Aprendizagem Adaptativa vs. Robustez Estática — comparação de Aprendizagem por Reforço e Neuroevolução para controlo de enxames robóticos.
Adaptive Learning vs. Static Robustness — comparing Reinforcement Learning and Neuroevolution for robotic swarm control.
- Simulador 3D próprio de navegação cooperativa até ao ninho, com 8 cenários de dificuldade crescente
- Comparação de 3 controladores: rede de grafos neuroevoluída com atenção, PPO e SAC (PyTorch / Stable-Baselines3)
- Avaliação rigorosa: 7 execuções independentes por combinação, inferência estatística não paramétrica e campanhas pré-registadas
- Escalabilidade zero-shot de N=10 para N=100 agentes sem retreino (100% de sucesso com o controlador com atenção)
- Hibridização com procura por novidade (novelty search) de dosagem adaptativa para resolver cenários de deceção espacial
- Dashboard de observação em NiceGUI (treino, vista 3D ao vivo, análise de resultados)
- Custom 3D cooperative nest-navigation simulator with 8 scenarios of increasing difficulty
- Compared 3 controllers: a neuroevolved graph network with attention, PPO and SAC (PyTorch / Stable-Baselines3)
- Rigorous evaluation: 7 independent runs per combination, non-parametric statistical inference and pre-registered campaigns
- Zero-shot scaling from N=10 to N=100 agents without retraining (100% success with the attention controller)
- Adaptive-dosage novelty-search hybrid to crack spatial-deception scenarios
- Observation dashboard in NiceGUI (training, live 3D view, results analysis)
Conclusão: a vantagem decisiva está na representação e no desenho do sinal de treino, não no algoritmo de otimização.
Takeaway: the decisive advantage lies in the representation and reward-signal design, not in the optimization algorithm.
[ VIEW ON GITHUB ]