[en] A SIMULATION STUDY OF TRANSFER LEARNING IN DEEP REINFORCEMENT LEARNING FOR ROBOTICS

• Ano de defesa: 2020
• Autor(a) principal: EVELYN CONCEICAO SANTOS BATISTA
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] TRANSFERENCIA DE APRENDIZADO; [pt] APRENDIZADO POR REFORCO PROFUNDO; [pt] AMBIENTES COMPLEXOS; [pt] REDE NEURAL CONVOLUCIONAL; [pt] ROBO AUTONOMO; [en] TRANSFER LEARNING; [en] DEEP REINFORCEMENT LEARNING; [en] COMPLEX ENVIRONMENTS; [en] CONVOLUTIONAL NEURAL NETWORK; [en] AUTONOMOUS ROBOT
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=49051&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=49051&idi=2; http://doi.org/10.17771/PUCRio.acad.49051

[pt] Esta dissertação de mestrado consiste em um estudo avançado sobre aprendizado profundo por reforço visual para robôs autônomos através de técnicas de transferência de aprendizado. Os ambientes de simulação testados neste estudo são ambientes realistas complexos onde o robô tinha como desafio aprender e transferir conhecimento em diferentes contextos para aproveitar a experiência de ambientes anteriores em ambientes futuros. Este tipo de abordagem, além de agregar conhecimento ao robô autônomo, diminui o número de épocas de treinamento do algoritmo, mesmo em ambientes complexos, justificando o uso de técnicas de transferência de aprendizado.