Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
|
Abstract
In questa tesi vengono analizzati argomenti legati alla capacità di un drone di poter navigare in maniera autonoma e rilevare un target in un ambiente sconosciuto mentre se ne stima una mappa di occupazione. Queste operazioni devono essere eseguite nel minor tempo possibile e in modo da poter minimizzare l’errore nella detection del target e nella ricostruzione della mappa.
In seguito, l’analisi è stata estesa alla presenza di più droni e ad uno scenario in cui sono presenti più target.
Si è quindi studiato un algoritmo per permettere la mappatura di ambienti interni e l’identificazione di dispositivi di interesse.
In particolare, si è utilizzato un approccio basato sull’apprendimento per rinforzo (reinforcement learning), specificatamente un algoritmo di Q-learning.
Questa tesi ha l’obiettivo, inizialmente, di descrivere i droni e la sensoristica a bordo necessaria per le operazioni di detection e mapping. Successivamente il problema di navigazione è stato formulato seguendo la filosofia dei processi di decisione Markoviana. Una possibile soluzione a questo tipo di
problema è utilizzare algoritmi di apprendimento rinforzato (reinforcement learning) che sono stati descritti nel dettaglio e applicati al caso in esame.
Tramite simulazioni, si è verificata la capacità dell’algoritmo di risolvere il problema in esame, inoltre, si è potuto prendere visione dell’accuratezza nella stima dell’ambiente circostante e della capacità nell’identificazione delle traiettorie migliori dal punto di vista della detection dei target.
Abstract
In questa tesi vengono analizzati argomenti legati alla capacità di un drone di poter navigare in maniera autonoma e rilevare un target in un ambiente sconosciuto mentre se ne stima una mappa di occupazione. Queste operazioni devono essere eseguite nel minor tempo possibile e in modo da poter minimizzare l’errore nella detection del target e nella ricostruzione della mappa.
In seguito, l’analisi è stata estesa alla presenza di più droni e ad uno scenario in cui sono presenti più target.
Si è quindi studiato un algoritmo per permettere la mappatura di ambienti interni e l’identificazione di dispositivi di interesse.
In particolare, si è utilizzato un approccio basato sull’apprendimento per rinforzo (reinforcement learning), specificatamente un algoritmo di Q-learning.
Questa tesi ha l’obiettivo, inizialmente, di descrivere i droni e la sensoristica a bordo necessaria per le operazioni di detection e mapping. Successivamente il problema di navigazione è stato formulato seguendo la filosofia dei processi di decisione Markoviana. Una possibile soluzione a questo tipo di
problema è utilizzare algoritmi di apprendimento rinforzato (reinforcement learning) che sono stati descritti nel dettaglio e applicati al caso in esame.
Tramite simulazioni, si è verificata la capacità dell’algoritmo di risolvere il problema in esame, inoltre, si è potuto prendere visione dell’accuratezza nella stima dell’ambiente circostante e della capacità nell’identificazione delle traiettorie migliori dal punto di vista della detection dei target.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Paglialunga, Andrea
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
autonomous navigation and indoor mapping,reinforcement learning,markov decision process,Q-learning,UAV - Unmanned Aerial Vehicles
Data di discussione della Tesi
25 Novembre 2021
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Paglialunga, Andrea
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
autonomous navigation and indoor mapping,reinforcement learning,markov decision process,Q-learning,UAV - Unmanned Aerial Vehicles
Data di discussione della Tesi
25 Novembre 2021
URI
Statistica sui download
Gestione del documento: