Autor: Ricardo Bedin Grando (Currículo Lattes)
Resumo
Realizar a navegação entre meios é uma tarefa desafiadora para robôs móveis híbridos, especialmente em cenários com obstáculos. Este trabalho apresenta uma abordagem baseada em aprendizado por reforço profundo (Deep-RL) para navegação autônoma de um tipo específico de robô móvel híbrido: um Veículo Híbrido Tipo Ar-Água (HUAUV). No contexto geral de robôs móveis, abordagens baseadas em informação visual são mais comuns. Entretanto, elas possuem alta sensibilidade a variação de luz e a turbidez, além de demandarem hardware com alta capacidade de processamento que são geralmente pesadas e difíceis de serem embarcadas em HUAUVs. Além disso, abordagens baseadas em informação visual dependem de sensores precisos para realizar uma trajetória sem colisões e o trabalho de mapeamento é inevitável para qualquer cenário. Ao invés disso, a abordagem proposta utiliza somente informação de sensores de distância e de informações relativas à localização do veículo para realizar a navegação. Resultados obtidos mostram que é possível realizar navegação sem mapa do início ao fim sem usar nenhum tipo de operação manual, somente utilizando os agentes baseados em Deep-RL. A navegação dos agentes treinados são comparados com a navegação sem mapa realizada por um algoritmo clássico - BUG2. A abordagem é baseada em dois métodos do estado da arte para navegação sem mapa de robôs terrestres: Política de Gradiente Determinístico Profundo (DDPG) e Soft Actor-Critic (SAC).