GENERACIÓN DE ESTRATEGIA DEFENSIVA EN ROBOCUP SSL MEDIANTE APRENDIZAJE REFORZADO

Abstract

Reinforcement learning is an area of machine learning inspired by behaviorist psychology, concerned with how software agents ought to take actions to achieve some task in a previously unknown environment so as to maximize some notion of cumulative reward, based only on the interaction between the agent and the environment. This paper will focus on a comparative between two reinforcement learning algorithms, where the objective is the development of dynamic, real-time defensive strategies for the RoboCup Small Size League soccer competition, where a set of actions are executed by a centralized agent that controls wirelessly and autonomously all the robots of the team, and where the RoboCup USM team actively participates, from which this study arises (group within the Innovacion y Robotica Estudiantil, formerly known as Centro de Robotica). All of this subject to latency restrictions and environment adaptability.

El aprendizaje reforzado es un area del aprendizaje de maquinas inspirada en la psicolog a conductista, que busca determinar las acciones que un agente debe escoger para lograr una cierta tarea en un entorno previamente desconocido, con este n, se introduce la nocion de recompensa acumulativa, la cual se busca maximizar mediante la interaccion entre el agente y su entorno. En el presente escrito se realizara un estudio comparativo entre dos algoritmos de aprendizaje reforzado, donde la tarea a aprender sera el desarrollo de una estrategia defensiva de juego dinamica y en tiempo real para la competencia de futbol RoboCup Small Size League, en donde se ejecutan acciones mediante un agente centralizado que controla de forma autonoma todos los robots, y donde participa de forma activa el equipo RoboCup USM desde el cual nace este trabajo (grupo perteneciente a Innovacion y Robotica Estudiantil, antes conocido como Centro de Robotica). Todo esto sujeto a restricciones de latencia y adaptabilidad al entorno.