Mapeamento automatizado de gases com robôs.

Abstract

As operações de inspeção são fundamentais para assegurar a segurança operacional na industria de mineração. Quando realizados em ambientes confinados, esses processos exigem atenção devido aos vários riscos envolvidos, incluindo a presença de gases nocivos e a falta de oxigenio. A presente dissertação compara diferentes modelos de entrada e arquiteturas de redes para o Deep Q Learning (DQN), uma tecnica de aprendizado profundo por reforço. Isso inclui camadas totalmente conectadas, camadas convolucionais e convoluções consolidadas na literatura. O objetivo da dissertação e realizar o rastreamento de dióxido de carbono, configurando diferentes plumas em varios ambientes simulados, utilizando robôs môveis. Além das configurações necessarias para a simulação de uma pluma de gás, a dissertação detalha as configurações, parametros e arquitetura da rede de aprendizado profundo utilizada. Os resultados obtidos em ambientes simulados representativos demonstram a viabilidade da tecnica proposta, abrindo caminho para futuras aplicações com robõs reais.