Publication: Deep Reinforcement Learning aplicado a la Conducción Autónoma
Loading...
Identifiers
Publication date
2019-10
Defense date
2019-10-14
Authors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
El aprendizaje por refuerzo ha aumentado mucho su popularidad en los últimos años, principalmente desde la publicación del artículo Playing Atari with Deep Reinforcement Learning, de DeepMind Technologies [1]. Estos algoritmos permiten crear agentes que operen con espacios de estados amplios o estados con rangos continuos, como, por ejemplo, imágenes. Los algoritmos que han ido surgiendo hasta la actualidad, han proporcionado distintas mejoras, como el uso de rangos continuos para las acciones a tomar, la reducción de episodios de entrenamiento o la reducción de la cantidad de experiencia necesaria para obtener una buena política. Sin embargo, a pesar de todos estos avances, el Aprendizaje por Refuerzo no tiene tantas aplicaciones en el mundo real como otras áreas del Aprendizaje Automático y mucha gente cree que le falta mucho por evolucionar para que sea una herramienta realmente útil. En este trabajo de fin de grado se aplica el Aprendizaje por Refuerzo Profundo o Deep Reinforcement Learning en el área de la conducción autónoma para comprobar si es una herramienta viable para esta área. En este documento se explica la evolución del proyecto a través de la resolución de problemas de dificultad progresiva, mediante soluciones y algoritmos cada vez más complejos. Finalmente se construye un vehículo a escala reducida, que aprende a conducir de forma totalmente autónoma, con una cámara como única entrada de datos del mundo real y una Raspberry Pi para procesarlos.
Description
Keywords
Deep Reinforcement Learning, Conducción Autónoma, Deep Q-Learning, Soft Actor-Critic, Variational Autoencoder.