Robos que aprendem sozinhos

Abstract

projeto proposto explora a aplicação da robótica adaptativa no campo da inteligência artificial, visando à otimização do processo de aprendizado de agentes robóticos. O foco do estudo reside na implementação de uma abordagem automatizada para o Aprendizado por Currículo, uma estratégia que ajusta a dificuldade das tarefas de acordo com o progresso do agente. Para mitigar a limitação de métodos anteriores que dependiam de uma avaliação sistemática do ambiente, a presente pesquisa propôs a utilização de um algoritmo de aprendizado de máquina. Um modelo classificador do tipo RandomForest foi treinado para prever o nível de dificuldade das tarefas, baseando-se no desempenho do agente em um desafio de equilíbrio de bastões. A metodologia empregada incluiu a coleta e o pré-processamento de dados oriundos da evolução do agente, a utilização do algoritmo K-Means para a categorização da dificuldade das tarefas e, subsequentemente, a seleção e a otimização do modelo classificador. Os resultados obtidos demonstram que a abordagem proposta foi eficaz em automatizar a seleção de tarefas, confirmando a capacidade do modelo em prever os níveis de dificuldade com precisão. A integração bem-sucedida do classificador ao algoritmo evolucionário valida a metodologia, consolidando a pesquisa como uma contribuição relevante para a área.