Navegación autónoma en túneles usando aprendizaje reforzado offline

Abstract

Una de las grandes limitantes de ocupar aprendizaje reforzado en aplicaciones reales es que usualmente este tipo de métodos requiere interactuar con el ambiente por largos períodos, lo que puede resultar costoso e inclusive peligroso dependiendo de la tarea. Por otro lado, el aprendizaje reforzado offline permite entrenar agentes accediendo a datos previamente recolectados, prescindiendo de la interacción con el ambiente y por tanto reduciendo riesgos y costos. Es por esta razón que resulta prometedor aplicar este tipo de métodos para optimizar procesos en industrias que poseen muchas restricciones. En este trabajo se propone un método que utiliza aprendizaje reforzado offline para el entrenamiento de agentes capaces de controlar de forma autónoma vehículos mineros de gran envergadura al interior de túneles, mejorando la eficiencia y seguridad en la operación de este tipo de máquinas al ofrecer una alternativa a la operación realizada por humanos, la cual posee ineficiencias y peligros inherentes a la minería. Adicionalmente, se realizan diversos experimentos en un entorno simulado los cuales validan el método propuesto y explican los principales requerimientos para poder aplicar el método en un entorno real.