Generación de Movimientos Coordinados de Enjambre en Múltiples Drones a través de Algoritmos de Aprendizaje Profundo

EL presente trabajo de grado plantea un algoritmo de aprendizaje profundo basado en Q learning que permite a un grupo de agentes representar un movimiento de enjambre, específicamente leader follower implementando una repulsión entre agentes y evasión de obstáculos fijos. El modelo de aprendizaje incluye dos métodos para disminuir el riesgo de divergencia del algoritmo, el primero de ellos es la inclusión de una memoria de experiencias para el sistema y por otro lado el uso de una segunda . La convergencia del Algoritmo lograda en menos de 6000 episodios se verificó con ayuda de la librería MATPLOT para posteriormente ser implementando en el ambiente de simulación del software CoppeliaSim. La evaluación del sistema de implementación del modelo se realizó por medio de 6 experimentos, cada uno de ellos representando distintas situaciones de evasión de obstáculos y seguimiento de líder demostrando que el modelo entrenado cumple correctamente con lo esperado.

• Autores: Gómez Garzón, Nicolás David; Peña Castro, Néstor Harbey
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/46788
• Acceso en línea: http://hdl.handle.net/11634/46788
• Palabra clave: Leader-follower; deep reinforcement learning; deep learning; swarm; Deep Q networks; Pybullet; trajectory; simulation; repulsion; Ingeniería Electrónica; Algoritmos-Aprendizaje; Software; Métodos de simulación; enjambre; drones; aprendizaje por refuerzo profundo; Movimientos Coordinados; Repulsión; Simulación; Pybullet; trayectoria
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia