A hybrid reinforcement learning perspective for autonomous mobile robot control

• Autores: Carlucho, Ignacio
• Año de publicación: 2019
• Idioma: inglés
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: De Paula, Mariano; Acosta, Gerardo G.
• Materia: Robots móviles autónomos; Refuerzos híbridos; Estrategias inteligentes de control; Robótica; Inteligencia artificial; Redes neuronales
• Institución: Universidad Nacional del Centro de la Provincia de Buenos Aires

The low-level control of autonomous mobile robots has been extensivelyaddressed by classical control techniques. However, the variable operativeconditions and different environmental factors faced by these robots havedriven researchers towards the formulation of adaptive control approaches.In this sense, artificial intelligence techniques seem promising since theycan provide a higher level of abstraction to the robot, allowing for moregeneral decision making. Particularly, within these techniques, the rein-forcement learning paradigm has excelled in solving the most diverse typeof problems, by providing a model free unsupervised solution. Further-more, recent developments in the deep reinforcement learning field haveallowed the use of deep neural networks as function approximators of thepolicy function, increasing the generalization performance. In this thesisthe author studies the capabilities of the reinforcement learning paradigmfor the real time low-level control of mobile robots. Making use of existingclassical control techniques and reinforcement learning, hybrid controllersare obtained that take the best of both worlds, enhancing the overall per-formance and effectively achieving adaptive controllers. Extensive resultsin simulation and on different robotic platforms show the promising ap-plicability of these intelligent adaptive controllers for autonomous robots.
El control de bajo nivel de robots móviles autónomos ha sido ampliamente abordado por las técnicas de control clásicas. Sin embargo, las condiciones operativas variables y los diferentes factores ambientales que enfrentan estos robots han llevado a los investigadores hacia la formulación de enfoques de control adaptivo. En este sentido, las técnicas de inteligencia artificial parecen prometedoras, ya que pueden proporcionar un mayor nivel de abstracción a los robots, lo que permite la toma de decisiones más generales. Particularmente, dentro de estas técnicas, el paradigma de aprendizaje por refuerzos se ha destacado en la resolución de los tipos más diversos de problemas, al proporcionar una solución no supervisada y sin requerir un modelo. Además, los desarrollos recientes en el campo del aprendizaje por refuerzos profundo han permitido el uso de redes neuronales profundas como aproximadores de función de la política, aumentando el rendimiento de generalización. En esta tesis, el autor estudia las capacidades del paradigma de aprendizaje por refuerzo para el control de bajo nivel en tiempo real de robots móviles. Haciendo uso de las técnicas de control clásicas existentes y el aprendizaje por refuerzo, se obtienen controladores híbridos que toman lo mejor de ambos mundos, mejorando el rendimiento general y en consecuencia, logrando controladores adaptivos. Los amplios resultados en simulación y en diferentes plataformas robóticas muestran la prometedora aplicabilidad de estos controladores adaptivos inteligentes para robots autónomos.
Fil: Carlucho, Ignacio. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ingeniería; Argentina.
Fil: Acosta, Gerardo G. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ingeniería; Argentina.
Fil: De Paula, Mariano. Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ingeniería; Argentina.