Algoritmos genéticos para conducción autónoma

Abstract

Este Trabajo Final de Grado (TFG) tiene como foco principal el estudio y desarrollo de sistemas autónomos de navegación, utilizando una combinación de redes neuronales artificiales y algoritmos genéticos. El documento detalla nuestra exploración en profundidad del concepto y la aplicación de un algoritmo genético clásico y de la Neuroevolución de Topologías Aumentadas (NEAT), una técnica específica que aplica algoritmos genéticos a la arquitectura y pesos de redes neuronales artificiales. A lo largo de este trabajo, se ha hecho uso de diversas herramientas y plataformas de software que facilitan la simulación y el análisis de la navegación autónoma, como ROS, Gazebo y Unity. Además, se diseñó y desarrolló un controlador de robots que emplea el modelo Turtlebot3. Este proceso implicó generar entornos de simulación complejos, la creación y programación de controladores de robots, y la implementación de algoritmos genéticos con el fin de optimizar la eficacia de las redes neuronales. Los resultados de la investigación se obtuvieron a través de pruebas en diversos entornos, incluyendo tanto un circuito como una ciudad con objetos estáticos. Los datos resultantes muestran un rendimiento notablemente satisfactorio en cada caso. El estudio concluye que la combinación de algoritmos genéticos y redes neuronales, y en particular la aplicación de la técnica NEAT, tiene el potencial de ofrecer soluciones robustas y eficientes para los retos presentes en la navegación autónoma. Se espera que estos hallazgos sirvan como punto de partida para futuras investigaciones y desarrollos en el campo de los vehículos autónomos.