Comparação entre algoritmos de aprendizado por reforço profundo e controlador PID aplicados ao seguimento de linha
Year: 2026
Type: dissertation
Abstract: apoio ao longo da pós-graduação.Em especial à Cínara, por todo o cuidado e acolhimento durante essa caminhada.Por fim, ao meu orientador, Prof. Dr. Daniel Costa Ramos, meu mais profundo agradecimento.Sua orientação, confiança e apoio foram fundamentais para a realização deste trabalho.Sou muito grato por todos os ensinamentos e pela oportunidade de ter sido seu orientando.Agradeço ao Programa de Pós-Graduação em Engenharia Elétrica (PPG-EELT) da Faculdade de Engenharia Elétrica (FEELT) da Universidade Federal de Uberlândia (UFU) pelo suporte institucional, à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior -Brasil (CAPES) -Código de Financiamento 001, pelo apoio financeiro, e à Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) pelo apoio ao Projeto RoboPatos (APQ-02616-22)."A ciência é uma tentativa, em grande parte bem-sucedida, de entender o mundo."(SAGAN, Carl) RESUMO Este trabalho apresenta uma avaliação experimental comparativa entre seis algoritmos de aprendizado por reforço profundo Deep Deterministic Policy Gradient (DDPG), Twin Delayed DDPG (TD3), Soft Actor-Critic (SAC), Proximal Policy Optimization (PPO), Advantage Actor-Critic (A2C) e Model-Based Reinforcement Learning (MBRL) e o controlador Proporcional-Integral-Derivativo (PID), aplicados ao problema de seguimento de linha por visão computacional em um robô móvel diferencial.Os experimentos foram conduzidos em ambiente simulado, considerando três cenários de complexidade geométrica crescente e duas velocidades de operação, correspondentes a 50% e 75% da velocidade máxima estável do robô.A avaliação considerou métricas de precisão, estabilidade, esforço de controle, taxa de conclusão e robustez.Os resultados indicam que o DDPG apresentou o melhor equilíbrio entre precisão e taxa de conclusão nos cenários avaliados, mantendo desempenho consistente mesmo com o aumento da velocidade.O PID demonstrou resultados competitivos em condições estáveis, com menor esforço de controle, mas apresentou sensibilidade ao aumento de velocidade.Os demais algoritmos de aprendizado por reforço apresentaram erros de rastreamento significativamente maiores.Os resultados reforçam o potencial do aprendizado por reforço profundo para tarefas de controle contínuo em robótica móvel, evidenciando que a escolha do método mais adequado depende dos requisitos específicos da aplicação.
Author: Fabio Souza Junior
Language: Portuguese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: gold
OpenAlex ID: W7220416140
