Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Líneas de Investigación
Buenos Aires / Proyectos de la Línea de Investigación
TI/25/130 - Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
Automatización y Robótica
Resumen
En los ultimos años, el desarrollo exponencial de los métodos de aprendizaje automático han atravesado todas las áreas de la actividad humana. En el ámbito de la robótica, la posibilidad de entrenar el comportamiento de un robot en ambientes dinámicos mediante estos mecanismos se ha convertido en una herramienta de gran utilidad que permite acelerar el desarrollo de robots de este tipo (Kim et al., 2021). Hasta el surgimiento de estas tecnologías, la programación de la interacción de un robot con su ambiente se basaba en un conjunto de modelos matemáticos y heurísticas que implicaban testeos engorrosos y permanentes, con intervención humana directa, lo que consumía una cantidad de tiempo considerable para conseguir algún fruto tangible (Liang et al., 2018). A partir de la aplicación de métodos de aprendizaje automático, los procedimientos de ensayo y error con refuerzo de los éxitos permitieron un entrenamiento menos dependiente de los conocimientos previos, con la posibilidad de generar comportamientos novedosos en las acciones de los robots. Lamentablemente, en robots con desplazamiento espacial como vehículos autónomos y drones, este entrenamiento es muy costoso o imposible en términos de seguridad del dispositivo, así como en el tiempo de puesta a cero después de cada fracaso. Por otra parte, el surgimiento de simuladores con motores de física de alta calidad permitió recrear espacios de entrenamiento de robots, así como la misma estructura del robot, con un alto grado de realismo. De esta manera, el entrenamiento de robots mediante el aprendizaje por refuerzo (AR) se hizo viable en todo tipo de robots utilizando estos espacios de simulación. Al finalizar el entrenamiento, el modelo creado es transportable al robot físico, con un refinamiento posterior mucho más sencillo y limitado en el tiempo (Salvato et al., 2021). La presente investigación propone el estudio de estos espacios de simulación para el entrenamiento de robots móviles mediante AR, como los casos de robots de rescate (con ambientes estables) o de fútbol de robots (con ambientes altamente dinámicos).
Vigencia
4-2025 a 3-2027
Integrantes
Gonzalo Esteban Zabala (Director)
Jorge Ricardo Moran (Investigador)
Joaquin Bares (Alumno)
Carolina Soleil (Colaborador)