Deep Reinforcement Learning con MATLAB y Simulink

Descripción general

Diseñar sistemas autónomos (robots, vehículos, asistentes virtuales) requiere resolver problemas de control óptimo muy complejos de abordar de forma práctica, puesto que es difícil definir a priori la estrategia de control y los objetivos para cada variable controlada.

El aprendizaje automático (machine learning) permite entrenar algoritmos de "caja negra" para acometer tareas complejas en base a ejemplos. Una rama particularmente relevante para el control automático es el aprendizaje por refuerzo (reinforcement learning), mediante el cual es posible entrenar a un agente para tomar decisiones en un entorno del cual recibe respuestas con las que recalibrar su estrategia. De esta forma, el agente (nuestro controlador) aprende de las experiencias pasadas en base a "recompensas" proporcionadas por un intérprete de la realidad o "crítico". Cuando agente y crítico se implementan en base a redes neuronales profundas, se habla de deep reinforcement learning

En este seminario práctico entrenaremos a un robot bípedo para caminar de forma óptima. Para ello emplearemos MATLAB, Simulink y la nueva Reinforcement Learning Toolbox. Crearemos un modelo tridimensional del robot en Simscape Multibody y lo haremos caminar por su entorno en sucesivas simulaciones en Simulink para entrenar las redes neuronales que efectuarán el control.

Lo más destacado

  • Deep Learning
  • Reinforcement Learning
  • Robótica
  • Modelado Físico

A quién va dirigido

Docentes e investigadores de áreas relacionadas con el Control Automático o el Aprendizaje Automático.

Acerca del presentador o presentadores

Carlos Sanchis es ingeniero en el Grupo Académico de MathWorks y colabora con profesores e investigadores de las universidades de España y Portugal en proyectos de innovación docente e investigación.

Productos destacados

El registro está completo