Una strategia di Reinforcement Learning per la riforestazione tramite robot

Carbon mitigation effort is nowadays a pressing global challenge. While some advancements are achieved on mitigation techniques, the fact that deforestation hinders the capacity of the Earth to absorb the carbon dioxide generated by human endeavour needs to be addressed. A software simulation of a desert environment created through the Unity game engine is hereby documented. In this simulation, a grid of photovoltaic panels powers a device that produces water through dehumidification of the air. The water is consequently stored inside a reservoir and transferred to a robotic vehicle with the task of moving and watering trees that are planted within a given area. By means of Reinforcement Learning techniques, the robot will have to be trained to water the trees in the area, assuring their daily growth while minimizing the waste of water and assessing the local weather conditions in order to make decisions. This study does not concern the training itself and its results: nevertheless, some indications on how to perform the training are provided.

Al giorno d'oggi il contrasto alle emissioni di anidride carbonica costitituisce una sfida su scala globale. È noto come la deforestazione contribuisca a ridurre la capacità del pianeta di assorbimento dell'anidride carbonica generata dall'attività umana, in particolare dai processi industriali. Viene qui documentata una simulazione di un ambiente desertico, costruita tramite il motore grafico Unity, nella quale una rete di pannelli fotovoltaici va ad alimentare un macchinario che produce acqua attraverso la deumidificazione dell'aria. L'acqua prodotta viene quindi raccolta in un dispenser e trasferita ad un veicolo robotico su ruote, che ha il compito di spostarsi e irrigare degli alberi piantati in una zona circoscritta. Per mezzo di tecniche di Reinforcement Learning tale robot è addestrato ad irrigare la zona garantendo la crescita giornaliera degli alberi e minimizzando lo spreco di acqua, agendo anche sulla base delle condizioni meteorologiche locali. Questo studio non riguarda l'addestramento e i suoi risultati in senso stretto: tuttavia, vengono qui fornite alcune indicazioni su come eseguire il training.