Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres

Detalhes bibliográficos
Autor(a) principal: Kich, Victor Augusto
Data de Publicação: 2023
Idioma: por
Título da fonte: Manancial - Repositório Digital da UFSM
dARK ID: ark:/26339/001300000j5nn
Texto Completo: http://repositorio.ufsm.br/handle/1/28310
Resumo: Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2023.
id UFSM_1ac246646fafaf33085203ef3e1ecf14
oai_identifier_str oai:repositorio.ufsm.br:1/28310
network_acronym_str UFSM
network_name_str Manancial - Repositório Digital da UFSM
repository_id_str
spelling Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestresParallel distributional deep reinforcement learning for mapless navigation of terrestrial mobile robotsParalelo DistribuídoAprendizado por Reforço ProfundoRobôs Móveis TerrestresNavegação sem MapaParallel DistributionalDeep Reinforcement LearningTerrestrial Mobile RobotMapless NavigationCNPQ::ENGENHARIASTrabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2023.This paper presents a study of deep reinforcement learning techniques that uses parallel distributional actor-critic networks to navigate terrestrial mobile robots. The proposed approaches are developed taking into account only a couple of laser range findings, the relative position and angle of the mobile robot to the target as inputs to make a robot reach the desired goal in an environment. Was used a sim-to-real development structure, where the agents trained in a robot simulator are deployed in real scenarios to enhance the evaluation. The obtained results show that parallel distributional deep reinforcement learning algorithms, with continuous actions, are effective for the decision-make of a terrestrial robotic vehicle and outperform the classical behavior-based algorithm approach in terms of speed and navigation capability.Este trabalho apresenta um estudo de técnicas de aprendizagem de reforço profundo que utiliza redes distributivas paralelas de atores-críticos para navegar com robôs móveis terrestres. As abordagens propostas são desenvolvidas levando em conta apenas algumas descobertas de alcance de laser, a posição relativa e o ângulo do robô móvel em relação ao alvo como entradas para fazer um robô alcançar a meta desejada em um ambiente. Foram utilizadas uma estrutura de desenvolvimento sim-to-real, onde os agentes treinados em um simulador de robôs são implantados em cenários reais para melhorar a avaliação. Os resultados obtidos mostram que algoritmos de aprendizagem de reforço profundo de distribuição paralela, com ações contínuas, são eficazes para a tomada de decisão de um veículo robótico terrestre e superam a abordagem clássica de algoritmos baseados em comportamento em termos de velocidade e capacidade de navegação.Universidade Federal de Santa MariaBrasilUFSMCentro de TecnologiaGamarra, Daniel Fernando TelloKich, Victor Augusto2023-03-21T13:06:27Z2023-03-21T13:06:27Z2023-02-062023-02-06Trabalho de Conclusão de Curso de Graduaçãoinfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://repositorio.ufsm.br/handle/1/28310ark:/26339/001300000j5nnporAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Manancial - Repositório Digital da UFSMinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM2023-03-21T13:06:27Zoai:repositorio.ufsm.br:1/28310Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufsm.br/ONGhttps://repositorio.ufsm.br/oai/requestatendimento.sib@ufsm.br||tedebc@gmail.comopendoar:2023-03-21T13:06:27Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)false
dc.title.none.fl_str_mv Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
Parallel distributional deep reinforcement learning for mapless navigation of terrestrial mobile robots
title Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
spellingShingle Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
Kich, Victor Augusto
Paralelo Distribuído
Aprendizado por Reforço Profundo
Robôs Móveis Terrestres
Navegação sem Mapa
Parallel Distributional
Deep Reinforcement Learning
Terrestrial Mobile Robot
Mapless Navigation
CNPQ::ENGENHARIAS
title_short Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
title_full Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
title_fullStr Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
title_full_unstemmed Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
title_sort Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres
author Kich, Victor Augusto
author_facet Kich, Victor Augusto
author_role author
dc.contributor.none.fl_str_mv Gamarra, Daniel Fernando Tello
dc.contributor.author.fl_str_mv Kich, Victor Augusto
dc.subject.por.fl_str_mv Paralelo Distribuído
Aprendizado por Reforço Profundo
Robôs Móveis Terrestres
Navegação sem Mapa
Parallel Distributional
Deep Reinforcement Learning
Terrestrial Mobile Robot
Mapless Navigation
CNPQ::ENGENHARIAS
topic Paralelo Distribuído
Aprendizado por Reforço Profundo
Robôs Móveis Terrestres
Navegação sem Mapa
Parallel Distributional
Deep Reinforcement Learning
Terrestrial Mobile Robot
Mapless Navigation
CNPQ::ENGENHARIAS
description Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-03-21T13:06:27Z
2023-03-21T13:06:27Z
2023-02-06
2023-02-06
dc.type.driver.fl_str_mv Trabalho de Conclusão de Curso de Graduação
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://repositorio.ufsm.br/handle/1/28310
dc.identifier.dark.fl_str_mv ark:/26339/001300000j5nn
url http://repositorio.ufsm.br/handle/1/28310
identifier_str_mv ark:/26339/001300000j5nn
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Santa Maria
Brasil
UFSM
Centro de Tecnologia
publisher.none.fl_str_mv Universidade Federal de Santa Maria
Brasil
UFSM
Centro de Tecnologia
dc.source.none.fl_str_mv reponame:Manancial - Repositório Digital da UFSM
instname:Universidade Federal de Santa Maria (UFSM)
instacron:UFSM
instname_str Universidade Federal de Santa Maria (UFSM)
instacron_str UFSM
institution UFSM
reponame_str Manancial - Repositório Digital da UFSM
collection Manancial - Repositório Digital da UFSM
repository.name.fl_str_mv Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)
repository.mail.fl_str_mv atendimento.sib@ufsm.br||tedebc@gmail.com
_version_ 1815172348841558016

Registros relacionados