Ανάπτυξη εφαρμογών μηχανικής μάθησης σε προσομοιωμένο ρομποτικό σύστημα μεταβλητής αυτονομίας
Θεματική επικεφαλίδα
TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη ; TPSH::Τεχνολογία::Αυτόματος Έλεγχος::ΡομποτικήΛέξεις κλειδιά
Νευρωνικά δίκτυα ; Αλγόριθμοι ; Μηχανική μάθηση ; Ρομποτικά συστήματα ; Ρομπότ ; Αυτοπαλίνδρομα μοντέλα ; Μοντέλο κατάβασης δυναμικού ; Random ForesτΠερίληψη
Η πτυχιακή αυτή εργασία πραγματεύεται αλγόριθμους για την πρόβλεψη των σωστών ενεργειών των χειριστών σε προσομοιωμένο ρομπότ. Σήμερα γίνονται πολυάριθμες μελέτες για την πρόβλεψη και αξιολόγηση ενός χειριστή, είτε πρόκειται για ρομπότ είτε για κάποιο όχημα. Το πρώτο βήμα για να επιτευχθεί αυτό είναι να οριστεί τι είναι “σωστή” ή ακίνδυνη οδήγηση.
Σκοπός της εργασίας αυτής είναι η ανάπτυξη μοντέλων που θα προβλέπουν με υψηλή ακρίβεια την “σωστή οδήγηση” ενός ρομποτικού συστήματος. Με τον όρο σωστή οδήγηση εννοείται, η ομαλή εναλλαγή μεταξύ δεξιάς και αριστερής στροφής καθώς και η ομαλή εναλλαγή των γωνιακών ταχυτήτων του ρομποτικού συστήματος. Με την δημιουργία ενός τέτοιου μοντέλου, μπορεί να γίνει σύγκριση της εξόδου των μοντέλων με την εκάστοτε οδήγηση του χειριστή και σαν αποτέλεσμα να αξιολογηθούν οι χειρισμοί σε πραγματικό χρόνο. Συγκεκριμένα πέντε μοντέλα αναπτύχθηκαν. Το πρώτο μοντέλο ονομάζεται Αυτοπαλίνδρομο Μοντέλο (Autoregressive Model), το δεύτερο μοντέλο δημιουργήθηκε με χρονοσειρές Taylor. Τα επόμενα τρία είναι μοντέλα που αναπτύχθηκαν με αλγόριθμους μηχανικής μάθησης οι οποίοι είναι οι εξής, αλγόριθμος γραμμικής κατάβασης δυναμικού (linear regression), αλγόριθμος random forest και τέλος νευρωνικά δίκτυα.
Αρχικά, θα παρουσιαστούν τα πειράματα και πως αυτά υλοποιήθηκαν. Μετά θα γίνει μια θεωρητική ανάλυση των μοντέλων και κλείνοντας, μετά από μια σύντομη περιγραφή της συλλογής και επεξεργασίας των δεδομένων, θα παρουσιαστούν αναλυτικά τα μοντέλα που αναπτύχθηκαν καθώς και τις προβλέψεις που κάνουν.
Περίληψη
This thesis deals with algorithms for predicting the correct actions, of operators, on a simulated robot. Numerous studies are currently carried out to predict and evaluate an operator, be it a robot or a vehicle. The first step to doing so is to determine what is "right" or safe driving. The purpose of this work is to develop models that will accurately predict the "correct driving" of a robotic system. Proper driving means the smooth rotation between the right and left turns as well as the smooth rotation of the angular speeds of the robotic system. By creating such a model, it is possible to compare the output of the models with the individual driving of the user and as a result, evaluate real-time manipulations. Specifically, five models were developed. The first model is called the Autoregressive Model, the second model was created with Taylor time series. The following three are models developed with machine learning algorithms that are: linear regression, random forest algorithm, and neural network. Initially, in this thesis, the experiments will be presented and how they were implemented. Then a theoretical analysis of the models will be carried out and concluding, after a brief description of the data collection and pre-processing, the models developed as well as their predictions will be presented in detail.
Αριθμός σελίδων
87Σχολή
Σχολή Τεχνολογικών ΕφαρμογώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.Γλώσσα
Ελληνικά
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα