With advancements in low-energy-consumption multi/many core embedded-computing devices, a logical transition for robotic systems is Supercomputing, formally known as high performance computing (HPC), a tool currently used for solving the most complex problems for humankind such as the origin of the universe, the finding of deceases' cures, etc. As such, HPC has always been focused on scientific inquires. However, its scope can be widening up to include missions carried out with robots. Since a robot could be embedded with computing devices, a set of robots could be set as a cluster of computers, the most reliable HPC infrastructure. The advantages of setting up such an infrastructure are many, from speeding up on-board computation up to providing a multi-robot system with robustness, scalability, user transparency, etc., all key features in supercomputing. This chapter presents a middleware technology for the enabling of high performance computing in multi-robot systems, in particular for aerial robots. The technology can be used for the automatic deployment of cluster computing in multi-robot systems, the utilization of standard HPC technologies, and the development of HPC applications in multiple fields such as precision agriculture, military, civilian, search and rescue, etc.

Atualmente diversos países estão engajados no desenvolvimento sustentável. Uma das peças fundamentais para alcançar esse desenvolvimento é a construção de uma matriz energética que contenha fontes renováveis, que preservam o meio ambiente, e elimine as opções relativas aos combustíveis fósseis. Nesse sentido, uma das fontes mais limpas e renováveis é a energia eólica. O Brasil está entre os dez maiores geradores de energia eólica no mundo. Para a implantação e planejamento de tais sistemas são necessários estudos detalhando o comportamento do vento. Logo, este artigo tem como objetivo realizar a análise estatística e previsão de uma série temporal de velocidades de ventos, na localidade de Arraial do Cabo situado no Rio de Janeiro, por meio do método clássico ARIMA e Redes Neurais MLP (MultiLayer Perceptron) e LSTM (Long Short Term Memory). Os resultados obtidos neste estudo mostram melhor desempenho dos modelos baseados em Redes Neurais sobre o método estatístico, devido às características estocásticas do vento, fenômenos de mesoescala e os outros aspectos climáticos e geográficos da região. Os resultados alcançados indicam que o uso de aprendizado de máquinas (Machine Learning) é um caminho promissor. No entanto, é importante investigar se outras variáveis, além da série histórica de velocidades de vento, podem melhorar a previsão desta.

No abstract