Título: Aprendizagem por Reforço Profundo com Redes Convolucionais Aplicada à Navegação Autônoma de Robôs Reais Utilizando Treinamento em Cenário Virtual
Autores: Carlos Daniel de Sousa Bezerra, Flavio Henrique Teles Vieira
Resumo: aplicações industriais de sistemas rob oticos móveis autonomos tem exigido o desenvolvimento de algoritmos de navegação autônoma utilizando inteligência artificial. Este artigo propoe um método baseado em algoritmo de aprendizagem por reforço profundo e rede convolucional (DQN-CNN: Deep Q-Network with Convolutional Network) para propiciar navegação autônoma a robôs dotados de câmera RBG, onde a fase de treinamento deste algoritmo e realizada no ambiente de simulação Coppelia VREP com a placa de desenvolvimento Jetson Nano da NVIDIA. A metodologia proposta abrange desde o treinamento em ambiente de simulação até a integração com sistema real. Para prototipação, utiliza-se uma pista de navegação com o rob o controlado por algoritmo de aprendizado por reforço DQN. Os resultados apontam para efetividade da proposta, onde foi possível verificar o robo real desempenhando com sucesso a missão planejada. Espera-se que este trabalho possa contribuir para o avanço da área de robótica móvel e aprendizado por reforço, Além de fornecer uma metodologia útil para pesquisadores e desenvolvedores que trabalham com estas tecnologias
Palavras-chave: DQN, Mobile Robots, Autonomous Navigation, Sim-to-Real
Páginas: 6
Código DOI: 10.21528/CBIC2023-112
Artigo em pdf: CBIC_2023_paper112.pdf
Arquivo BibTeX: CBIC_2023_112.bib