SAFE REINFORCEMENT LEARNING FOR MOBILE ROBOTS CONTROL

Molti problemi nel controllo di processi complessi sono generalmente considerati di competenza esclusiva della teoria del controllo. Molti problemi di controllo di attuale importanza suggeriscono metodi che combinano la teoria del controllo e l'intelligenza artificiale (AI). Il Reinforcement Learning (RL) è una classe di algoritmi di Machine Learning in cui un agente interagisce per tentativi ed errori in un environment. Il principale ostacolo all'applicazione del RL in uno scenario reale è rappresentato dalla necessità di esplorare: l'agente ha bisogno di acquisire informazioni sull'ambiente. Durante questa fase può causare danni critici a ciò che lo circonda, impedendo un possibile impiego come controllo intelligente di un sistema. Un approccio promettente per rendere l'RL applicabile nel mondo reale è il Safe RL. Molti studi recenti hanno seguito direzioni diverse per superare i limiti originari del RL. L'obiettivo di questa tesi è approfondire l'approccio Safe RL al fine di indagare le possibilità e i limiti delle soluzioni proposte in letteratura rispetto ad un'applicazione del mondo reale.

Many problems in controlling complex process are usually considered the exclusive purview of control theory. Many control problems of current importance suggest methods combining Control Theory and Artificial Intelligence (AI). Reinforcement Learning (RL) is a class of Machine Learning algorithms in which an agent interacts by trial-and-error in an environment. The main obstacle to the application of RL in a real scenario is represented by the need of exploration: the agent needs to acquire information about the environment. During this phase it can cause critical damages to what surrounds itself, preventing a possible deployment as intelligent control. system. A promising approach to make RL applicable in the real world is Safe RL. A lot of recent studies have followed different directions in order to overcome the original RL limitations. The goal of this thesis is to deepen the Safe RL approach in order to investigate the possibilities and the limits of solutions proposed in the literature with respect to a real world application.