Optimal Motion Planning in Constrained Workspaces using Reinforcement Learning

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Optimal Motion Planning in Constrained Workspaces using Reinforcement Learning (EN)

Ρουσσέας, Παναγιώτης (EL)

Παπαδόπουλος, Ευάγγελος (EL)
Κυριακόπουλος, Κώστας (EL)
Γεώργιος, Βοσνιάκος (EL)
ntua (EN)

Bachelorthesis (EN)

2020-07-23
2020-10-05T16:20:42Z


In this work, a novel solution to the optimal motion planning problem is proposed, through a continuous, deterministic and provably correct approach, with guaranteed safety and which is based on a parametrized Arti cial Potential Field (APF). In particular, Reinforcement Learning (RL) is applied to adjust appropriately the parameters of the underlying potential eld towards minimizing the Hamilton-Jacobi-Bellman (HJB) error. The proposed method, outperforms consistently a Rapidly-exploring Random Trees (RRT*) method and consists a fertile advancement in the optimal motion planning problem. Finally this work gives rise to a new outlook on solutions for the aforementioned problem. (EN)


Αυτόματος έλεγχος (EL)
Ενισχυτική μάθηση (EL)
Τεχνητή νοημοσύνη (EL)
Ρομποτική (EL)
Σχεδιασμός πορείας (EL)
Motion planning (EN)
Reinforcement learning (EN)
Control systems (EN)
Artificial intelligence (EN)
Robotics (EN)

Αγγλική γλώσσα

Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Μηχανολογικών Κατασκευών και Αυτομάτου Ελέγχου (EL)
Εργαστήριο Αυτομάτου Ελέγχου (EL)

Αναφορά Δημιουργού 3.0 Ελλάδα
http://creativecommons.org/licenses/by/3.0/gr/




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.