Decision-making system for a robotic agent based on reinforcement learning

Abstract

[EN] In this project, a decision-making system, based on artificial emotions is proposed for the resolution of problems in autonomous robotic agents. Specifically, it is based on the application of reinforcement learning techniques to the production of artificial emotions, which allows the agent to get motivated to solve the problem in the more efficient way. The agent takes into account the importance, opportunity and urgency when it faces a new situation, and is the learning system the one which determines how these 3 appraisals are distributed, determining the proper emotional state to take the correct decision. The application used to test this approach consists of a simulation of a crash, where the robotic agent has the mission of cleaning up strains and collecting pieces resulting from an accident. On a previously developed basis in C++ Builder programming environment, functionalities are added completing the simulator. In addition, the Python language with its multiple libraries and the TensorFlow framework are used to develop the learning system through neural networks.

[ES] En este proyecto se propone un sistema de toma de decisiones, basado en emociones artificiales, para la resolución de problemas de agentes robóticos autónomos. En concreto, se basa en la aplicación de técnicas de aprendizaje por refuerzo para la generación de emociones artificiales que consigan motivar al agente a resolver el problema de la manera más eficiente posible. El agente tiene en cuenta la importancia, la oportunidad y la urgencia a la hora de enfrentarse a una situación, y es el sistema de aprendizaje el que determina cómo se distribuyen esas 3 valoraciones, determinando el estado emocional adecuado para llevar a cabo la decisión correcta. La aplicación sobre la que se realizan las pruebas de este trabajo consiste en una simulación de un accidente, donde el agente robótico tiene la misión de limpiar manchas y recoger piezas fruto de un accidente. Sobre una base desarrollada anteriormente en el entorno de programación C++ Builder, se añaden funcionalidades completando el simulador. Además, se utiliza el lenguaje Python y sus múltiples librerías, y el framework TensorFlow para desarrollar el sistema de aprendizaje mediante redes neuronales.