Comparació d'aproximació genètica i aproximació per a aprenentatge per reforç en un entorn de simulació per a robots netejadors
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2099.1/13129
Tutor / directorAndreu Català, Diego Pardo
Tipus de documentProjecte Final de Màster Oficial
Data2011-06
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
En aquesta tesi es pretén abordar diverses solucions de navegadors per a robots netejadors. La motivació
prové dels robots de neteja casolans, que tendeixen a oferir poca eficàcia. L'objectiu és millorar l'eficàcia
d'aquests robots. Per a millorar l'eficàcia del robot, es planteja buscar nous sistemes de navegació que
incrementin la superfície escombrada.
La solució proposada consistirà en la creació d'un conjunt de controladors mitjançant algorismes genètics i
aprenentatge per reforç que obtinguin navegadors que millorin l'eficàcia de l'algorisme actual.
La metodologia seguida per a mesurar l'eficàcia de un algorisme consisteix en l'ús d'un simulador on ser
avaluat donades unes condicions de temps i entorn.
En la primera part del projecte, es crea una eina simulador nova per motius de velocitat i eficiència.
En una segona part del projecte, es desenvolupa un sistema genètic amb diversos tipus de genètics
probabilístics i un sistema d'aprenentatge per reforç, així com un navegador aleatori de referència. En el cas
de l'aprenentatge per reforç, es presenta un sistema novedós que permetria el robot aprendre en una casa
mentre opera.
Finalment s'han executat, avaluat i contrastat els controladors obtingudes i s'han extret conclusions.
Col·leccions
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
memoria.pdf | Memòria | 1,331Mb | Visualitza/Obre |