Robot mempelajari strategi navigasi yang cepat tetapi aman
Computer

Robot mempelajari strategi navigasi yang cepat tetapi aman


Plot dari beberapa lintasan robot pada beberapa pengaturan kecepatan setelah pelatihan. Dalam percobaan, berbagai pengaturan kecepatan diterapkan pada mobile robot (digambarkan sebagai lingkaran merah) untuk tiga posisi gawang (digambarkan sebagai bintang hijau). Gambar tersebut menunjukkan bahwa menggunakan kerangka yang diusulkan, yang menjadwalkan rentang kecepatan linier robot v dalam proses pelatihan (digambarkan dengan garis merah), melacak lintasan yang sangat mirip ketika robot disetel pada kecepatan lambat (digambarkan dengan garis hijau). Kredit: Universitas Teknologi Toyohashi.

Sebuah kelompok penelitian dari Active Intelligent System Laboratory (AISL) di Toyohashi University of Technology (TUT) telah mengusulkan kerangka kerja baru untuk melatih robot bergerak agar dapat bernavigasi dengan cepat sambil mempertahankan tingkat tabrakan yang rendah. Kerangka kerja tersebut menggabungkan pembelajaran penguatan mendalam (DRL) dan pembelajaran kurikulum dalam proses pelatihan bagi robot untuk mempelajari kebijakan navigasi yang cepat namun aman.

Salah satu persyaratan dasar robot seluler otonom adalah kemampuan navigasinya. Robot harus dapat menavigasi dari posisinya saat ini ke posisi target yang ditentukan di peta sesuai koordinat yang diberikan, sambil juga menghindari rintangan di sekitarnya. Dalam beberapa kasus, robot diharuskan melakukan navigasi dengan kecepatan yang cukup untuk mencapai tujuannya secepat mungkin. Namun robot yang menavigasi lebih cepat biasanya memiliki risiko tabrakan yang tinggi sehingga navigasi menjadi tidak aman dan membahayakan robot dan lingkungan sekitarnya.

Untuk mengatasi masalah ini, kelompok peneliti dari Active Intelligent System Laboratory (AISL) di Departemen Ilmu dan Teknik Komputer di Toyohashi University of Technology (TUT) mengusulkan kerangka kerja baru yang mampu menyeimbangkan navigasi robot yang cepat tetapi aman. Kerangka yang diusulkan memungkinkan robot untuk mempelajari kebijakan untuk navigasi yang cepat tetapi aman di lingkungan dalam ruangan dengan memanfaatkan pembelajaran penguatan mendalam (DRL) dan pembelajaran kurikulum.

Chandra Kusuma Dewa, mahasiswa doktoral dan penulis pertama makalah, menjelaskan bahwa DRL dapat memungkinkan robot untuk mempelajari tindakan yang sesuai berdasarkan keadaan lingkungan saat ini (misalnya posisi robot dan penempatan halangan) dengan berulang kali mencoba berbagai tindakan. Selain itu, makalah tersebut menjelaskan bahwa pelaksanaan tindakan saat ini berhenti segera robot mencapai posisi tujuan atau bertabrakan dengan hambatan karena algoritma pembelajaran berasumsi bahwa tindakan tersebut telah berhasil dilakukan oleh robot, dan konsekuensi itu perlu digunakan untuk perbaikan. kebijakan. Kerangka yang diusulkan dapat membantu menjaga konsistensi lingkungan belajar sehingga robot dapat mempelajari kebijakan navigasi yang lebih baik.

Selain itu, Profesor Jun Miura, kepala AISL di TUT, menjelaskan bahwa kerangka kerja mengikuti strategi pembelajaran kurikulum dengan menetapkan nilai kecepatan yang kecil untuk robot di awal episode pelatihan. Dengan bertambahnya jumlah episode, kecepatan robot meningkat secara bertahap sehingga robot dapat secara bertahap mempelajari tugas kompleks dari navigasi yang cepat namun aman di lingkungan pelatihan dari tingkat yang paling mudah, seperti yang bergerak lambat, hingga yang paling sulit. tingkat, seperti yang memiliki gerakan cepat.

Karena tabrakan dalam fase pelatihan tidak diinginkan, penelitian algoritme pembelajaran biasanya dilakukan dalam lingkungan simulasi. Kami mensimulasikan lingkungan dalam ruangan seperti yang ditunjukkan di bawah ini untuk eksperimen. Framework yang diusulkan terbukti memungkinkan robot untuk melakukan navigasi lebih cepat dengan tingkat keberhasilan tertinggi dibandingkan dengan framework lain yang sudah ada sebelumnya baik dalam proses pelatihan maupun validasi. Kelompok peneliti percaya bahwa kerangka kerja ini berharga berdasarkan hasil evaluasi, dan dapat digunakan secara luas untuk melatih robot seluler di bidang apa pun yang memerlukan navigasi yang cepat namun aman.


Sistem untuk meningkatkan navigasi dalam ruangan robot


Informasi lebih lanjut:
Chandra Kusuma Dewa dkk, Kerangka Kerja Navigasi DRL Dengan Pemeriksaan Transisi Status dan Penjadwalan Kenaikan Kecepatan, Akses IEEE (2020). DOI: 10.1109 / ACCESS.2020.3033016

Disediakan oleh Universitas Teknologi Toyohashi

Kutipan: Robot mempelajari strategi navigasi yang cepat tapi aman (2021, 19 Januari) diambil pada 24 Januari 2021 dari https://techxplore.com/news/2021-01-robot-fast-safe-strategy.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.




Halaman Ini Di Persembahkan Oleh : Pengeluaran HK