Reinforcement learning aplicado no controle de variáveis de uma casa de vegetação

Abstract

Com a crescente demanda por alimentos e a piora das condições climáticas o uso de casas de vegetação tem se tornado comum, entretanto o controle dessas casas, na grande maioria, tem sido feito por modelos de controladores que necessitam de ajuste manuais, como os clássicos. O objetivo deste projeto é reunir as pesquisas mais recentes sobre o controle das variáveis de um ambiente controlado a fim de criar um protótipo autônomo para gerenciar uma casa de vegetação. A partir de estudos bibliográficos foram encontrados diversos métodos para a otimização do uso dos recursos naturais e artificiais e como aproveitá-los ao máximo para o melhor desenvolvimento dos produtos vegetais. No decorrer deste documento será apontado o que foi descoberto das bibliografias, as suas singularidades, como foram aplicadas e o porquê de serem usadas. Serão descritos os passos do desenvolvimento de uma casa de vegetação doméstica, os algoritmos envolvidos na aquisição e armazenamento de dados, treinamento de algoritmos de tomada de decisões e tomada de ações dentro da casa de vegetação. Para o algoritmo de tomada de decisão foi usado o algoritmo de reinforcement learning, que recentemente tem crescido em popularidade dentro da área de machine learning, a fim de testar sua capacidade fora dos ambientes comumente usados, onde as variáveis de entrada e saída são definidas com exatidão, já que esse algoritmo normalmente se aplica em jogos eletrônicos, que possuem regras, ações e consequências bem definidas. Ao fim do trabalho estarão detalhados os motivos da implementação de reinforcement learning, neste caso, não ter convergido para um modelo funcional, por causa do pouco tempo disponível para treinamento, do mau planejamento da casa de vegetação entre outros, e como os evitar em trabalhos futuros