Aplicación de técnicas de reinforced learning al sector de la construcción mediante agentes en Unity.

El aprendizaje reforzado (reinforced learning) es un método de entrenamiento de machine learning basado en recompensar comportamientos deseados y castigar aquellos no deseados, al igual que se hace en el mundo de la psicología conductista.

En este tipo de aprendizaje, uno o más agentes de IA (basados en redes neuronales) interactúan con un entorno para conseguir una determinada meta. Así, los agentes pueden realizar un conjunto determinado de acciones, suficientemente abiertas, sobre el entorno, para alcanzar su objetivo. Por otro lado, los agentes perciben el entorno al igual que lo haría una persona, mediante una imagen (sentido de la vista), sonido, etc. Mediante la definición de unas recompensas y anti-recompensas adecuadas, las redes neuronales asociadas a los agentes van siendo entrenadas, por lo que estos cada vez realizan mejor su tarea.

En este proyecto proponemos la aplicación de técnicas de reinforced learning al sector de la construcción. Para ello deseamos utilizar Unity ML-Agents Toolkit, que permite integrar fácilmente agentes de IA en un entorno 3D desarrollado en Unity, mientras que las redes neuronales asociados a ellos se pueden entrenar de forma externa utilizando PyTorch u otro framework similar.

El alumno o alumna deberá desarrollar un entorno en el que uno o más agentes lleven a cabo una tarea relacionada con la construcción, como, por ejemplo, la construcción de un muro. Asimismo, se establecerán recompensas, que en el ejemplo del muro podrían ser su altura y resistencia, y anti-recompensas, que podría ser, por ejemplo, que el muro se caiga o terminar el material disponible.

Se recomienda al alumno o alumno la visualización de los ejemplos de uso del toolkit (más vídeos en la página oficial del proyecto y en esta introducción a ML-Agents) para ver qué es posible hacer, donde podrá ver a agentes jugando al fútbol, aparcando un coche, recolectando basura, etc.