BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20230101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20241004T180000
DTEND;TZID=America/Sao_Paulo:20241004T190000
DTSTAMP:20260519T102939
CREATED:20241004T123157Z
LAST-MODIFIED:20241004T123157Z
UID:9459-1728064800-1728068400@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura  Matías Sandacz
DESCRIPTION:Título: Generación de locomoción para un robot hexápodo usando Aprendizaje Por Refuerzo Profundo.\nDirector: Dr. Pablo De Cristóforis.\nCo-director: Lic. Nicolás Romero.\nJurados: Dr. Gustavo Landfried\, Dr. Gastón Castro. \nResumen: \nLos robots con patas articuladas se destacan por su capacidad para realizar tareas en entornos no estructurados\, hostiles o incluso inaccesibles para otros robots terrestres con sistemas de locomoción basado en ruedas u orugas. Al mismo tiempo pueden transportar más carga y operar durante más tiempo que los vehículos aéreos no tripulados. Sus habilidades para realizar movimientos omnidireccionales y atravesar terrenos irregulares los convierten en una excelente opción para diversas aplicaciones\, tales como: misiones de Búsqueda y Rescate Urbano (USAR por sus siglas en inglés) en situaciones de catástrofe\, operar en ambientes subterráneos como minas e inclusive para la exploración extra planetaria. Sin embargo\, es sabido que el control de movimiento de este tipo de robots es sumamente desafiante debido a la cantidad de grados de libertad involucrados. Por otro lado\, el control clásico requiere conocer en detalle la física del robot lo cual agrega una dificultad extra y limita su portabilidad a otros sistemas. \nEn este trabajo adoptamos un enfoque alternativo a las estrategias de control tradicional\, empleando Aprendizaje por Refuerzo Profundo (DRL del inglés Deep Reinforcement Learning). Presentamos un controlador para la locomoción para un robot hexápodo que se adapta a distintos tipos de terrenos.  Durante el entrenamiento hacemos uso de un curriculum de terrenos\, es decir\, que a medida que el robot va experimentando\, incrementamos progresivamente la dificultad\, con terrenos cada vez más desafiantes. La hipótesis central de este trabajo es que\, posteriormente a la etapa de aprendizaje\, el robot\npueda adaptarse a terrenos no explorados durante su entrenamiento. Los experimentos realizados en simulación utilizando Gazebo muetras la factibilidad del enfoque propuesto. El sistema fue desarrollado bajo ROS (Robot Operating System) y se encuentra disponible para la comunidad en: https://github.com/lrse/hexapod-locomotion/
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-matias-sandacz/
LOCATION:Aula 1303
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR