Aplicações de Aprendizado por Reforço em Manipuladores Robóticos: Uma Revisão Sistemática

O Aprendizado por Reforço (AR) tem diversas aplicações em tecnologia como um método expoente de resolução de problemas otimizando ações por meio de recompensas. Existe uma gama de estudos aplicados à robótica com o objetivo de aprimorar o estado da arte nesta área. Assim, este trabalho visa discutir as aplicações de AR em manipuladores robóticos através de uma revisão sistemática da literatura, onde foram analisados 38 trabalhos da área publicados entre 2013 e 2023. Desta forma, foram elaboradas 6 perguntas de pesquisa para o desenvolvimento do trabalho. Baseado nestas perguntas, foi possível destacar os resultados da revisão sistemática. Entre as técnicas discutidas, Q-Learning (23,68%), Deep Reinforcement Learning (28,95%), Actor-Critic (26,32%) e Policy Gradient (21,05%) foram as principais. Entre os ambientes e equipamentos para experimentação física e simulada, os mais utilizados foram o simulador Matlab (18,42%) e o manipulador UR3 (7,89%). também foram apresentados resultados sobre o ajuste de hiperparâmetros, sendo que apenas 10,53% dos trabalhos realizaram o ajuste. Além disso, foi realizada uma comparação com outros trabalhos de revisão sistemática do tema proposto. Por fim, foram discutidas as perguntas de pesquisa deste trabalho e apresentadas as principais indicações de trabalhos futuros para promover a continuidade do desenvolvimento de aplicações na área.