Uso de redes neurais profundas para o aprendizado de funções heurísticas para algoritmos de busca de caminhos
Resumo
A busca de caminhos (pathfinding) é uma importante área da Inteligência Artificial que vem sendo pesquisada pelo emprego de redes neurais profundas. Mais especificamente, a pesquisa está voltada para o desenvolvimento de novos algoritmos de busca de caminhos guiados por funções heurísticas, onde essas funções são implementadas por redes neurais profundas. Em essência, funções heurísticas são usadas por variados algoritmos de busca para estimar a distância de uma posição atual até uma posição objetivo, onde a posição atual (representada como um nodo do espaço de buscas) que tem a melhor estimativa é priorizada no processo de investigação do menor caminho entre tais posições. Funções heurísticas tradicionais, como a distância Euclidiana e distância de Manhattan, por exemplo, guiam de forma ótima a busca de caminhos em mapas que não possuem muitos obstáculos. Porém, quando obstáculos são comuns no ambiente de busca, essas funções heurísticas começam a perder a eficiência visto que muitos nós do espaço de busca podem ter que ser analisados. Este trabalho propõe e testa o emprego de redes neurais profundas no aprendizado de funções heurísticas que permitam melhor guiar algoritmos de busca de caminhos. O objetivo é verificar se tais funções heurísticas fundamentadas em resultados de redes neurais profundas permitem ou não a obtenção de caminhos com boa qualidade em mapas de navegação representados como grades regulares. Experimentos desenvolvidos foram realizados pela execução de buscas de caminhos utilizando funções heurísticas tradicionais, as quais foram comparadas com funções aprendidas por uma rede neural profunda implementada. Os resultados mostram que o uso de redes neurais profundas permite reduzir a expansão dos nodos do espaço de busca mantendo a qualidade dos caminhos e, em algumas situações, reduzir o tempo de execução do algoritmo de busca.
Coleções
Os arquivos de licença a seguir estão associados a este item: