Soluciones de navegación inteligente para plataformas robóticas entrenadas en entornos virtuales
La navegación visual es la capacidad que tiene un agente autónomo de encontrar su camino en un entorno amplio y complejo basado únicamente en información visual. De hecho, es un problema fundamental en la visión por computador y la robótica. En este proyecto se propone un modelo basado en deep reinf...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Recursos: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/39971 |
| Acesso em linha: | http://hdl.handle.net/10017/39971 |
| Access Level: | acceso abierto |
| Palavra-chave: | Navegación visual Robótica Visión por ordenador Deep reinforcement learning Robotics Computer vision Telecomunicaciones Telecommunication |
| Resumo: | La navegación visual es la capacidad que tiene un agente autónomo de encontrar su camino en un entorno amplio y complejo basado únicamente en información visual. De hecho, es un problema fundamental en la visión por computador y la robótica. En este proyecto se propone un modelo basado en deep reinforcement learning que es capaz de navegar en una escena para alcanzar un objetivo visual, pero anticipando las posibles colisiones dentro del entorno. Técnicamente, se propone un modelo de tipo map-less, que sigue un método de reinforcement learning conocido como actor-critic, en donde la función de recompensa ha sido diseñada para evitar colisiones. Se expone una evaluación exhaustiva del modelo para el entorno virtual AI2-THOR, donde los resultados muestran que el modelo propuesto: 1) mejora el estado del arte en términos de número de pasos y de colisiones; 2) es capaz de converger más rápido que un modelo que no tiene en cuenta las colisiones, buscando únicamente el camino más corto; y 3) ofrece una interesante capacidad de generalización para alcanzar objetivos visuales que no han sido nunca vistos durante el entrenamiento. |
|---|