupo de partículas que navegam em um espaço de busca limitado, onde a posição atual da partícula é uma possível solução. A posição de cada partícula é adaptativa em função da sua própria experiência e da experiência das demais. Com inspiração no PSO, o algoritmo Alocação Dinâmica de Tarefas em Cluster (ADTC) foi proposto. O algoritmo ADTC realiza a alocação de tarefas para um grupo de robôs de forma totalmente distribuída, onde cada um dos robôs representará uma partícula e a sua posição no espaço de busca representará uma alocação factível. Baseado no PSO, o ADTC realiza uma busca orientada do espaço, utilizando o mesmo conceito de velocidade adaptativa. Porém, esse processo exige uma intensa troca de informações entre os robôs, podendo ser um empecilho para grandes enxames. Nesta dissertação é proposta a utilização da topologia de comunicação em cluster, capaz de otimizar processos de comunicação, viabilizando a alocação de tarefas de grandes enxames. Os resultados obtidos com a topologia em cluster são comparados com os obtidos com a topologia em malha completa, mostrando o impacto da otimização da comunicação no desempenho da alocação dinâmica de tarefas. Na média, os resultados apresentam uma otimização de 30%.

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico Em diversas situações, o volume de tarefas a serem cumpridas não pode ser realizado por um único robô. Assim, um campo que tem despertado crescente interesse é a investigação do comportamento de enxame de robôs de busca. Estratégias de cooperação e controle desse enxame devem ser consideradas para um desempenho eficiente do time de robôs. Existem várias técnicas clássicas em inteligência artificial que são capazes de resolver este problema. Neste trabalho um conjunto de técnicas bio-inspiradas, que engloba um modelo baseado em autômatos celulares com memória e feromônio invertido, foi considerado inicialmente para coordenar um time de robôs na tarefa de forrageamento para ambientes previamente conhecidos. Os robôs do time compartilham o mesmo ambiente, comunicando-se através do feromônio invertido, que é depositado por todos os agentes a cada passo de tempo, resultando em forças de repulsão e maior cobertura do ambiente. Por outro lado, o processo de retorno para o ninho é baseado no comportamento social observado no processo de evacuação de pedestres, resultando em forças de atração. Todos os movimentos deste processo são de primeira escolha e a resolução de conflitos proporciona uma característica não-determinista ao modelo. Posteriormente, o modelo base foi adaptado para a aplicação nas tarefas de coleta seletiva e busca e resgate. Os resultados das simulações foram apresentados em diferentes condições de ambiente. Além disso, parâmetros como quantidade e disposição da comida, posição dos ninhos e largura, constantes relacionadas ao feromônio, e tamanho da memória foram analisados nos experimentos. Em seguida, o modelo base proposto neste trabalho para tarefa de forrageamento, foi implementado usando os robôs e-Puck no ambiente de simulação Webots, com as devidas adaptações. Por fim, uma análise teórica do modelo investigado foi analisado através da teoria dos grafos e das filas. O método proposto neste trabalho mostrou-se eficiente e passível de ser implementado num alto nível de paralelismo e distribuição. Assim, o modelo torna-se interessante para a aplicação em outras tarefas robóticas, especialmente em problemas que envolvam busca multi-objetiva paralela. In several situations, the volume of tasks to be accomplished can not be performed by a single robot. Thus, a field that has attracted growing interest is the behavior investigation of the search swarm robots. Cooperation and control strategies of this swarm should be considered for an efficient performance of the robot team. There are several classic techniques in artificial intelligence that are able to solve this problem. In this work a set of bio-inspired techniques, which includes a model based on cellular automata with memory and inverted pheromone, was initially considered to coordinate a team of robots in the task of foraging to previously known environments. The team's robots share the same environment, communicating through the inverted pheromone, which is deposited by all agents at each step of time, resulting in repulsive forces and increasing environmental coverage. On the other hand, the return process to the nest is based on the social behavior observed in the process of pedestrian evacuation, resulting in forces of attraction. All movements in this process are first choice and conflict resolution provides a non-deterministic characteristic to the model. Subsequently, the base model was adapted for the application in the tasks of selective collection and search and rescue. The results of the simulations were presented under different environment conditions. In addition, parameters such as amount and arrangement of food, nest position and width, pheromone-related constants, and memory size were analyzed in the experiments. Then, the base model proposed in this work for foraging task, was implemented using the e-Puck robots in the simulation environment Webots, with the appropriate adaptations. Finally, a theoretical analysis of the investigated model was analyzed through the graphs and queuing theory. The method proposed in this work proved to be efficient and capable of being implemented at a high level of parallelism and distribution. Thus, the model becomes interesting for the application in other robotic tasks, especially in problems that involve parallel multi-objective search. Tese (Doutorado)

