Mais de um século após a robótica moderna ter surgido, ainda nos deparamos com um cenário onde a maioria do trabalho executado por robôs é pré-determinado, ao invés de autónomo. Uma forte compreensão do ambiente é um dos pontos chave para a autonomia, permitindo aos robôs tomarem decisões corretas baseadas no ambiente que os rodeia. Abordagens mais clássicas para obter controladores de robótica são baseadas na especificação manual, mas tornam-se menos apropriadas à medida que a complexidade aumenta. Métodos de inteligência artificial como algoritmos evolucionários foram introduzidos para obter controladores de robótica através da otimização de uma rede neuronal artificial para uma função de fitness que mede a aptidão dos robôs para resolver uma determinada tarefa. Neste trabalho, é apresentada uma nova abordagem para perceção do ambiente por um enxame de robôs, com um modelo de comportamento baseado na identificação cooperativa de objetos que circulam no ambiente, seguida de uma atuação baseada no resultado da identificação. Os controladores são obtidos através de métodos evolucionários. Os resultados apesentam um controlador com uma alta taxa de identificação e de decisão. Segue-se um estudo sobre o escalonamento da abordagem a múltiplos ambientes. São feitas experiencias num ambiente terrestre, marinho e aéreo, bem como num contexto ideal, ruidoso e híbrido. No contexto híbrido, diferentes samples da evolução ocorrem em diferentes ambientes. Os resultados demonstram a forma como cada controlador se adapta aos restantes ambientes e concluem que a evolução híbrida foi a mais capaz de gerar um controlador robusto e transversal aos diferentes ambientes. Palavras-chave: Robótica evolucionária, Sistemas multi-robô, Cooperação, Perceção, Identificação de objetos, Inteligência artificial, Aprendizagem automática, Redes neuronais, Múltiplos ambientes.

More than half a century after modern robotics first emerged, we still face a landscape in which most of the work done by robots is predetermined, rather than autonomous. A strong understanding of the environment is one of the key factors for autonomy, enabling the robots to make correct decisions based on the environment surrounding them. Classic methods for obtaining robotic controllers are based on manual specification, but become less trivial as the complexity scales. Artificial intelligence methods like evolutionary algorithms were introduced to synthesize robotic controllers by optimizing an artificial neural network to a given fitness function that measures the robots’ performance to solve a predetermined task. In this work, a novel approach to swarm robotics environment perception is studied, with a behavior model based on the cooperative identification of objects that fly around an environment, followed by an action based on the result of the identification process. Controllers are obtained via evolutionary methods. Results show a controller with a high identification and correct decision rates. The work is followed by a study on scaling up that approach to multiple environments. Experiments are done on terrain, marine and aerial environments, as well as on ideal, noisy and hybrid scenarios. In the hybrid scenario, different evolution samples are done in different environments. Results show the way these controllers are able to adapt to each scenario and conclude a hybrid evolution is the best fit to generate a more robust and environment independent controller to solve our task.