Este livro visa introduzir e explorar o conceito de Processos de Decisão Markovianos Parcialmente Observáveis (POMDP), aplicados a um cenário prático usando Python. Em particular, o foco está na simulação de um robô que opera em duas salas com diferentes condições de limpeza e toma decisões com base em informações parciais sobre o ambiente. Os POMDPs são uma extensão dos Processos de Decisão Markovianos (MDPs) que permitem modelar situações onde o robô ou agente não tem acesso completo ao estado atual do sistema, mas sim a observações que fornecem informações parciais. Isso é fundamental em cenários onde a percepção do ambiente é limitada ou ruidosa. O livro cobre a definição dos estados possíveis (Limpo, Sujo A, Sujo B), as ações possíveis (Esquerda, Direita, Aspirar) e as matrizes de transição de estados ocultos que determinam a probabilidade de mudança de estado em cada sala. Além disso, apresenta funções para observar o ambiente e simular a trajetória do robô, ilustrando como a teoria dos POMDPs é aplicada para resolver problemas de decisão em condições de incerteza.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.