Aplicación de herramientas de aprendizaje reforzado y aprendizaje profundo en simulaciones de robótica de enjambre con restricciones físicas.

Abstract

El algoritmo de optimización por enjambre de partículas (Particle Swarm Optimization - PSO) hace referencia a un método heurístico para resolver un tipo de problema computacional que evoca el comportamiento de las partículas en la naturaleza. En un principio fue concebido para elaborar modelos de conductas sociales, como el movimiento descrito por los organismos vivos en una bandada de aves, enjambres de insectos o un banco de peces. Posteriormente el algoritmo se simplificó y se comprobó que era adecuado para problemas de optimización utilizando partículas que simulan un ser individual dentro del enjambre. Tomando esto en consideración, en las fases previas a este proyecto se desarrolló un algoritmo que utiliza métodos de Aprendizaje automático como lo es el aprendizaje profundo y el aprendizaje reforzado con la finalidad de crear un Toolbox en Matlab que optimice la selección de los parámetros que ingresan al sistema para mejorar la velocidad de convergencia de las partículas hacia el mínimo global. En la siguiente tesis se describe implementación de este algoritmo, previamente diseñado, en un entorno de simulación con restricciones físicas, tomando en cuenta las dimensiones del robot y que es capaz de evadir obstáculos colocados dentro del entorno de simulación de forma aleatoria. Este algoritmo ya implementado en un sistema físico busca una rápida convergencia hacia el mínimo global al igual que evitar colisiones entre los robots o con los obstáculos. Por otro lado, se evalúa la viabilidad de la realización de simulaciones de sistemas multi-robot en el entorno de Robotic Operating System (ROS) debido a que es un software popular en el área de robótica, contiene diversas funcionalidades y presenta buenas simulaciones de condiciones físicas. (A)