Aprendizado por reforço profundo para navegação de um veículo guiado automaticamente

• Autor(a) principal: Welter, Alexsandro Reichert
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30617
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Veículos - Controle automático; Robôs; Sistemas de veículos guiados automatizados; Robótica; Vehicles - Automatic control; Robots; Automated guided vehicle systems; Robotics

Os veículos guiados automaticamente (AGVs) estão relacionados ao problema da navegação autônoma na logística interna, sendo essa uma área muito pertinente na indústria atual. Com a utilização de robôs móveis, que não precisam da atuação humana direta para o seu funcionamento, é possível reduzir custos, aumentar a eficiência e facilitar a manutenção de ambientes de logística interna. Dentre as várias soluções, existe o uso do aprendizado por reforço aplicado ao controle do robô. Essa técnica de aprendizado tem a característica de ter uma troca de informações entre o ambiente e o agente, com o agente buscando objetivos e o ambiente retornando recompensas para cada uma de suas ações. Tais características permitem que o aprendizado ocorra sem o conhecimento prévio do ambiente, sendo esse um grande diferencial para a área da robótica, pela sua adaptabilidade a ambientes dinâmicos e diversos. O presente trabalho tem o objetivo de avaliar o algoritmo Deep Q-learning (DQN) para o uso na navegação autônoma de um robô móvel em ambiente de simulação e realizar a análise dos resultados obtidos.