Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo

Autores
Zabala, Gonzalo
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En los últimos años, el desarrollo exponencial de los métodos de aprendizaje automático han atravesado todas las áreas de la actividad humana. En el ámbito de la robótica, la posibilidad de entrenar el comportamiento de un robot en ambientes dinámicos mediante estos mecanismos se ha convertido en una herramienta de gran utilidad que permite acelerar el desarrollo de robots de este tipo (Kim et al., 2021). Hasta el surgimiento de estas tecnologías, la programación de la interacción de un robot con su ambiente se basaba en un conjunto de modelos matemáticos y heurísticas que implicaban testeos engorrosos y permanentes, con intervención humana directa, lo que consumía una cantidad de tiempo considerable para conseguir algún fruto tangible (Liang et al., 2018). A partir de la aplicación de métodos de aprendizaje automático, los procedimientos de ensayo y error con refuerzo de los éxitos permitieron un entrenamiento menos dependiente de los conocimientos previos, con la posibilidad de generar comportamientos novedosos en las acciones de los robots. Lamentablemente, en robots con desplazamiento espacial como vehículos autónomos y drones, este entrenamiento es muy costoso o imposible en términos de seguridad del dispositivo, así como en el tiempo de puesta a cero después de cada fracaso. Por otra parte, el surgimiento de simuladores con motores de física de alta calidad permitió recrear espacios de entrenamiento de robots, así como la misma estructura del robot, con unalto grado de realismo. De esta manera, el entrenamiento de robots mediante el aprendizaje por refuerzo (AR) se hizo viable en todo tipo de robots utilizando estos espacios de simulación. Al finalizar el entrenamiento, el modelo creado es transportable al robot físico, con un refinamiento posterior mucho más sencillo y limitado en el tiempo (Salvato et al., 2021).
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Robótica
Simulación
Machine learning
Reinforcement learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195771
Acceder
id SEDICI_86cdb273fb8e411726de347a1f70e954
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195771
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzoZabala, GonzaloCiencias InformáticasRobóticaSimulaciónMachine learningReinforcement learningEn los últimos años, el desarrollo exponencial de los métodos de aprendizaje automático han atravesado todas las áreas de la actividad humana. En el ámbito de la robótica, la posibilidad de entrenar el comportamiento de un robot en ambientes dinámicos mediante estos mecanismos se ha convertido en una herramienta de gran utilidad que permite acelerar el desarrollo de robots de este tipo (Kim et al., 2021). Hasta el surgimiento de estas tecnologías, la programación de la interacción de un robot con su ambiente se basaba en un conjunto de modelos matemáticos y heurísticas que implicaban testeos engorrosos y permanentes, con intervención humana directa, lo que consumía una cantidad de tiempo considerable para conseguir algún fruto tangible (Liang et al., 2018). A partir de la aplicación de métodos de aprendizaje automático, los procedimientos de ensayo y error con refuerzo de los éxitos permitieron un entrenamiento menos dependiente de los conocimientos previos, con la posibilidad de generar comportamientos novedosos en las acciones de los robots. Lamentablemente, en robots con desplazamiento espacial como vehículos autónomos y drones, este entrenamiento es muy costoso o imposible en términos de seguridad del dispositivo, así como en el tiempo de puesta a cero después de cada fracaso. Por otra parte, el surgimiento de simuladores con motores de física de alta calidad permitió recrear espacios de entrenamiento de robots, así como la misma estructura del robot, con unalto grado de realismo. De esta manera, el entrenamiento de robots mediante el aprendizaje por refuerzo (AR) se hizo viable en todo tipo de robots utilizando estos espacios de simulación. Al finalizar el entrenamiento, el modelo creado es transportable al robot físico, con un refinamiento posterior mucho más sencillo y limitado en el tiempo (Salvato et al., 2021).Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf214-217http://sedici.unlp.edu.ar/handle/10915/195771spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195771Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.82SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
title Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
spellingShingle Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
Zabala, Gonzalo
Ciencias Informáticas
Robótica
Simulación
Machine learning
Reinforcement learning
