Η πλοήγηση αυτόνομων ρομπότ σε άγνωστο περιβάλλον, αποτελεί ένα πολυδιάστατο πρόβλημα, που κατατάσσεται στη μηχανική συστημάτων λόγω των διαφορετικών επιστημονικών πεδίων που απαιτεί. Έναν ιδιαίτερο τομέα έρευνας, αποτελεί η Μηχανική Μάθηση, μια και αποτελεί τo μέσο για τη διαχείριση δεδομένων και τη δημιουργία αυτόνομων συμπεριφορών. Στη διπλωματική αυτή εργασία, εξετάζεται, η κίνηση ρομπότ διαφορικής οδήγησης σε άγνωστο περιβάλλον, εφαρμόζοντας Ασαφή Ενισχυτική Μάθηση, για την περίπτωση ακολούθησης
τοίχου. Γίνεται κινηματική ανάλυση για τα ρομπότ διαφορικής οδήγησης, παρουσιάζεται η μέθοδος της Γενικής Αντίληψης και το θεωρητικό υπόβαθρο για την Ασαφή Λογική, την Ενισχυτική Μάθηση και την Ασαφή Ενισχυτική Μάθηση. Στο κομμάτι υλοποίησης, παρουσιάζεται το ρομπότ Khepera 3, στο οποίο εφαρμόστηκε η Ασαφής Ενισχυτική Μάθηση και μελετάται η συμπεριφορά των αισθητήρων του. Μελετάται επίσης η συμπεριφορά των αισθητήρων ενός πραγματικού ρομπότ Khepera 2. Ακολουθεί υλοποίηση Ασαφούς Ελέγχου και αριθμητικά αποτελέσματα, τόσο για την περίπτωση πραγματικού ρομπότ Khepera 2 όσο και για το ρομπότ Khepera 3 σε περιβάλλον εξομοίωσης. Τέλος υλοποιείται Ασαφής Ενισχυτική Μάθηση και εφαρμόζεται στο ρομπότ Khepera 3, σε περιβάλλον εξομοίωσης, όπου και παρουσιάζονται τα αριθμητικά αποτελέσματα και τα τελικά συμπεράσματα.
(EL)
103 σ.
(EL)
Κωνσταντίνος Ε. Δογέας
(EL)
Navigation of autonomous robots in unknown environments is a multidimensional problem, that can be classified as a systems engineering problem, due to the different scientific fields it requires. A specific field of research is Machine Learning, it being the medium for data management and creation of autonomous behaviors. This Diploma Thesis examines the movement of differential drive robots, in unknown environments, by applying the Fuzzy Reinforcement Learning method, for the wall following case. After a kinematic analysis of differential drive robots, the General Perception concept is presented, followed by the theoretical background for Fuzzy Logic, Reinforcement Learning and Fuzzy Reinforcement Learning. In the implementation part, a brief presentation of the Khepera 3 differential drive robot, is made, since it was the platform on which Fuzzy Reinforcement Learning was applied. Sensor behavior is presented for both the Khepera 3 and a real Khepera 2. An implementation of Fuzzy Control is made for a real Khepera 2 robot as well as a simulated Khepera 3 robot and results are presented. An implementation of Fuzzy Reinfocement Learning for a simulated Khepera 3 robot is made, with results and conclusions.
(EN)
Εθνικό Μετσόβιο Πολυτεχνείο
