Sistema de navegación para robot móvil basado en redes neuronales y aprendizaje por refuerzo
[ES] El presente Trabajo de Fin de Máster pretende desarrollar un sistema de navegación autónoma para un robot móvil TurtleBot3 Burger, utilizando una aproximación de control basada en el Deep Reinforcement Learning (DRL). El objetivo principal es entrenar una red neuronal para que el robot aprenda...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/228645 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/228645 |
| Access Level: | acceso abierto |
| Palabra clave: | Robot Móvil Redes Neuronales Aprendizaje por Refuerzo Mobile Robot Neural Networks Reinforcement Learning Máster Universitario en Automática e Informática Industrial-Màster Universitari en Automàtica i Informàtica Industrial |
| Sumario: | [ES] El presente Trabajo de Fin de Máster pretende desarrollar un sistema de navegación autónoma para un robot móvil TurtleBot3 Burger, utilizando una aproximación de control basada en el Deep Reinforcement Learning (DRL). El objetivo principal es entrenar una red neuronal para que el robot aprenda a navegar de manera óptima y autónoma dentro de un entorno dado para así llegar a un objetivo establecido. El sistema de control, programado en Python y obtenido mediante la exportación de su modelo ONNX, interactúa con el robot real a través de la comunicación proporcionada por ROS 2, garantizando una conexión fluida y eficiente. La fase inicial del trabajo consiste en el entrenamiento del agente. Para ello, se emplea el programa de simulación Isaac Sim, en el cual se implementan el modelo virtual del TurtleBot3 Burger y el entorno donde se lleva a cabo la ejecución. En conjunto con el framework Isaac Lab, permite entrenar la red neuronal en un ambiente seguro, generando los datos e información necesaria para un aprendizaje robusto y eficiente, sin la necesidad de un entrenamiento intensivo en el hardware físico. Una vez finalizada la fase de entrenamiento y validación en el entorno virtual, el modelo se transfiere al robot físico, habiendo hecho las pruebas pertinentes en el programa de simulación Gazebo. La comunicación entre el algoritmo de control y el robot se realiza mediante nodos de ROS 2, que procesan la información de los sensores del robot y envían las acciones calculadas por la red neuronal, permitiendo una navegación autónoma y segura en el mundo real. Este trabajo demuestra la viabilidad de utilizar el Deep Reinforcement Learning para resolver problemas de navegación robótica complejos, validando un flujo de trabajo que va desde la simulación al despliegue en hardware real. Los conocimientos adquiridos y la infraestructura creada servirán como base para futuras investigaciones en el campo de la robótica autónoma. |
|---|