2026-04-14T14:05:47Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/714992024-11-15T20:02:13Zcom_10324_38col_10324_787
Rebé Martín, Jorge
2024-11-15T08:14:39Z
2024-11-15T08:14:39Z
2024
https://uvadoc.uva.es/handle/10324/71499
La estrategia de carrera en Fórmula 1 es uno de los elementos críticos que pueden
cambiar el resultado de un piloto en una carrera. En este trabajo se ha construido
un sistema basado en aprendizaje por refuerzo en el que un agente aprende a tomar
las decisiones estratégicas óptimas en cada vuelta (parar o no parar, y si se para,
qué neumático poner).
Se ha desarrollado un simulador de carreras de Fórmula 1 que se ha utilizado como
entorno para que el agente interactúe con él y pueda aprender cuáles son las acciones
a tomar en cada momento que maximicen la posición final en carrera. Se utilizan
varios algoritmos (DQN, QR-DQN y A2C) y varias funciones de recompensa con los
que se entrenará a varios agentes. Finalmente, se evalúan los agentes entrenados y
se selecciona el mejor.
Race strategy in Formula One is one of the most critic elements that can change
the final position of a driver in a race. In this work a full reinforcement learning
system is built, in which the agent learns to take the optimal strategy decisions
every lap (to pit or not to pit, and if pit what tyre to fit).
A Formula 1 races simulator has been developed, and it is used as the environment
that the agent interacts with in order to learn what actions to take given the race
state in order to maximize the final position in the race. Various algorithms (DQN,
QR-DQN and A2C) and reward functions are used, with which agents will be trained.
Finally, trained agents are evaluated and the best one is selected.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Toma de decisiones de estrategia durante las carreras de Fórmula 1 utilizando Deep Reinforcement Learning
info:eu-repo/semantics/masterThesis