Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/45560
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorSanz Bobi, Miguel Ángeles-ES
dc.contributor.authorPérez Vicente, Rodrigo de Lazcanoes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2020-03-29T13:55:49Z-
dc.date.available2020-03-29T13:55:49Z-
dc.date.issued2020es_ES
dc.identifier.urihttp://hdl.handle.net/11531/45560-
dc.descriptionMáster Universitario en Ingeniería Industriales_ES
dc.description.abstractEn vista a la incorporación y al auge de sistemas de vehículos aéreos no tripulados, o drones, en un gran marco de sectores de la industria, nuevas aplicaciones tecnológicas para estas máquinas están siendo investigadas. Entre estas tecnologías destaca la navegación completamente autónoma, sin requerir de ninguna supervisión humana. Las técnicas que se están implementando para desarrollar esta tecnología involucran principalmente aprendizaje automático, en particular aprendizaje por refuerzo, combinado con simulaciones del dron para ahorrar costes. Aunque ya se hayan creado aplicaciones reales con este tipo de tecnología, todavía se considera que se encuentra en fase de investigación. De esta manera, el objetivo de este proyecto consiste en el desarrollo de una interfaz de usuario gráfica que permita implementar algoritmos de aprendizaje por refuerzo para facilitar la navegación autónoma de un dron simulado. Dicha plataforma es una primera aproximación para un sistema que habilitará el acceso cómodo a usuarios que busquen investigar sobre la navegación autónoma de drones aplicando técnicas de aprendizaje por refuerzo. En el contexto de este proyecto se desarrollaron y compararon los resultados de cuatro algoritmos de aprendizaje por refuerzo: Q-learning, Double Q-learning, Deep Q-learning y Double Deep Q-learning.es-ES
dc.description.abstractIn view of the incorporation and rise of unmanned aerial vehicle systems, or drones, within a large framework of industry sectors, new technological applications for these machines are being investigated. These technologies include fully autonomous navigation, without requiring any human oversight. The techniques being implemented to develop this technology mainly involve machine learning, in particular reinforcement learning, combined with time-saving drone simulations. Although real applications have already been created with this type of technology, it is still considered to be in the research phase. As a result, the objective of this project is the development of a graphical user interface that allows to implement reinforcement learning algorithms to facilitate the autonomous navigation of a simulated drone. This platform is a first approximation for a system that will enable convenient access to users looking to investigate autonomous drone navigation by applying reinforcement learning techniques. In the context of this project, the results of four reinforcement learning algorithms were developed and compared: Q-learning, Double Q-learning, Deep Q-learning and Double Deep Q-learning.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherH62-electronica (MII-N)es_ES
dc.titlePlataforma para simulación del comportamiento de un dron mediante algoritmos de aprendizaje por refuerzoes_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsUAV, aprendizaje por refuerzo, navegación autónoma, OpenAIGym, ROSes-ES
dc.keywordsUAV, reinforcement learning, autonomous navigation, OpenAIGym, ROSen-GB
Aparece en las colecciones: H62-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM-Perez Vicente, Rodrigo de Lazcano.pdfTrabajo Fin de Máster7,62 MBAdobe PDFVista previa
Visualizar/Abrir
Anexo I.pdfAutorización41,65 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.