Resumen

El desarrollo de agentes de inteligencia artificial (IA) es un reto para la exploración eficiente en entornos visualmente ricos y complejos. En este estudio, formulamos la cuestión de la exploración como un problema de aprendizaje por refuerzo y nos basamos en la motivación intrínseca para guiar el comportamiento de exploración. Dicha motivación intrínseca está impulsada por la curiosidad y se calcula a partir de la memoria de episodios. Para distribuir la motivación intrínseca, utilizamos un método basado en el recuento y la distancia temporal para generarla de forma sincrónica. Probamos nuestro enfoque en entornos laberínticos en 3D y validamos su rendimiento en tareas de exploración mediante amplios experimentos. Los resultados experimentales demuestran que nuestro agente puede aprender la capacidad de exploración a partir de la información sensorial bruta y llevar a cabo una exploración autónoma en diferentes laberintos. Además, la política aprendida no está sesgada por los objetos estocásticos. También analizamos los efectos de diferentes métodos de entrenamiento y fuerzas motrices en la política de exploración.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:motivación intrínseca, diferentes métodos de entrenamiento, entrada sensorial bruta, problema de aprendizaje por refuerzo, exploración eficiente, memoria de episodios, agente, exploración autónoma, entorno complejo, preguntas de exploración
• Keywords:intrinsic motivation, different training methods, raw sensory input, reinforcement learning problem, efficient exploration, episode memory, agent, autonomous exploration, complex environment, exploration questions