Intelligens ágens alapú humanoid robot vezérlés

Intelligent agent based control of humanoid robot

  • KOVÁCS Attila
  • BRASSAI Sándor Tihamér
Keywords: intelligens ágens, humanoid robot, vezérlés

Abstract

The subject of the research is to investigate ways to teach an intelligent agent to be able to control a customly designed and built humanoid robot, that has 26 revolute joints. The goal to achieve for the agent, in terms of control is to be able to keep itself balanced, furthermore to learn to develop anecient walking gait, through sequences of trials. The learning method is based on reinforcement learning, for the actual learning the three dimensional mechanical model was used, paired with a simulation environment specifically designed for this application.

Kivonat

A kutatás témája, annak vizsgálata, hogy milyen módon tudunk egy intelligens ágenst megtanítani egy saját tervezésű, huszonhat forgásponttal rendelkező humanoid robot vezérlésére. A munka célja annak elérése, hogy az ágens próbálkozások során tanulja meg, hogy milyen módon képes az egyensúlya fenntartására, illetve, hogy milyen mozgási szekvenciák révén tud hatékonyan, egyenesvonalban mozogni. A tanítás, a megerősítő tanulási módszer alapján valósult meg, a vezérelni kívánt robot háromdimenziós mechanikai modellje és egy erre a célra kialakított szimulációs környezet révén.

References

Aström, K. J., Albertos, P., Blanke, M., Isidori, A., Schaufelberger, W., Sanz, R.(Eds.). (2011). Control of complex systems. Springer Science Business Media.

Kojima, K., Karasawa, T., Kozuki, T., Kuroiwa, E., Yukizaki, S., Iwaishi, S., ...Nozawa, S. (2015, November). Development of life-sized high-power humanoidrobot jaxon for real-world use. In 2015 IEEE-RAS 15th International Conferenceon Humanoid Robots (Humanoids) (pp. 838-843). IEEE

Bengio, Y. (2012). Practical recommendations for gradient-based training of deeparchitectures. In Neural networks: Tricks of the trade (pp. 437-478). Springer,Berlin, Heidelberg.

Mathworks, C., Simscape, T. (2016). Multibody (tm) getting started guide, 2016.

Liebgott, I. (2016). Modeling and Simulation of Multi-Physics Systems with MATLAB and Simulink.

Van Hasselt, H. (2012). Reinforcement learning in continuous state and actionspaces. In Reinforcement learning (pp. 207-251). Springer, Berlin, Heidelberg.

Published
2020-10-06