Este proyecto investiga el uso de técnicas de Aprendizaje por Refuerzo (Reinforcement Learning, RL) como alternativa para el diseño de estrategias de control en sistemas electromecánicos. En particular, se estudia la aplicación de algoritmos de RL para aprender políticas de control capaces de estabilizar y regular sistemas dinámicos no lineales, tomando como caso de estudio el sistema CartPole.
La propuesta busca comprender los fundamentos teóricos del RL aplicado al control, incluyendo conceptos como procesos de decisión de Markov, funciones de valor y políticas de control, así como explorar diferentes enfoques de aprendizaje como métodos basados en valor, métodos de política y técnicas de Deep Reinforcement Learning.
A través del desarrollo de simulaciones y eventualmente la implementación en un sistema físico, el proyecto pretende comparar estas estrategias con métodos clásicos de control y analizar su comportamiento en entornos dinámicos e inciertos.
Este trabajo se sitúa en la intersección entre la inteligencia artificial, la teoría de control, la robótica y los sistemas electromecánicos, ofreciendo a los estudiantes la oportunidad de experimentar con algoritmos modernos de control inteligente y comprender su potencial en aplicaciones reales.
Ing. Mecatrónica
Ingeniería mecatrónica
Ing. Mecatrónica
Ing. Mecatrónica
Ing. Mecatrónico, Msc. Ingeniería - Automatización Industrial