Evitement d’Obstacles pour un Robot Mobile en Utilisant L’apprentissage par Renforcement

Abstract

La programmation d’un robot mobile est une tâche importante nécessitant une modélisation complète de l’environnement. Dans ce travail, on présente une technique de navigation intelligente d’un robot mobile qui nécessite seulement un signal scalaire comme information de retour indiquant la qualité de l’action appliquée. Au lieu de programmer un robot pour qu’il effectue une mission, nous allons le laisser apprendre seul sa propre stratégie. L’algorithme Q-learning de l’apprentissage par renforcement est utilisé pour la navigation d’un robot mobile en discrétisant les espaces d’états et d’actions. Afin d’améliorer les performances, une extension de cet algorithme aux cas continus consiste à introduire des connaissances à priori par un système d’inférence flou est a utiliser ensuite l'algorithme de Q-learning flou pour la tâche de navigation d'un robot mobile.