dc.contributor.advisor | Gamarra, Daniel Fernando Tello | |
dc.creator | Kich, Victor Augusto | |
dc.date.accessioned | 2023-03-21T13:06:27Z | |
dc.date.available | 2023-03-21T13:06:27Z | |
dc.date.issued | 2023-02-06 | |
dc.date.submitted | 2023-02-06 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/28310 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2023. | por |
dc.description.abstract | 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. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Paralelo Distribuído | por |
dc.subject | Aprendizado por Reforço Profundo | por |
dc.subject | Robôs Móveis Terrestres | por |
dc.subject | Navegação sem Mapa | por |
dc.subject | Parallel Distributional | eng |
dc.subject | Deep Reinforcement Learning | eng |
dc.subject | Terrestrial Mobile Robot | eng |
dc.subject | Mapless Navigation | eng |
dc.title | Aprendizado por reforço profundo distribucional paralelo para navegação sem mapa de robôs móveis terrestres | por |
dc.title.alternative | Parallel distributional deep reinforcement learning for mapless navigation of terrestrial mobile robots | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia de Computação | por |
dc.description.resumo | 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. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |