dc.contributor.advisor | Gamarra, Daniel Fernando Tello | |
dc.creator | Kolling, Álisson Henrique | |
dc.date.accessioned | 2023-04-12T18:47:15Z | |
dc.date.available | 2023-04-12T18:47:15Z | |
dc.date.issued | 2023-02-23 | |
dc.date.submitted | 2023 | |
dc.identifier.citation | 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. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/28663 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2023. | por |
dc.description.abstract | 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. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Embargado | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Robótica | por |
dc.subject | Aprendizado por Reforço Profundo | por |
dc.subject | Drones | por |
dc.subject | Robotics | eng |
dc.subject | Deep Reinforcement Learning | eng |
dc.title | Aprendizado por reforço profundo paralelo aplicado a navegação de drones em três dimensões | por |
dc.title.alternative | Parallel deep reinforcement learning applied to drone navigation in three dimensions | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia de Controle e Automação | por |
dc.description.resumo | 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. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |