Toma de decisiones conductual de robots móviles inspirada en el cerebro basada en la red de desarrollo motivado

Área de la Ciencia:

• Robótica
• Inteligencia Artificial
• Neurociencia Computacional

Sus antecedentes:

• La navegación de robots móviles en entornos desconocidos presenta desafíos en la eficiencia computacional y el aprendizaje a largo plazo.
• Los métodos existentes tienen dificultades con los espacios de alta dimensionalidad y el mantenimiento de la adaptabilidad a lo largo del tiempo.

Objetivo del estudio:

• Proponer un modelo mejorado de toma de decisiones conductual para robots móviles.
• Mejorar la eficiencia computacional, la capacidad de aprendizaje a largo plazo y la adaptabilidad en entornos desconocidos.

Principales métodos:

• Integración de una red neuronal profunda con un mecanismo de remodelación neuronal y una estrategia de tamaño de paso adaptativo.
• Integración ponderada de la red de desarrollo motivado y la red objetivo de Deep Q-Network para una mejor estimación del valor Q.
• Mecanismo de remodelación neuronal para restablecer la edad de las neuronas y mitigar la disminución del aprendizaje.
• Estrategia de tamaño de paso adaptativo para una planificación de rutas optimizada basada en la proximidad a los obstáculos.

Principales resultados:

• Mejora de la fiabilidad de la estimación del valor Q y mejora de la estabilidad y velocidad de convergencia del entrenamiento.
• Mitigación de la disminución de la capacidad de aprendizaje, manteniendo la adaptabilidad y la capacidad de aprendizaje del robot.
• Rendimiento optimizado de la planificación de rutas mediante aceleración y desaceleración dinámicas.
• Mayor flexibilidad y estabilidad en el modelo general de toma de decisiones conductual.

Conclusiones:

• El modelo híbrido propuesto mejora significativamente la toma de decisiones de los robots móviles en entornos desconocidos.
• La integración de aprendizaje profundo, remodelación neuronal y estrategias adaptativas ofrece una solución robusta para los desafíos de navegación.
• Las simulaciones y los experimentos físicos confirman el potencial del modelo para aplicaciones en el mundo real.