Proposta de uma ferramenta de ensino de inteligência artificial utilizando aprendizado por reforço aplicado a solução de labirintos dinâmicos / Proposal for a teaching tool of artificial intelligence using learning by enhancement applied to the solution of dynamic mazes

Ênio dos Santos Silva, Douglas Hemkemaier da Silva, Almir dos Santos Albuquerque, Rogério Cid Bastos

Abstract


Este trabalho, apresenta o desenvolvimento de um sistema de inteligência artificial (IA) aplicado na navegação de robôs autônomos. Particularmente, o sistema de IA, aqui desenvolvido, é  representado pela técnica de aprendizado por reforço (AR) aplicada para a solução de labirintos  dinâmicos. A abordagem de diferentes áreas de pesquisa, como IA, processamento de sinais e controle e automação, permite a investigação de importantes temas da engenharia. Nesse contexto, este trabalho disponibiliza um framework de AR em robótica. Os resultados obtidos  através das estratégias de AR, permitem inferir acerca da qualidade dos sistema de IA implementado e comprovam a eficácia do framework desenvolvido neste artigo.

 

 


Keywords


Aprendizado por reforço (AR); Inteligência Artificial (IA); Robô Autônomo.

References


COPIN, B. Artificial Intelligence Illuminated. Jones & Bartlett Learning. 2004.

GUPTA, B.; SEHGAL, S. Survey on techniques used in autonomous maze solving robot. In Proc. of 5th Int. Conf. on Confluence The Next Generation Information Technology Summit, pages 323–328, 2014, Noida, India.

RUSSELL, P. N. S. Inteligeˆncia Artificial. 3a Edição. Elsevier Brasil. 2014.

SAKIB, S.; CHOWDHURY, A.; AHAMED, S. T.; HASSAN, S. I. Maze solving Algorithm for line following robot and derivation of linear path distance from nonlinear path. 2014.

SILVA, E.; SILVA, D. Desenvolvimento de um sistema robótico controlado por reconhecimento automático de fala com adaptação ao locutor. In Proc. Of the 12th IEEE/IAS Int. Conf. on Industry Applications (INDUSCON), pages 2258–2266, 2016, Curitiba, PR, Brasil.

SUTTON, R.; BARTO, A. Reinforcement Learning: An Introduction. Bradford Book. 1998.

TIJSMA, A. D.; DRUGAN, M. M.; WIERING, M. A. Comparing exploration strategies for q-learning in random stochastic mazes. In Proc. of the IEEE Symposium Series on Computational Intelligence (SSCI), pages 351–359, 2016, Athens, Greece.




DOI: https://doi.org/10.34117/bjdv6n3-248

Refbacks

  • There are currently no refbacks.