Publicação:
Implementação de algoritmos de aprendizado por reforço no controle de um carro pêndulo

Página do item simplificado
dc.contributor.advisor1Assis, Pedro Augusto Queiroz de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5309540309123503pt_BR
dc.contributor.referee1Lobato, Fran
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7640108116459444pt_BR
dc.contributor.referee2Silva, Leonardo
dc.contributor.referee2Latteshttp://lattes.cnpq.br/7676004124949982pt_BR
dc.creatorAlves Júnior, Tércio de Melo
dc.date.accessioned2023-11-10T12:51:08Z
dc.date.available2023-11-10T12:51:08Z
dc.date.issued2023-08-23
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoNo Reinforcement Learning (RL) ou aprendizado baseado em reforço, pretende-se fazer com que o agente aprenda a realizar uma tarefa por meio de interações com o ambiente. Sendo um ramo da Inteligência Artificial não supervisionado, nos métodos de RL o aprendizado é realizado com base em tentativa e erro. O objetivo é determinar a sequência de ações que maximizam o somatório de recompensas a longo prazo, o que é denominado retorno. Neste trabalho serão avaliados quatro algoritmos de aprendizado baseado em reforço para o controle de um carro pêndulo. Em particular são implementados SARSA, Q-Learning, Deep Q-Learning e Double Deep Q-Learning. O objetivo dos métodos con siste em treinar um agente para manter uma haste equilibrada e o carro dentro de um certo intervalo em torno da origem. Com esse propósito é definida uma função que retorna recompensas positivas, caso esses objetivos sejam alcançados, e recompensas negativas, caso contrário. Para tais objetivos, será utilizado a linguagem Python, tanto para implementação, quanto para simulação e exibição dos resultados. Os resultados da simulação no modelo não linear do sistema demonstram a capacidade de aprendizado do agente, pois foi possível realizar a tarefa proposta utilizando todos os métodos implementados. Mais ainda, usando essas simulações, avaliam-se efeitos de variações nos parâmetros de ajuste dos métodos no aprendizado do agente. Esses resultados podem orientar outros projetistas na implementação dos métodos de RL considerados. Constatou-se que o método Double Deep Q-Learning proporcionou um aprendizado mais rápido, tornando-se assim o melhor entre os métodos testados.pt_BR
dc.description.sponsorshipPesquisa sem auxílio de agências de fomentopt_BR
dc.identifier.citationALVES JÚNIOR, Tércio de Melo. Implementação de algoritmos de aprendizado por reforço no controle de um carro pêndulo. 2023. 63 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) – Universidade Federal de Uberlândia, Uberlândia, 2023.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/39375
dc.languageporpt_BR
dc.orcid.putcode146421395
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia Mecatrônicapt_BR
dc.rightsAcesso Abertopt_BR
dc.sizeorduration62pt_BR
dc.subjectSARSApt_BR
dc.subjectReinforcement learningpt_BR
dc.subjectQ-learningpt_BR
dc.subjectDeep q-learningpt_BR
dc.subject.cnpqCNPQ::OUTROS::ENGENHARIA MECATRONICApt_BR
dc.titleImplementação de algoritmos de aprendizado por reforço no controle de um carro pêndulopt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
ImplementaçãoAlgoritmosAprendizado.pdf
Tamanho:
16.58 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar

Coleções

TCC - Engenharia Mecatrônica