Autor: Rafaela Iovanovichi Machado (Currículo Lattes)
Resumo
O Brasil possui um número elevado de plataformas para extração de petróleo e gás natural, um ramo que envolve um alto grau de complexidade em diversos aspectos. Estes empreendimentos movimentam um grande volume de carga com um peso elevado, o que torna inviável utilizar apenas recursos humanos para alocação dos carregamentos. Por isso, as unidades marítimas de produção de petróleo utilizam os guindastes para carga e descarga de componentes, produtos químicos e alimentos. Visando auxiliar as operações de guindastes, este estudo tem como objetivo desenvolver um modelo de planejamento de caminho livre de colisão para a manipulação destes equipamentos. Por este ser um problema complexo e de difícil aquisição de dados, torna-se inviável a utilização de metodologias empregadas em aprendizado supervisionado e não supervisionado, pois estas necessitam de dados anteriores para o treinamento e testes com o modelo. Por isso, para o desenvolvimento do trabalho optou-se pela utilização de técnicas de aprendizado por reforço (reinforcement learning RL), pois nos algoritmos de RL o agente aprende a tomar ações para maximizar uma recompensa acumulada ao longo do tempo, tendo como objetivo aprender a melhor a estratégia de ação em uma determinada situação interagindo com o ambiente ao qual está inserido. Neste contexto, foi desenvolvido um ambiente de simulação para viabilizar o treinamento e testes com algoritmos de RL. Foram testados os algoritmos Deep Deterministic Policy Gradient e Soft Actor-Critic. Seus desempenhos são apresentados e comparados, bem como a sugestão de melhorias e trabalhos futuros.