National and Kapodistrian University of Athens
TRAINING AN AGENT TO MOVE TOWARDS A TARGET INTERACTING WITH A COMPLEX ENVIRONMENT
Abstract
dc:descriptionΣτη σημερινή εποχή, το πρόβλημα της αυτόνομης πλοήγησης στα σύγχρονα κινητά ρομπότ αποτελεί σημείο ενδιαφέροντος για την πλειοψηφία της έρευνας που γίνεται γύρω από τη ρομποτική. Αυτό το θέμα γίνεται ακόμα πιο απαιτητικό, καθώς οι απαιτήσεις στα δυναμικά περιβάλλοντα περιλαμβάνουν αυτονομία υψηλού επιπέδου και ευέλικτες δυνατότητες λήψης αποφάσεων για το ρομπότ, ώστε να επιτευχθεί αποφυγής συγκρούσεων. Το Deep learning κατάφερε να λύσει κάποια κοινά ζητήματα στη ρομποτική, όπως η λήψη αποφάσεων, η πλοήγηση και ο έλεγχος, όμως, με εποπτευόμενο τρόπο. Οι Reinforcement learning τεχνολογίες έχουν συνδυαστεί με το Deep learning, με αποτέλεσμα ένα νέο ερευνητικό θέμα γνωστό ως deep reinforcement learning (DRL). Με τη χρήση του DRL, η διαδικασία μπορεί να αυτοματοποιηθεί με τη μετάφραση δεδομένων αισθητήρων πολλών διαστάσεων σε εντολές κίνησης ρομπότ χωρίς τη χρήση κεντρικοποιημένων πληροφοριών, παρέχοντας έναν μη εποπτευόμενο τρόπο. Αυτό που χρειάζεται, για να ενθαρρυνθεί ο agent μάθησης και μέσω διαδικασίας δοκιμής και σφάλματος με το περιβάλλον, να βρει την καλύτερη δράση για κάθε κατάσταση, είναι μία βαθμωτή συνάρτηση ανταμοιβής. Στην εν λόγω διατριβή, δημιουργήθηκε ένα προσομοιωμένο περιβάλλον με ένα κινητό ρομπότ που αλληλεπιδρά με αυτό. Δύο αλγόριθμοι βασισμένοι στο DRL, οι Actor-Critic και PPO, χρησιμοποιήθηκαν για να εκπαιδεύσουν τον παράγοντα να κινείται με ασφάλεια στο περιβάλλον, αποφεύγοντας τα εμπόδια και στοχεύοντας στην επίτευξη ενός καθορισμένου στόχου. Τα αποτελέσματά τους παρουσιάζονται και συγκρίνονται.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Γούλα-Δημητρίου Μιχαήλα
- Goula-Dimitriou Michaila
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3118402