Catálogo de tesis
Captura y seguimiento de un evasor móvil utilizando Aprendizaje por Refuerzo Profundo
Clasificación
32816
Autor
Companioni Valle, Enrique Manuel (tesista)
Otros autores
Ruiz Lopez Ubaldo (Director de tesis)
Brizuela Rodríguez Carlos Alberto (miembro de comité)
Peña Ramírez Jonatán (miembro de comité)
Brizuela Rodríguez Carlos Alberto (miembro de comité)
Peña Ramírez Jonatán (miembro de comité)
Resumen
El problema de captura dentro del dominio de persecución-evasión en entornos desconocidos con obstáculos constituye uno de los desafíos más relevantes en el campo de la robótica móvil. Tradicionalmente, esta
clase de problemas se ha abordado mediante enfoques de control, representaciones basadas en grafos,
aproximaciones diferenciales e incluso algoritmos genéticos con el objetivo de introducir cierto grado de
inteligencia. No obstante, estos métodos suelen ser efectivos únicamente bajo condiciones especificas y
presentan dificultades para adaptarse o escalar a escenarios más complejos. En este contexto, el presente
trabajo propone la utilización de aprendizaje por refuerzo profundo, empleando como datos de entrada
un conjunto de variables que representan el estado de un robot móvil. El objetivo es aprender una política
de movimiento capaz de navegar en un entorno bidimensional con obstáculos, frente a la presencia de un
agente evasor, con la finalidad de ejecutar exitosamente la tarea de captura. Para ello, se implementó un
simulador que representa un entorno con obstáculos, un perseguidor y un evasor, así como un sistema
de recompensas que guía al perseguidor para completar la tarea de seguimiento y captura. Se empleó
el algoritmo Proximal Policy Optimization (PPO) junto con aprendizaje curricular como métodos de
entrenamiento, evaluando diferentes arquitecturas de redes neuronales y configuraciones del estado del
perseguidor. Los experimentos se llevaron a cabo en entornos de dificultad creciente, denominados niveles, que determinan la complejidad del problema en función de factores como la cantidad de obstáculos,
el rango de captura y las configuraciones iniciales de los agentes. Como resultado, se obtuvieron dos
modelos con buen desempeño en los niveles más difíciles: una red MLP de cuatro capas densas mostró
mejor desempeño en el nivel 3, alcanzando una tasa de éxito de captura de 0.94, mientras que una
arquitectura CNN se desempeñó mejor en el nivel 4, logrando una tasa de éxito de 0.66.
Nota de la tesis
Tesis para obtener el grado de Maestro en Ciencias de la Computación
Institución
Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California
Año de publicación
2025
Detalles físicos
archivo PDF (x, 70 hojas) : ilustraciones
Temas
Persecución-evasión
Robótica móvil
Inteligencia artificial
Aprendizaje
Política de movimiento
Pursuit-evasion
Mobile robotics
Intelligence artificial
Learning
Motion policy
Robótica móvil
Inteligencia artificial
Aprendizaje
Política de movimiento
Pursuit-evasion
Mobile robotics
Intelligence artificial
Learning
Motion policy
Nota
Miembros del Comité: Ruiz Lopez Ubaldo; Brizuela Rodríguez Carlos Alberto; Peña Ramírez JonatánIncluye referencias bibliográficas
Disponibilidad
| Número de inventario | Volumen | Biblioteca | Ubicación | Estado | Nota |
| 32816 | -- | CICESE | Colección de tesis | Disponible |
Cómo citar
Companioni Valle, E. M. 2025.Captura y seguimiento de un evasor móvil utilizando Aprendizaje por Refuerzo Profundo. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. archivo PDF (x, 70 hojas).
Opciones



