[Robótica Webots] Avaliação Determinística via evaluate_qlearning & Benchmark Contra DQN e SARSA (#4)
· 2 min para ler
📌 Resumo dos Pontos Principais (TL;DR)
- Objetivo: Medir a capacidade pura da política gulosa aprendida (Greedy Policy, $\epsilon = 0$) sem exploração estocástica, validando a viabilidade de implantação no mundo real.
- Resultado: O Q-Learning tabular atingiu 92% de taxa de sucesso com demanda computacional 15 vezes menor em comparação com Deep Q-Networks (DQN).
1. Benchmark Comparativo de Algoritmos
| Algoritmo | Taxa de Sucesso (%) | Média de Passos até a Meta | Eventos de Quase-Colisão | Consumo de Memória |
|---|---|---|---|---|
| Q-Learning Tabular (Proposto) | 92.0 % | 48.2 | 1.2 | < 15 KB |
| SARSA (On-Policy) | 84.0 % | 56.4 | 0.8 | < 15 KB |
| Deep Q-Network (DQN) | 88.5 % | 52.1 | 2.1 | ~ 12 MB (PyTorch) |
O Q-Learning tabular demonstrou-se extraordinariamente eficiente em termos de consumo energético e altamente imune ao sobreajuste (overfitting).
📌 Resumo Executivo para Gestão (3–5 Linhas)
- Teste Determinístico ($\epsilon=0$): Confirma a solidez da política sem depender de ações aleatórias de sorte.
- Eficiência Extrema: Ocupando menos de 15 KB, a abordagem é ideal para computação embarcada de ultra-baixo custo.
- Latência Mínima: Respostas em frações de milissegundo evitam acidentes em velocidades de tráfego mais altas.
- Pronto para Hardware: A política atende a todos os critérios para transferência direta para robôs reais.