Avaliação de modelos baseados em aprendizado de máquina para previsão de comportamentos de robôs futebolísticos

Abstract

Este trabalho apresenta o desenvolvimento e a análise comparativa de modelos de apren dizado de máquina para a predição de comportamentos de robôs futebolísticos, utilizando dados reais de posicionamento provenientes de sistemas de visão computacional da Robo Cup Small Size League (SSL). A metodologia empregada abrangeu a aquisição e conversão de dados, engenharia de atributos cinemáticos e tratamento de ruídos. Duas abordagens distintas foram avaliadas: um modelo de Regressão Linear e uma rede neural recorrente do tipo Long Short-Term Memory (LSTM). Os experimentos compararam o desempenho dos modelos em função da variação do tamanho da janela histórica e do horizonte de predição, utilizando como métricas o erro posicional e o tempo de inferência. O modelo de Regressão Linear atingiu um valor de raiz do erro quadrático médio (RMSE) mínimo de 2,23 mm, com tempo médio de inferência de aproximadamente 0,22 ms. A rede LSTM apresentou melhor desempenho preditivo no melhor cenário avaliado, alcançando RMSE de 1,65 mm, porém com tempos de treinamento e inferência significativamente superiores. Os resulta dos indicam que a Regressão Linear oferece uma solução robusta e de baixa latência para predições de curto prazo. Em contraste, a rede LSTM demonstrou uma maior capacidade de generalização para trajetórias complexas e não-lineares, com um custo computacional superior.