Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões

Detalhes bibliográficos
Autor(a) principal: Kolling, Álisson Henrique
Data de Publicação: 2023
Idioma: por
Título da fonte: Manancial - Repositório Digital da UFSM
dARK ID: ark:/26339/001300000pqqg
Texto Completo: http://repositorio.ufsm.br/handle/1/28663
Resumo: Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2023.
id UFSM_a6341780f4617c78d4548eb807511d07
oai_identifier_str oai:repositorio.ufsm.br:1/28663
network_acronym_str UFSM
network_name_str Manancial - Repositório Digital da UFSM
repository_id_str
spelling Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensõesParallel deep reinforcement learning applied to drone navigation in three dimensionsRobóticaAprendizado por Reforço ProfundoDronesRoboticsDeep Reinforcement LearningCNPQ::ENGENHARIASTrabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2023.The work presented in this text consists of a study on deep reinforcement learning applied to mapless navigation of drones in three dimensions. For this, two methods were used, D4PG and DSAC, both with parallelization and distribution capabilities. In addition, a prioritized memory was employed in each of the methods. The drone used in the study was the Hydrone, a hybrid quadrotor drone that operates only in the air. The methods were trained in environments of varying complexity, from obstacle-free environments to environments with multiple obstacles in three dimensions. The results showed a good learning capacity of the methods, which were able to achieve the vast majority of the proposed objectives. Additionally, the generalization of the methods was tested by applying them in unseen environments, which showed that the methods had good generalization capacity. In summary, this work presented a study on deep reinforcement learning applied to mapless navigation of drones in three dimensions, with promising results and potential applications in various contexts related to robotics and autonomous air navigation.O trabalho apresentado neste texto consiste em um estudo sobre aprendizado por reforço profundo aplicado à navegação sem mapa de drones em três dimensões. Para isso, foram utilizados dois métodos, o D4PG e o DSAC, ambos com capacidade de paralelização e distribuição. Além disso, foi empregada uma memória priorizada em cada um dos métodos. O drone utilizado no estudo foi o Hydrone, um drone quadrotor híbrido que atua somente em meio aéreo. Os métodos foram treinados em ambientes de complexidade variada, desde ambientes sem obstáculos até ambientes com múltiplos obstáculos em três dimensões. Os resultados apresentaram uma boa capacidade de aprendizagem dos métodos, que foram capazes de alcançar a grande maioria dos objetivos propostos. Além disso, a generalização dos métodos foi testada, com a aplicação destes em ambientes não vistos, o que mostrou que os métodos apresentaram boa capacidade de generalização. Em resumo, este trabalho apresentou um estudo sobre aprendizado por reforço profundo aplicado à navegação sem mapa de drones em três dimensões, com resultados promissores e potenciais aplicações em diversos contextos relacionados à robótica e à navegação aérea autônoma.Universidade Federal de Santa MariaBrasilUFSMCentro de TecnologiaGamarra, Daniel Fernando TelloKolling, Álisson Henrique2023-04-12T18:47:15Z2023-04-12T18:47:15Z2023-02-232023Trabalho de Conclusão de Curso de Graduaçãoinfo:eu-repo/semantics/publishedVersionapplication/pdfKOLLING, A. H. Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões. 2023. 95 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) - Universidade Federal de Santa Maria, Santa Maria, RS, 2023.http://repositorio.ufsm.br/handle/1/28663ark:/26339/001300000pqqgporAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/embargoedAccessreponame:Manancial - Repositório Digital da UFSMinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM2023-04-12T18:47:15Zoai:repositorio.ufsm.br:1/28663Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufsm.br/ONGhttps://repositorio.ufsm.br/oai/requestatendimento.sib@ufsm.br||tedebc@gmail.comopendoar:2023-04-12T18:47:15Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)false
dc.title.none.fl_str_mv Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
Parallel deep reinforcement learning applied to drone navigation in three dimensions
title Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
spellingShingle Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
Kolling, Álisson Henrique
Robótica
Aprendizado por Reforço Profundo
Drones
Robotics
Deep Reinforcement Learning
CNPQ::ENGENHARIAS
title_short Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
title_full Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
title_fullStr Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
title_full_unstemmed Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
title_sort Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões
author Kolling, Álisson Henrique
author_facet Kolling, Álisson Henrique
author_role author
dc.contributor.none.fl_str_mv Gamarra, Daniel Fernando Tello
dc.contributor.author.fl_str_mv Kolling, Álisson Henrique
dc.subject.por.fl_str_mv Robótica
Aprendizado por Reforço Profundo
Drones
Robotics
Deep Reinforcement Learning
CNPQ::ENGENHARIAS
topic Robótica
Aprendizado por Reforço Profundo
Drones
Robotics
Deep Reinforcement Learning
CNPQ::ENGENHARIAS
description Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-04-12T18:47:15Z
2023-04-12T18:47:15Z
2023-02-23
2023
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 KOLLING, A. H. Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões. 2023. 95 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) - Universidade Federal de Santa Maria, Santa Maria, RS, 2023.
http://repositorio.ufsm.br/handle/1/28663
dc.identifier.dark.fl_str_mv ark:/26339/001300000pqqg
identifier_str_mv KOLLING, A. H. Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões. 2023. 95 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) - Universidade Federal de Santa Maria, Santa Maria, RS, 2023.
ark:/26339/001300000pqqg
url http://repositorio.ufsm.br/handle/1/28663
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/embargoedAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv embargoedAccess
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_ 1815172374969974784

Registros relacionados