MODELAGEM DE AGENTES INTELIGENTES USANDO APRENDIZADO POR REFORÇO EM AMBIENTES UNITY

Abstract

Este trabalho tem como objetivo compreender o processo de aplicação dos algoritmos de aprendizado por reforço por meio da implementação em ambientes da Unity. Como metodologia, optou-se por uma pesquisa do tipo exploratória e abordagem quantitativa, desenvolvida em três etapas: análise da literatura associada aos algoritmos de aprendizado por reforço; implementação do algoritmo de aprendizado por reforço PPO (Proximal Policy Optimization) em ambientes da Unity; desenvolvimento e avaliação da eficácia e desempenho dos agentes em cenários específicos. Para tanto, aplicou-se AR em diferentes tarefas, visando obter a melhoria do desempenho dos agentes em ambientes complexos e dinâmicos. Foram construídos diversos cenários com características e mecânicas comumente utilizadas em jogos digitais. Como resultado deste estudo, verificou-se, por meio da análise da taxa de sucesso, que todos os agentes foram capazes de realizar suas tarefas com grande precisão, com uma taxa mínima de sucesso de 87,4% em 1000 tentativas, mesmo em cenários com desafios significativos. Isso comprova a eficácia do algoritmo utilizado e mostra a capacidade dos agentes de generalizar estratégias e alcançar seus objetivos em diferentes situações.