Submitted by Boris Flegr (boris@uerj.br) on 2021-01-06T19:18:59Z No. of bitstreams: 4 Nicolas Bulla Cruz Pt1.pdf: 2441499 bytes, checksum: 07cb121ffed76182b29d8621b477058d (MD5) Nicolas Bulla Cruz Pt2.pdf: 3979076 bytes, checksum: 7a338bf3c30fe51c1a0ad05376fddf7d (MD5) Nicolas Bulla Cruz Pt3.pdf: 4302887 bytes, checksum: e096220d0e76326ce1827366660e4e20 (MD5) Nicolas Bulla Cruz Pt4.pdf: 4138814 bytes, checksum: 72babfd8fe1fb40247438340807372a2 (MD5) Made available in DSpace on 2021-01-06T19:18:59Z (GMT). No. of bitstreams: 4 Nicolas Bulla Cruz Pt1.pdf: 2441499 bytes, checksum: 07cb121ffed76182b29d8621b477058d (MD5) Nicolas Bulla Cruz Pt2.pdf: 3979076 bytes, checksum: 7a338bf3c30fe51c1a0ad05376fddf7d (MD5) Nicolas Bulla Cruz Pt3.pdf: 4302887 bytes, checksum: e096220d0e76326ce1827366660e4e20 (MD5) Nicolas Bulla Cruz Pt4.pdf: 4138814 bytes, checksum: 72babfd8fe1fb40247438340807372a2 (MD5) Previous issue date: 2014-04-15 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Multi-Robots Systems provide advantages over a single robot when performing a task, achieving a greater speed, higher accuracy and better fault tolerance. The studies of social behavior in nature have allowed to develop bio-inspired algorithms useful in swarm robotics. Following simple and repetitive rules, groups of robots can provide solutions to complex problems. When two or more tasks to be executed by a set of heterogeneous robots, it is possible to cluster the robots according to their intrinsic features. When homogeneous robots are used, the clustering may be achieved by considering the robot relative position regarding the location where the task has to be performed or adding some other distinct feature. In this dissertation, a technique for spatial clustering simply based on local communication between robots is proposed. Through the message exchange between neighboring robots, this technique allows cluster formation without robot movement. Based on the token clustering methods, the proposed technique employs a virtual token, which is called a load. The load allows identifying the class to which a robot belongs. Depending on the amount and weight of the loads available in the system, the robots interchange information to achieve uniform load distribution. When the loads become stationaries, a density is calculated as to guide the remaining loads that are still in motion. As a consequence, the loads of higher weight cluster first and the those of lower weight continue shifting through the swarm, until they start forming different density ranges for each class, thereby achieving the final aim which is robot clustering. Os Sistemas Multi-Robôs proporcionam vantagens sobre um robô individual, quando da realização de uma tarefa com maiores velocidade, precisão e tolerância a falhas. Os estudos dos comportamentos sociais na natureza têm permitido desenvolver algoritmos bio-inspirados úteis na área da robótica de enxame. Seguindo instruções simples e repetitivas, grupos de robôs, fisicamente limitados, conseguem solucionar problemas complexos. Quando existem duas ou mais tarefas a serem realizadas e o conjunto de robôs é heterogêneo, é possível agrupá-los de acordo com as funcionalidades neles disponíveis. No caso em que o conjunto de robôs é homogêneo, o agrupamento pode ser realizado considerando a posição relativa do robô em relação a uma tarefa ou acrescentando alguma característica distintiva. Nesta dissertação, é proposta uma técnica de clusterização espacial baseada simplesmente na comunicação local de robôs. Por meio de troca de mensagens entre os robôs vizinhos, esta técnica permite formar grupos de robôs espacialmente próximos sem precisar movimentar os robôs. Baseando-se nos métodos de clusterização de fichas, a técnica proposta emprega a noção de fichas virtuais, que são chamadas de cargas, sendo que uma carga pode ser estática ou dinâmica. Se uma carga é estática permite determinar a classe à qual um robô pertence. Dependendo da quantidade e do peso das cargas disponíveis no sistema, os robôs intercambiam informações até alcançar uma disposição homogênea de cargas. Quando as cargas se tornam estacionárias, é calculada uma densidade que permite guiar aquelas que estão ainda em movimento. Durante as experiências, foi observado visualmente que as cargas com maior peso acabam se agrupando primeiro enquanto aquelas com menor peso continuam se deslocando no enxame, até que estas cargas formem faixas de densidades diferenciadas para cada classe, alcançando assim o objetivo final que é a clusterização dos robôs.

