Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30617| Título: | Aprendizado por reforço profundo para navegação de um veículo guiado automaticamente |
| Título(s) alternativo(s): | Deep reinforcement learning applied to a automated guided vehicle |
| Autor(es): | Welter, Alexsandro Reichert |
| Orientador(es): | Marin, Luciene de Oliveira |
| Palavras-chave: | Veículos - Controle automático Robôs Sistemas de veículos guiados automatizados Robótica Vehicles - Automatic control Robots Automated guided vehicle systems Robotics |
| Data do documento: | 9-Dez-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | WELTER, Alexsandro Reichert. Aprendizado por reforço profundo para navegação de um veículo guiado automaticamente. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| Resumo: | 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. |
| Abstract: | Automated Guided Vehicles (AGVs) are related to the problem of autonomous navigation in internal logistics, which is a very relevant area in the current industry. With the use of mobile robots, which are controlled without direct human interaction, it is possible to reduce costs, increase efficiency and facilitate the maintenance of internal logistics environments. Among the various solutions, there is the use of reinforcement learning applied to robot control. This learning technique has the characteristic of having an exchange of information between environment and agent, with the agent seeking goals and the environment returning rewards for each of its actions. Such characteristics allow learning to be conducted without prior knowledge of the environment, which is useful in the robotics field, due to its adaptability to dynamic and diverse environments. The present work aims to evaluate the Deep Q-learning (DQN) algorithm for use in autonomous navigation of a mobile robot in a simulation environment and to analyze the results obtained. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30617 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| aprendizadoreforcoveiculoguiado.pdf | 4,02 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
