Implementação de um algoritmo adaptativo para otimização de condições de avaliação na Robótica Evolutiva

Abstract

A importância dos robôs autônomos, robôs capazes de operar em ambientes desconhecidos sem supervisão humana, vai desde a realização de tarefas comerciais e industriais, até mesmo a substituição do trabalho humano em situações de alto risco. A construção dos mesmos envolve métodos complexos, como os pertencentes à área da Robótica Evolutiva, que aplicam conceitos de evolução biológica no aprendizado de agentes. Um desafio crucial nesse processo é a definição das condições de avaliação, parâmetros que moldam o ambiente de aprendizado e impactam diretamente o desempenho do agente. A seleção inadequada dessas condições pode resultar em baixo desempenho e subexploração do espaço de soluções.Este trabalho propõe um algoritmo adaptativo para a seleção automatizada das melhores condições de avaliação, ajustando dinamicamente os parâmetros com base nas características do agente e do ambiente de simulação. O algoritmo é aplicado em experimentos de otimização evolutiva de controladores robóticos dos ambientes clássicos Pendulum e CartPole. Os resultados demonstram que a adaptação online das condições de avaliação levou a um desempenho inferior em relação ao baseline de comparação, no caso do Pendulum, e 74% superior no CartPole. A análise quantitativa revela que as condições de avaliação afetam de maneira distinta a fitness landscape dependendo do domínio, destacando a necessidade de ajustes específicos para cada cenário.