Evaluación de Algoritmos de Navegación a través de Aprendizaje por Refuerzo Profundo sobre el Vehículo Autónomo Deep Racer AWS
Fecha
2023-12-12
Autores
Enlace al recurso
DOI
Cvlac
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000796425
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000380938
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001334709
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001853433
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000380938
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001334709
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001853433
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Cargando...
Resumen
El presente trabajo de grado tiene como objetivo comparar algoritmos de aprendizaje por refuerzo profundo, también conocido como Deep Reinforcement Learning, en el contexto de la navegación autónoma. Se evaluaron tres
algoritmos en particular: SAC (Soft Actor-Critic), PPO (Proximal Policy Optimization) y una versión modificada
de SAC. Las pruebas se llevaron a cabo en el vehículo autónomo Deep Racer de la empresa AWS.
Para llevar a cabo la evaluación, se implementó cada algoritmo tanto en una simulación virtual como en el vehículo autónomo físico. Se realizaron múltiples pruebas en una pista de navegación estandarizada para garantizar la
consistencia de los resultados. Durante estas pruebas, se recopilaron datos sobre el desempeño de cada algoritmo,
incluyendo métricas como el tiempo de ejecución, la distancia recorrida y la velocidad alcanzada.
Después de recopilar los datos experimentales, se realiza un análisis comparativo de los resultados obtenidos por cada
algoritmo. Se evalúa su rendimiento en base a las métricas establecidas y se identifican las fortalezas y debilidades
de cada uno.
Abstract
The present work aims to compare deep reinforcement learning algorithms, also known as Deep Reinforcement Learning,
in the context of autonomous navigation. Three algorithms in particular were evaluated: SAC (Soft Actor-Critic),
PPO (Proximal Policy Optimization) and a modified version of SAC. The tests were carried out on AWS’s Deep
Racer autonomous vehicle.
To conduct the evaluation, each algorithm was implemented on both a virtual simulation and the physical auto nomous vehicle. Multiple tests were conducted on a standardized navigation track to ensure consistency of results.
During these tests, data was collected on the performance of each algorithm, including metrics such as execution
time, distance traveled, and speed achieved.
After collecting the experimental data, a comparative analysis of the results obtained by each algorithm is performed.
Their performance is evaluated based on the established metrics and the strengths and weaknesses of each one are
identified.
Idioma
spa
Palabras clave
Citación
Gil Suarez, A. L. (2023). Evaluación de Algoritmos de Navegación a través de Aprendizaje por Refuerzo Profundo sobre el Vehículo Autónomo Deep Racer AWS [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.
Colecciones
Licencia Creative Commons
Atribución-NoComercial-SinDerivadas 2.5 Colombia