Aprendizaje reforzado de políticas robustas para navegación robótica local

Abstract

El problema de navegación autónoma en robótica móvil es uno de los más importantes del área, y consecuentemente, ha sido estudiado durante décadas. En esta tesis, este problema es abordado empleando aprendizaje reforzado. Considerando la descomposición de tareas que sigue la mayoría de los sistemas de navegación clásicos, el foco es puesto en dos sub-problemas específicos: evasión de colisiones, y planificación local. Si bien ambos sub-problemas han sido abordados usando aprendizaje reforzado anteriormente, en este trabajo se muestra que mejoras en desempeño, flexibilidad y aplicabilidad de las políticas entrenadas, pueden lograrse al representar las observaciones de los agentes mediante nubes de puntos 2D para la codificación de mediciones de rango. Mediante extensivas evaluaciones experimentales sobre los casos de estudio abordados, se comprueba que el desempeño final de los agentes mejora al adoptar la representación propuesta, en lugar de representaciones alternativas previamente estudiadas. También se verifica que el enfoque propuesto es compatible con el uso de representaciones diferentes para las observaciones, como imágenes y/o vectores. Finalmente, se muestra que este enfoque provee a los agentes con robustez frente a perturbaciones extremas sobre sus observaciones, y posibilita el aumento de sus capacidades perceptuales mediante estrategias de pre-procesamiento y/o fusión de datos sensoriales.