Otimização de agentes autônomos no AWS DeepRacer: uma abordagem utilizando o algoritmo PPO e trajetórias K1999
Loading...
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Instituto Federal de Educação, Ciência e Tecnologia do Piauí
Resumo
Este trabalho apresenta o desenvolvimento e validação de uma metodologia comparativa para
otimização de agentes autônomos no AWS DeepRacer, contrapondo abordagens Baseline
(orientadas ao centro) e estratégias de tangenciamento K1999. O objetivo foi avaliar o impacto
do pré-processamento offline de pistas na performance e estabilidade do algoritmo PPO.
Utilizou-se Streamlit para calcular linhas de corrida e perfis de velocidade. Os dados revelaram
um trade-off significativo: o traçado K1999 proporcionou o menor tempo absoluto em circuitos
de alta complexidade (17,74s na Tokyo Training Track), mas a rigidez geométrica gerou
instabilidade e saídas de pista. Em contrapartida, os modelos Baseline demonstraram
consistência e dominaram testes de generalização no circuito inédito Summit Speedway, onde
o overfitting geométrico do K1999 prejudicou seu desempenho. Conclui-se que o K1999
maximiza a performance para circuitos conhecidos, enquanto o treinamento convencional
garante adaptabilidade.
Description
Keywords
Reinforcement learning, AWS DeepRacer, PPO - algoritmo, Generalization, K1999 trajectories
Citation
SANTOS, Pedro Victor Venâncio dos. Otimização de agentes autônomos no AWS DeepRacer: uma abordagem utilizando o algoritmo PPO e trajetórias K1999. Orientador: Francisco Marcelino Almeida
Araújo. 2026. 10 f. Trabalho de Conclusão de Curso (Tecnologia em Análise e Desenvolvimento de Sistemas) - Instituto Federal do Piauí, Campus Teresina Central, Teresina, 2026