Use este identificador para citar ou linkar para este item:
https://bia.ifpi.edu.br/jspui/handle/123456789/5778| Tipo: | Trabalho de Conclusão de Curso |
| Título: | Otimização de agentes autônomos no AWS DeepRacer: uma abordagem utilizando o algoritmo PPO e trajetórias K1999 |
| Autor: | Santos, Pedro Victor Venâncio dos |
| Orientador(a): | Araújo, Francisco Marcelino Almeida de |
| metadata.dc.contributor.referee1: | Santana, Fernando Castelo Branco Gonçalves |
| metadata.dc.contributor.referee2: | Oliveira Junior, Wilson de |
| 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. |
| Abstract: | This work presents the development and validation of a comparative methodology for optimizing autonomous agents on the AWS DeepRacer platform, contrasting Baseline reward approaches with apex-tracking strategies using K1999 trajectories. The objective was to evaluate the impact of offline track preprocessing on PPO algorithm performance and stability. A Streamlit tool calculated ideal racing lines and speed profiles. Empirical data revealed a significant trade-off: while the K1999 trajectory provided the lowest absolute lap time on high-complexity circuits (17.74s on Tokyo Training Track), geometric constraints resulted in dynamic instability. In contrast, Baseline models demonstrated superior consistency and dominated generalization tests on the unseen Summit Speedway circuit. It is concluded that K1999 acts as a performance maximization tool for known circuits, whereas conventional training ensures adaptability. |
| Palavras-chave: | Reinforcement learning AWS DeepRacer PPO - algoritmo Generalization K1999 trajectories |
| Cnpq: | CNPQ::CIENCIAS EXATAS E DA TERRA |
| metadata.dc.language: | por |
| País: | Brasil |
| Editor: | Instituto Federal de Educação, Ciência e Tecnologia do Piauí |
| Sigla: | IFPI |
| Unidade: | Campus Teresina Central |
| Citação: | 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 |
| Tipo de acesso: | Acesso Aberto |
| URI: | https://bia.ifpi.edu.br/jspui/handle/123456789/5778 |
| Data do documento: | 2026 |
| Aparece nas coleções: | Analise e Desenvolvimento de Sistemas - Teresina Central |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato |
|---|
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.