
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Fabro, João Alberto | - |
| Autor(es): dc.contributor | Fabro, João Alberto | - |
| Autor(es): dc.contributor | Delgado, Myriam Regattieri De Biase da Silva | - |
| Autor(es): dc.contributor | Tacla, Cesar Augusto | - |
| Autor(es): dc.creator | Cardoso, Victor Henrique Amorim | - |
| Data de aceite: dc.date.accessioned | 2026-08-11T11:00:45Z | - |
| Data de disponibilização: dc.date.available | 2026-08-11T11:00:45Z | - |
| Data de envio: dc.date.issued | 2025-11-10 | - |
| Data de envio: dc.date.issued | 2025-11-10 | - |
| Data de envio: dc.date.issued | 2025-02-17 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/38897 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1186617 | - |
| Descrição: dc.description | This work aims to develop an autonomous strategy for decision-making and motion control of differential robots in the 3 versus 3 robots IEEE Very Small Size Soccer category. In this strategy, models obtained using Deep Reinforcement Learning algorithms were used to define the robots’ behaviors according to match situations. Two types of training were designed to obtain these models. The first involves learning how to act based on a specific role (attacker, defender, or goalkeeper) that the robot can assume during a match, using the PPO (Proximal Policy Optimization) algorithm. The second focuses on learning which role, including an additional support role (which was created without Reinforcement Learning for robots without ball possession and whose behavior is to position themselves in locations that assist in attack and defense according to the positions of the robots and the ball), each robot should take based on the match situation, employing the Deep Q-learning algorithm. For positioning the robots in situations like free kicks and penalty kicks, ensuring they reach their positions without colliding with static and dynamic obstacles, Univector Field Navigation was used for path planning, and the PID (Proportional–Integral–Derivative) controller was applied for motion control. The simulation results demonstrate that the developed strategy can operate consistently in all match situations within this category, whether defending, attacking, or positioning in situations like free kicks and penalty, without requiring human intervention. | - |
| Descrição: dc.description | Este trabalho tem como objetivo desenvolver uma estratégia autônoma para a decisão e controle do movimento de robôs diferenciais para a categoria IEEE Very Small Size Soccer de 3 contra 3 robôs. Nessa estratégia, modelos obtidos com o uso de algoritmos de Aprendizado por Reforço Profundo foram utilizados para definir os comportamentos dos robôs conforme as situações de jogo. Dois tipos de treinamento foram criados para obtenção desses modelos. O primeiro consiste no aprendizado da forma de atuar conforme um papel específico (atacante, defensor ou goleiro) que o robô pode ter durante uma partida com o uso do algoritmo PPO (Proximal Policy Optimization). O segundo consiste no aprendizado de qual papel, incluindo um papel adicional de suporte (que foi criado para os robôs sem a posse da bola sem Aprendizado por Reforço e cujo comportamento é se posicionar em locais que auxiliem no ataque e na defesa conforme a posição dos robôs e da bola), cada robô deve assumir conforme a situação da partida, no qual foi utilizado o algoritmo Deep Q-learning. Para posicionamento dos robôs em situações de bola parada, como faltas e pênalti, para que eles cheguem às posições sem colisões em obstáculos estáticos e dinâmicos, foram utilizados Univector Field Navigation, para o planejamento de caminho, e o controlador PID (Proporcional–Integral–Derivativo), para controle do movimento. Os resultados obtidos em simulação mostram que a estratégia criada é capaz de atuar de forma consistente em todas as situações de uma partida da categoria, seja defendendo, atacando ou em posicionamento e cobrança em momentos de bola parada, sem a necessidade de intervenção humana. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Curitiba | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Sistemas de Informação | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Robôs - Programação | - |
| Palavras-chave: dc.subject | Simulação (Computadores) | - |
| Palavras-chave: dc.subject | Robôs - Sistemas de controle | - |
| Palavras-chave: dc.subject | Aprendizado profundo (Aprendizado do computador) | - |
| Palavras-chave: dc.subject | Robots - Programming | - |
| Palavras-chave: dc.subject | Computer simulation | - |
| Palavras-chave: dc.subject | Robots - Control systems | - |
| Palavras-chave: dc.subject | Deep learning (Machine learning) | - |
| Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO | - |
| Título: dc.title | Estratégia autônoma baseada em aprendizado por reforço para a categoria IEEE very small size soccer | - |
| Título: dc.title | Autonomous reinforcement learning-based strategy for the IEEE very small size soccer category | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: