Aprendizaje de movimientos en robot humanoide a partir de inferencia de objetivos

Este documento presenta la aplicación del aprendizaje por refuerzo inverso (IRL por sus siglas en inglés) en un robot humanoide conocido como Poppy Torso, con el fin de realizar movimientos de las extremidades superiores. El aprendizaje por refuerzo inverso se basa en el aprendizaje a partir de las demostraciones (trayectorias) de un experto. Con el fin de obtener una utilidad final lo más cercana a la utilidad obtenida por el experto en su recorrido, previamente se implementa un aprendizaje por refuerzo (RL por sus siglas en inglés) con una recompensa plenamente establecida dentro del entorno diseñado, el cual logró cumplir el objetivo que corresponde a generar movimientos desde un punto aleatorio hasta un punto establecido. El robot en simulación logra en la mayoría de los casos (con un porcentaje del 97.5% realizado sobre 1000 pruebas) llegar a su objetivo, tanto por aprendizaje por refuerzo como por refuerzo inverso.

• Autores: Suarez Huertas, Yeison Estiven
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/30072
• Acceso en línea: http://hdl.handle.net/11634/30072
• Palabra clave: Reinforcement learning; Inverse reinforcement learning; Computational neural networks; Machine Learning; Python; Poppy torso; Inference objectives; humanoid robot; Redes neuronales computacionales; Aprendizaje de máquina; Inferencia de objetivos; Humanoides; Aprendizaje por refuerzo; Aprendizaje por refuerzo inverso; Python; Poppy Torso; Inferencia de objetivos; Robot Humanoide
• Rights: openAccess
• License: Atribución-NoComercial 2.5 Colombia