Deep reinforcement learning multi-sensor based navigation and control (2024)
- Authors:
- Autor USP: MARÃO, LUIZ AFONSO BATALHA - EESC
- Unidade: EESC
- Sigla do Departamento: SEM
- DOI: 10.11606/T.18.2024.tde-04062025-095959
- Subjects: REDES NEURAIS; ROBÔS; SISTEMAS DE CONTROLE; ROBÓTICA; APRENDIZAGEM PROFUNDA
- Keywords: Multi-sensores.; Navegação.
- Agências de fomento:
- Language: Inglês
- Abstract: Essa tese tem como objetivo explorar uma abordagem inovadora no domínio do controle autônomo de robôs móveis. Busca substituir a estrutura de controle móvel clássica, abrangendo o sistema de controle, reconhecimento e desvio de obstáculos, e o planejamento de trajetórias, por uma solução mais avançada baseada em Inteligência Artificial (IA) usando Deep Reinforcement Learning (DRL). Ao adotar o DRL, essa pesquisa busca descobrir possibilidades inovadoras e avaliar sua eficácia em diferentes níveis de dificuldade e estratégias para a navegação dos robôs. Uma das principais contribuições do método proposto é sua capacidade de aprender a realizar a fusão de dados oriundos de múltiplos sensores, incluindo entradas visuais. Ao assimilar informações de várias fontes, o sistema movido por IA adquire uma compreensão mais abrangente do ambiente, levando a uma tomada de decisão baseada em uma análise mais profunda, o que aprimora suas capacidades de navegação. Para atingir esse objetivo, diversos experimentos foram realizados em ambientes de simulação especialmente projetados para esta tese. Esses ambientes, cuidadosamente desenvolvidos, baseados na competição Robot Trekking 2018 (ROBOCORE, 2018) da Robocore, permitiram a avaliação de diferentes níveis de complexidade e habilidades necessárias para uma navegação e controle bem-sucedidos. Os resultados desses experimentos evidenciaram o compromisso entre recursos computacionais e desempenho dos robôs. À medida que o nível de dificuldade aumenta, a necessidade de recursos mais complexos e computacionalmente custosos fica evidente para sustentar um elevado nível de desempenho. Além disso, a adequabilidade do método proposto abrange diversas combinações de complexidade da tarefa, gravidade das consequências de falhas e disponibilidade de hardware. A implementação desse sistema de navegação e controle baseado em IA via DRL demonstra perspectivas promissoras paraalcançar um controle mais eficiente e robusto de robôs móveis autônomos. As descobertas apresentadas nesta tese oferecem insights valiosos para o avanço e implementação de sistemas robóticos autônomos baseados em DRL em situações do mundo real. A capacidade de aprender a realizar a fusão de dados oriundos de múltiplos sensores (IMU, GPS e encoders), incluindo entradas visuais, representa um passo significativo para aprimorar as capacidades de percepção e tomada de decisão de robôs autônomos em ambientes complexos.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 23.02.2024
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
MARÃO, Luiz Afonso Batalha. Deep reinforcement learning multi-sensor based navigation and control. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-04062025-095959/. Acesso em: 20 jan. 2026. -
APA
Marão, L. A. B. (2024). Deep reinforcement learning multi-sensor based navigation and control (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18162/tde-04062025-095959/ -
NLM
Marão LAB. Deep reinforcement learning multi-sensor based navigation and control [Internet]. 2024 ;[citado 2026 jan. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-04062025-095959/ -
Vancouver
Marão LAB. Deep reinforcement learning multi-sensor based navigation and control [Internet]. 2024 ;[citado 2026 jan. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-04062025-095959/ - Influence of visual observations’ dimensionality reduction on a deep reinforcement learning controlled terrestrial robot
- Genetic approach for coupled dynamics optimization in a multiple degree-of-freedom system
- Ferramentas para pré-processamento e redução dimensional de imagens no reconhecimento e desvio de obstáculos por um robô móvel
- Deep reinforcement learning control of autonomous terrestrial wheeled robots in a challenge task
- Deep reinforcement learning control of an autonomous wheeled robot in a challenge task: combined visual and dynamics sensoring
Informações sobre o DOI: 10.11606/T.18.2024.tde-04062025-095959 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