Submitted by Boris Flegr (boris@uerj.br) on 2021-01-06T19:18:56Z No. of bitstreams: 1 Rafael Mathias de Mendonca.pdf: 1801698 bytes, checksum: 83d3645ae3dfda5988ec0b2f9a2cc1aa (MD5) Made available in DSpace on 2021-01-06T19:18:56Z (GMT). No. of bitstreams: 1 Rafael Mathias de Mendonca.pdf: 1801698 bytes, checksum: 83d3645ae3dfda5988ec0b2f9a2cc1aa (MD5) Previous issue date: 2014-02-21 Swarm Intelligence has been proposed based on the observation of social behavior of insect species, birds and fishes. The main idea of this collective behavior is to perform a complex task decomposing it into many simple tasks, that can be easily performed by individuals of the swarm. Coordinated realization of these simple tasks while adhering to a pre-defined distribution of execution, allows for the achievement of the original complex task. The problem of task allocation arises from the need of assigning tasks to individuals in a coordinated fashion, allowing a good management of the swarm. Task allocation is a dynamic process because it requires a continuous adjustment in response to changes in the environment, the swarm configuration and/or the performance of the swarm. Swarm robotics emerges from this context of collective cooperation applied to swarms of real robots. In this approach, complex problems are solved by performing complex tasks using swarms of simple robots, with a limited processing and communication capabilities. Aiming at achieving flexibility and reliability, the allocation should emerge as a result of a distributed process. With the decentralization of the problem and the increasing number of robots in the swarm, the allocation process acquires a high complexity. Thus, the problem of task allocation can be characterized as an optimization process that assigns tasks to robots, so that the desired proportion is met at the end of the optimization process, find the desired solution. In this dissertation, we propose two algorithms that follow different to the problem of dynamic task allocation approaches: one is local and the other global. The algorithm for dynamic allocation of tasks with a local approach (ADTL) updates the task assignment of each robot based on a deterministic assessment of the current knowledge it has so far about the tasks allocated to the other robots of the swarm. The algorithm for dynamic task allocation with a global approach (ADTG) updates the allocation of tasks based on a swarm optimization process, inspired by PSO (Particle swarm optimization). In ADTG, each robot has a possible solution to the swarm allocation, which is continuously updated through the exchange of information between the robots. The allocations are evaluated for their fitness in meeting the goal proportion. When the allocation of highest fitness in the swarm is identified, all robots of the swarm are allocated to the tasks defined by this allocation. The proposed algorithms were implemented on swarms of different arrangements of real robots demonstrating their efficacy, robustness and efficiency, certified by obtained the results. A Inteligência de Enxame foi proposta a partir da observação do comportamento social de espécies de insetos, pássaros e peixes. A ideia central deste comportamento coletivo é executar uma tarefa complexa decompondo-a em tarefas simples, que são facilmente executadas pelos indivíduos do enxame. A realização coordenada destas tarefas simples, respeitando uma proporção pré-definida de execução, permite a realização da tarefa complexa. O problema de alocação de tarefas surge da necessidade de alocar as tarefas aos indivíduos de modo coordenado, permitindo o gerenciamento do enxame. A alocação de tarefas é um processo dinâmico pois precisa ser continuamente ajustado em resposta a alterações no ambiente, na configuração do enxame e/ou no desempenho do mesmo. A robótica de enxame surge deste contexto de cooperação coletiva, ampliada à robôs reais. Nesta abordagem, problemas complexos são resolvidos pela realização de tarefas complexas por enxames de robôs simples, com capacidade de processamento e comunicação limitada. Objetivando obter flexibilidade e confiabilidade, a alocação deve emergir como resultado de um processo distribuído. Com a descentralização do problema e o aumento do número de robôs no enxame, o processo de alocação adquire uma elevada complexidade. Desta forma, o problema de alocação de tarefas pode ser caracterizado como um processo de otimização que aloca as tarefas aos robôs, de modo que a proporção desejada seja atendida no momento em que o processo de otimização encontre a solução desejada. Nesta dissertação, são propostos dois algoritmos que seguem abordagens distintas ao problema de alocação dinâmica de tarefas, sendo uma local e a outra global. O algoritmo para alocação dinâmica de tarefas com abordagem local (ADTL) atualiza a alocação de tarefa de cada robô a partir de uma avaliação determinística do conhecimento atual que este possui sobre as tarefas alocadas aos demais robôs do enxame. O algoritmo para alocação dinâmica de tarefas com abordagem global (ADTG) atualiza a alocação de tarefas do enxame com base no algoritmo de otimização PSO (Particle swarm optimization). No ADTG, cada robô possui uma possível solução para a alocação do enxame que é continuamente atualizada através da troca de informação entre os robôs. As alocações são avaliadas quanto a sua aptidão em atender à proporção-objetivo. Quando é identificada a alocação de maior aptidão no enxame, todos os robôs do enxame são alocados para as tarefas definidas por esta alocação. Os algoritmos propostos foram implementados em enxames com diferentes arranjos de robôs reais demonstrando sua eficiência e eficácia, atestados pelos resultados obtidos.