title_short Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
title_full Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
title_fullStr Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
title_full_unstemmed Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
title_sort Uso de simuladores para el entrenamiento de robots mediante aprendizaje por refuerzo
dc.creator.none.fl_str_mv Zabala, Gonzalo
author Zabala, Gonzalo
author_facet Zabala, Gonzalo
author_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Robótica
Simulación
Machine learning
Reinforcement learning
topic Ciencias Informáticas
Robótica
Simulación
Machine learning
Reinforcement learning
dc.description.none.fl_txt_mv En los últimos años, el desarrollo exponencial de los métodos de aprendizaje automático han atravesado todas las áreas de la actividad humana. En el ámbito de la robótica, la posibilidad de entrenar el comportamiento de un robot en ambientes dinámicos mediante estos mecanismos se ha convertido en una herramienta de gran utilidad que permite acelerar el desarrollo de robots de este tipo (Kim et al., 2021). Hasta el surgimiento de estas tecnologías, la programación de la interacción de un robot con su ambiente se basaba en un conjunto de modelos matemáticos y heurísticas que implicaban testeos engorrosos y permanentes, con intervención humana directa, lo que consumía una cantidad de tiempo considerable para conseguir algún fruto tangible (Liang et al., 2018). A partir de la aplicación de métodos de aprendizaje automático, los procedimientos de ensayo y error con refuerzo de los éxitos permitieron un entrenamiento menos dependiente de los conocimientos previos, con la posibilidad de generar comportamientos novedosos en las acciones de los robots. Lamentablemente, en robots con desplazamiento espacial como vehículos autónomos y drones, este entrenamiento es muy costoso o imposible en términos de seguridad del dispositivo, así como en el tiempo de puesta a cero después de cada fracaso. Por otra parte, el surgimiento de simuladores con motores de física de alta calidad permitió recrear espacios de entrenamiento de robots, así como la misma estructura del robot, con unalto grado de realismo. De esta manera, el entrenamiento de robots mediante el aprendizaje por refuerzo (AR) se hizo viable en todo tipo de robots utilizando estos espacios de simulación. Al finalizar el entrenamiento, el modelo creado es transportable al robot físico, con un refinamiento posterior mucho más sencillo y limitado en el tiempo (Salvato et al., 2021).
Red de Universidades con Carreras en Informática
description En los últimos años, el desarrollo exponencial de los métodos de aprendizaje automático han atravesado todas las áreas de la actividad humana. En el ámbito de la robótica, la posibilidad de entrenar el comportamiento de un robot en ambientes dinámicos mediante estos mecanismos se ha convertido en una herramienta de gran utilidad que permite acelerar el desarrollo de robots de este tipo (Kim et al., 2021). Hasta el surgimiento de estas tecnologías, la programación de la interacción de un robot con su ambiente se basaba en un conjunto de modelos matemáticos y heurísticas que implicaban testeos engorrosos y permanentes, con intervención humana directa, lo que consumía una cantidad de tiempo considerable para conseguir algún fruto tangible (Liang et al., 2018). A partir de la aplicación de métodos de aprendizaje automático, los procedimientos de ensayo y error con refuerzo de los éxitos permitieron un entrenamiento menos dependiente de los conocimientos previos, con la posibilidad de generar comportamientos novedosos en las acciones de los robots. Lamentablemente, en robots con desplazamiento espacial como vehículos autónomos y drones, este entrenamiento es muy costoso o imposible en términos de seguridad del dispositivo, así como en el tiempo de puesta a cero después de cada fracaso. Por otra parte, el surgimiento de simuladores con motores de física de alta calidad permitió recrear espacios de entrenamiento de robots, así como la misma estructura del robot, con unalto grado de realismo. De esta manera, el entrenamiento de robots mediante el aprendizaje por refuerzo (AR) se hizo viable en todo tipo de robots utilizando estos espacios de simulación. Al finalizar el entrenamiento, el modelo creado es transportable al robot físico, con un refinamiento posterior mucho más sencillo y limitado en el tiempo (Salvato et al., 2021).
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195771
url http://sedici.unlp.edu.ar/handle/10915/195771
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
214-217
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982611658932224
score 13.265058

Publicaciones similares