1. Repositório Institucional - Universidade Federal de Uberlândia
2. Faculdade de Engenharia Mecânica (FEMEC)
3. TCC - Engenharia Mecatrônica

ORCID:	http://orcid.org/0009-0002-6727-3866
Tipo do documento:	Trabalho de Conclusão de Curso
Tipo de acesso:	Acesso Aberto
Título:	Implementação de algoritmos de aprendizado por reforço no controle de um carro pêndulo
Autor(es):	Alves Júnior, Tércio de Melo
Primeiro orientador:	Assis, Pedro Augusto Queiroz de
Primeiro membro da banca:	Lobato, Fran
Segundo membro da banca:	Silva, Leonardo
Resumo:	No 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.
Palavras-chave:	SARSA Reinforcement learning Q-learning Deep q-learning
Área(s) do CNPq:	CNPQ::OUTROS::ENGENHARIA MECATRONICA
Idioma:	por
País:	Brasil
Editora:	Universidade Federal de Uberlândia
Referência:	ALVES 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.
URI:	https://repositorio.ufu.br/handle/123456789/39375
Data de defesa:	23-Ago-2023
Aparece nas coleções:	TCC - Engenharia Mecatrônica

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.