Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porDionisio Melero Modificado hace 10 años
1
Toma de decisiones difusa y predicción del comportamiento oponente Gustavo Armagno Facundo Benavides Claudia Rostagnol www.fing.edu.uy/inco/grupos/mina/pGrado/FIRA2005.html
2
Agenda FIbRA | CAFR | 2006 2 Antecedentes Modelo / Estructura de la solución Predictores Predicados Predicción Arquitectura Ants / Clusters Toma de decisiones Fuzzy Logic Expectativas / Conclusiones
3
Agenda FIbRA | CAFR | 2006 3 Antecedentes Modelo / Estructura de la solución Predictores Predicados Predicción Arquitectura Ants / Clusters Toma de decisiones Fuzzy Logic Expectativas / Conclusiones
4
Proyecto de grado / Ingeniería en Computación Prototipo experimental FIbRA | CAFR | 2006 4 Antecedentes
5
Agenda FIbRA | CAFR | 2006 5 Antecedentes Modelo / Estructura de la solución Predictores Predicados Predicción Arquitectura Ants / Clusters Toma de decisiones Fuzzy Logic Expectativas / Conclusiones
6
Logran un mejor reconocimiento del entorno brindando información que permite potenciar la toma de decisiones y el path planning. Filtran la información del ambiente (Env) y generan nueva información enriquecida (mayor nivel de abstracción). Dominios Estado del juego Score, jugadas especiales Movimiento Trayectorias, Obstáculos, Atascamientos Patrón de juego oponente Tipos Detectores Predictores Monitores FIbRA | CAFR | 2006 6 Estructura de la solución Predictores
7
Basados en lógica difusa Utilizan la información del entorno (Env) y la meta-información generada por los predictores Junto con los predictores conforman el modelo del mundo en el que se basa la solución Al igual que los predictores permiten a la estrategia razonar en base a conceptos más abstractos FIbRA | CAFR | 2006 7 Estructura de la solución Predicados
8
FIbRA | CAFR | 2006 8 Estructura de la solución Simulator DMM Prediction Path Planning Coach Env Data Env * Env *
9
Agenda FIbRA | CAFR | 2006 9 Antecedentes Modelo / Estructura de la solución Predictores Predicados Predicción Arquitectura Ants / Clusters Toma de decisiones Fuzzy Logic Expectativas / Conclusiones
10
Pipes & Filters Threads Para optimizar el procesamiento y minimizar el tiempo de respuesta del sistema, se crea un hilo de ejecución por cada filtro FIbRA | CAFR | 200610 Arquitectura Predicción Source KicksPasses ClustersAnts Graph Sink
11
Detección de zonas de actividad Ants / Clusters Detección de pases Kicks FIbRA | CAFR | 200611 Patrones de juego oponente Predicción
12
Agenda FIbRA | CAFR | 200612 Antecedentes Modelo / Estructura de la solución Predictores Predicados Predicción Arquitectura Ants / Clusters Toma de decisiones Fuzzy Logic Expectativas / Conclusiones
13
La principal responsabilidad de la toma de decisiones es elegir acciones que permitan alcanzar el objetivo global del equipo, ganar el juego. Niveles Estrategia Roles Acciones Fuzzy Logic Pertenencia parcial a conjuntos. Lotfi Zadeh. Permite manejar tipos de datos en los que se manejen términos imprecisos o subjetivos FIbRA | CAFR | 200613 Toma de decisiones
14
Cada uno de los niveles define un nivel de abstracción y las unidades lógicas que lo conforman Cada unidad se evalúa a través de un conjunto de reglas lógicas Las reglas lógicas de cada unidad de los tres niveles están definidas en archivos de configuración FIbRA | CAFR | 200614 Reglas lógicas Toma de decisiones And Or Not HomeAtHomeGoal BallInHomeGoalDirectionBallNearHomeGoalStucked
15
Agenda FIbRA | CAFR | 200615 Antecedentes Modelo / Estructura de la solución Predictores Predicados Predicción Arquitectura Ants / Clusters Toma de decisiones Fuzzy Logic Expectativas / Conclusiones
16
Expectativas Confirmar resultados Intercambiar conocimientos Conclusiones Patrones de juego oponente Detección de zonas de actividad / Resultados favorables Detección de pases / Resultados no favorables Experimentar en otras ligas Toma de decisiones Intercambio de roles dinámico / Comportamientos emergentes Independencia entre implementación y complejidad del modelo del mundo / Resultados favorables Ajuste del modelo dependiente de la complejidad Realizar ajuste mediante aprendizaje automático FIbRA | CAFR | 200616 Expectativas / Conclusiones
17
Visión de Robots http://www.fing.edu.uy/inco/grupos/mina/pGrado/vision2003/ (último acceso 07/2006) Ant Colony Optimization http://iridia.ulb.ac.be/~mdorigo/ACO/ACO.html (último acceso 07/2006) Tutorial On Fuzzy Logic www.iau.dtu.dk/~jj/pubs/logic.pdf (último acceso 07/2006) FIbRA | CAFR | 200617 Links
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.