Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo
- Autores
- Sandacz, Matías
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión publicada
- Colaborador/a o director/a de tesis
- De Cristóforis, Pablo Esteban
Romero, Nicolás - Descripción
- En este trabajo, introducimos una metodología basada en aprendizaje por refuerzo para el aprendizaje de la locomoción de un robot hexápodo sobre distintos tipos de terrenos. Durante el entrenamiento, a medida que el robot va experimentando con terrenos cada vez más desafiantes, incrementaremos progresivamente su dificultad. La hipótesis central de este trabajo es que, posteriormente a la etapa de aprendizaje, el robot pueda adaptarse a terrenos no explorados durante su entrenamiento. Los experimentos realizados en simulación utilizando Gazabo muestra la factibilidad del enfoque propuesto. El sistema fue desarrollado bajo ROS (Robot Operating System) y se encuentra disponible para la comunidad en https://github.com/lrse/hexapod-locomotion/.
Fil: Sandacz, Matías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. - Materia
-
ROBOT HEXAPODO
APRENDIZAJE POR REFUERZO
ROS
GAZEBO - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar
- Repositorio
- Institución
- Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
- OAI Identificador
- seminario:seminario_nCOM000813_Sandacz
Ver los metadatos del registro completo
id |
BDUBAFCEN_8378e21f66deeade66dae1f184c2c358 |
---|---|
oai_identifier_str |
seminario:seminario_nCOM000813_Sandacz |
network_acronym_str |
BDUBAFCEN |
repository_id_str |
1896 |
network_name_str |
Biblioteca Digital (UBA-FCEN) |
spelling |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundoSandacz, MatíasROBOT HEXAPODOAPRENDIZAJE POR REFUERZOROSGAZEBOEn este trabajo, introducimos una metodología basada en aprendizaje por refuerzo para el aprendizaje de la locomoción de un robot hexápodo sobre distintos tipos de terrenos. Durante el entrenamiento, a medida que el robot va experimentando con terrenos cada vez más desafiantes, incrementaremos progresivamente su dificultad. La hipótesis central de este trabajo es que, posteriormente a la etapa de aprendizaje, el robot pueda adaptarse a terrenos no explorados durante su entrenamiento. Los experimentos realizados en simulación utilizando Gazabo muestra la factibilidad del enfoque propuesto. El sistema fue desarrollado bajo ROS (Robot Operating System) y se encuentra disponible para la comunidad en https://github.com/lrse/hexapod-locomotion/.Fil: Sandacz, Matías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesDe Cristóforis, Pablo EstebanRomero, Nicolás2024-10-04info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nCOM000813_Sandaczspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-04T09:49:27Zseminario:seminario_nCOM000813_SandaczInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-04 09:49:28.956Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse |
dc.title.none.fl_str_mv |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
title |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
spellingShingle |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo Sandacz, Matías ROBOT HEXAPODO APRENDIZAJE POR REFUERZO ROS GAZEBO |
title_short |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
title_full |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
title_fullStr |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
title_full_unstemmed |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
title_sort |
Generación de locomoción para un robot hexápodo usando aprendizaje por refuerzo profundo |
dc.creator.none.fl_str_mv |
Sandacz, Matías |
author |
Sandacz, Matías |
author_facet |
Sandacz, Matías |
author_role |
author |
dc.contributor.none.fl_str_mv |
De Cristóforis, Pablo Esteban Romero, Nicolás |
dc.subject.none.fl_str_mv |
ROBOT HEXAPODO APRENDIZAJE POR REFUERZO ROS GAZEBO |
topic |
ROBOT HEXAPODO APRENDIZAJE POR REFUERZO ROS GAZEBO |
dc.description.none.fl_txt_mv |
En este trabajo, introducimos una metodología basada en aprendizaje por refuerzo para el aprendizaje de la locomoción de un robot hexápodo sobre distintos tipos de terrenos. Durante el entrenamiento, a medida que el robot va experimentando con terrenos cada vez más desafiantes, incrementaremos progresivamente su dificultad. La hipótesis central de este trabajo es que, posteriormente a la etapa de aprendizaje, el robot pueda adaptarse a terrenos no explorados durante su entrenamiento. Los experimentos realizados en simulación utilizando Gazabo muestra la factibilidad del enfoque propuesto. El sistema fue desarrollado bajo ROS (Robot Operating System) y se encuentra disponible para la comunidad en https://github.com/lrse/hexapod-locomotion/. Fil: Sandacz, Matías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. |
description |
En este trabajo, introducimos una metodología basada en aprendizaje por refuerzo para el aprendizaje de la locomoción de un robot hexápodo sobre distintos tipos de terrenos. Durante el entrenamiento, a medida que el robot va experimentando con terrenos cada vez más desafiantes, incrementaremos progresivamente su dificultad. La hipótesis central de este trabajo es que, posteriormente a la etapa de aprendizaje, el robot pueda adaptarse a terrenos no explorados durante su entrenamiento. Los experimentos realizados en simulación utilizando Gazabo muestra la factibilidad del enfoque propuesto. El sistema fue desarrollado bajo ROS (Robot Operating System) y se encuentra disponible para la comunidad en https://github.com/lrse/hexapod-locomotion/. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-10-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
https://hdl.handle.net/20.500.12110/seminario_nCOM000813_Sandacz |
url |
https://hdl.handle.net/20.500.12110/seminario_nCOM000813_Sandacz |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
publisher.none.fl_str_mv |
Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital (UBA-FCEN) instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales instacron:UBA-FCEN |
reponame_str |
Biblioteca Digital (UBA-FCEN) |
collection |
Biblioteca Digital (UBA-FCEN) |
instname_str |
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
instacron_str |
UBA-FCEN |
institution |
UBA-FCEN |
repository.name.fl_str_mv |
Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
repository.mail.fl_str_mv |
ana@bl.fcen.uba.ar |
_version_ |
1842340721399431168 |
score |
12.623145 |