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
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nCOM000813_Sandacz
Acceder
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

Publicaciones similares