NAGIOS: RODERIC FUNCIONANDO

Reinforcement learning in a multi-agent framework for pedestrian simulation

Repositori DSpace/Manakin

IMPORTANT: Aquest repositori està en una versió antiga des del 3/12/2023. La nova instal.lació está en https://roderic.uv.es/

Reinforcement learning in a multi-agent framework for pedestrian simulation

dc.contributor.advisor	Lozano Ibáñez, Miguel
dc.contributor.advisor	Fernández Rebollo, Fernando
dc.contributor.author	Martinez Gil, Francisco Antonio
dc.contributor.other	Departament d'Informàtica	es_ES
dc.date.accessioned	2014-10-28T07:32:30Z
dc.date.available	2014-10-29T07:10:03Z
dc.date.issued	2014
dc.date.submitted	24-10-2014	es_ES
dc.identifier.uri	http://hdl.handle.net/10550/39399
dc.description.abstract	El objetivo de la tesis consiste en la utilización de Aprendizaje por refuerzo (Reinforcement Learning) para generar simulaciones plausibles de peatones en diferentes entornos. Metodología Se ha desarrollado un marco de trabajo multi-agente donde cada agente virtual que aprende un comportamiento de navegación por interacción con el mundo virtual en el que se encuentra junto con el resto de agentes. El mundo virtual es simulado con un motor físico (ODE) que está calibrado con parámetros de peatones humanos extraídos de la bibliografía de la materia. El marco de trabajo es flexible y permite utilizar diferentes algoritmos de aprendizaje (en concreto Q-Learning y Sarsa(lambda) en combinación con diferentes técnicas de generalización del espacio de estados (en concreto cuantización Vectorial y tile coding). Como herramientas de análisis de los comportamientos aprendidos se utilizan diagramas fundamentales (relación velocidad/densidad), mapas de densidad, cronogramas y rendimientos (en términos del porcentaje de agentes que consiguen llegar al objetivo). Conclusiones: Tras una batería de experimentos en diferentes escenarios (un total de 6 escenarios distintos) y los correspondientes analisis de resultados, las conclusiones son las siguientes: - Se han conseguido comportamientos plausibles de peatones -Los comportamientos son robustos al escalado y presentan capacidades de abstracción (comportamientos a niveles táctico y de planificación) -Los comportamientos aprendidos son capaces de generar comportamientos colectivos emergentes -La comparación con otro modelo de peatones estandar (Modelo de Helbing) y los análisis realizados a nivel de diagramas fundamentales, indican que la dinámica aprendida es coherente y similar a una dinámica de peatones.	es_ES
dc.format.extent	264 p.	es_ES
dc.language.iso	en_US	es_ES
dc.subject	simulación de peatones	es_ES
dc.subject	aprendizaje por refuerzo	es_ES
dc.subject	reinforcement learning	es_ES
dc.subject	Aprendizaje automático	es_ES
dc.subject	Q-learning and Sarsa	es_ES
dc.title	Reinforcement learning in a multi-agent framework for pedestrian simulation	es_ES
dc.type	doctoral thesis	es_ES
dc.subject.unesco	UNESCO::CIENCIAS TECNOLÓGICAS::Tecnología de los ordenadores ::Otras	es_ES
dc.subject.unesco	UNESCO::MATEMÁTICAS::Ciencia de los ordenadores::Inteligencia artificial	es_ES
dc.subject.unesco	UNESCO::MATEMÁTICAS::Ciencia de los ordenadores::Simulación	es_ES
dc.embargo.terms	0 days	es_ES