Ezzel az azonosítóval hivatkozhat erre a dokumentumra forrásmegjelölésben vagy hiperhivatkozás esetén:
http://elartu.tntu.edu.ua/handle/lib/39504
Title: | Математичне та програмне забезпечення комп’ютеризованих систем автоматичного керування роботизованими механізами на основі нейронних мереж |
Other Titles: | Mathematical and software development of computerized systems for automatic control of robotic mechanisms based on neural networks |
Authors: | Мудрий, Ігор Володимирович Mudryi, Ihor |
Affiliation: | Тернопільський національний технічний університет імені Івана Пулюя |
Bibliographic description (Ukraine): | Мудрий І. В. Математичне та програмне забезпечення комп’ютеризованих систем автоматичного керування роботизованими механізами на основі нейронних мереж: кваліфікаційна робота магістра за спеціальністю 123 «Комп’ютерна інженерія» / І. В. Мудрий. – Тернопіль: ТНТУ, 2022. – 71 с. |
Bibliographic description (International): | Mudryi I.V. Mathematical and software development of computerized systems for automatic control of robotic mechanisms based on neural networks: master thesis on specialty 123 «Computer engineering» / I.V. Mudryi – Ternopil Ivan Puluj National Technical University – Ternopil: TNTU, 2022. – 71 p. |
Issue Date: | 22-dec-2022 |
Submitted date: | 22-dec-2022 |
Date of entry: | 23-dec-2022 |
Publisher: | Тернопільський національний технічний університет імені Івана Пулюя |
Country (code): | UA |
Place of the edition/event: | Тернопільський національний технічний університет імені Івана Пулюя |
Supervisor: | Баран, Ігор Олегович Baran, Ihor |
Committee members: | Цуприк, Галина Богданівна |
UDC: | 004. 93 |
Keywords: | 123 комп’ютерна інженерія нейронні мережі автономні апарати маніпулятор навчання з підкріпленням моделювання neural networks autonomous devices manipulator einforcement learning simulation |
Number of pages: | 71 |
Abstract: | Кваліфікаційна робота присвячена дослідженню автоматичного керування роботизованими механізами. Результатом проведених робіт є змодельоване середовище для навчання інтелектуальних агентів виконання захоплення та підняття об'єктів. Для апробування даної розробки в реальних пристроях необхідно спочатку застосувати будь-які методи або алгоритми по побудові реконструкцій оточення у віртуальному середовищі. Після калібрування та навчання, штучні нейромережі будуть здатні виконувати поставлені завдання у реальному світі.
Результати цієї роботи можуть бути використані для навчання реальних роботизованих пристроїв, здатних взаємодіяти з навколишнім середовищем у вигляді різних хапальних механізмів. Розроблена концепція навчання роботизованих механізмів може суттєво розширити спектр завдань, які вирішуються автономними апаратами. У перспективі, на основі отриманих знань можна проектувати складніші роботизовані системи, що виконують завдання з автоматичного сортування та транспортування об'єктів, які проводять асистування на виробництві, в лабораторіях чи побуті, та виконують нешаблонні маніпуляції з об'єктами. The thesis deals with the study of automatic control of robotic mechanisms. The result of the work is a simulated environment for training intelligent agents to grasp and lift objects. To test this development in real devices, it is necessary to first apply any methods or algorithms for building reconstructions of the environment in a virtual environment. After calibration and training, artificial neural networks will be able to perform tasks in the real world. The results of this work can be used to train real robotic devices capable of interacting with the environment in the form of various grasping mechanisms. The developed concept of training robotic mechanisms can significantly expand the range of tasks solved by autonomous devices. In the future, based on the knowledge gained, it is possible to design more complex robotic systems that perform the tasks of automatic sorting and transportation of objects, provide assistance in production, in laboratories or at home, and perform non-standard manipulations with objects. |
Content: | ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ, ОДИНИЦЬ СКОРОЧЕНЬ І ТЕРМІНІВ ...6 ВСТУП...9 РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ДОСЛІДЖЕННЯ ...12 1.1. Особливості системи керування автономним апаратом ...12 1.2. Навчання алгоритмів у змодельованому середовищі ...13 1.3. Рандомізація змодельованих даних ...14 1.4. Локалізація та класифікація об'єктів ...16 1.4.1. Локалізація та класифікація із застосуванням карт глибини ...17 1.4.2. Локалізація та класифікація без застосуванням карт глибини ...18 1.5. Архітектура гібридної системи управління...21 1.5. Висновки до розділу ...24 РОЗДІЛ 2. ТЕОРЕТИЧНА ЧАСТИНА ...25 2.1. Загальна інформація про штучні нейронні мережі ...25 2.2. Принцип роботи штучних нейронних мереж ...26 2.3. Парадигма навчання з учителем ...28 2.4. Парадигма навчання без вчителя ...30 2.5. Парадигма навчання із підкріпленням ...31 2.5.1. Загальна інформація ...31 2.5.2. Фундаментальні методи вирішення ...34 2.5.3. Функція вартості...37 2.6. Вибір програмних засобів для реалізації моделювання роботи маніпулятора... 38 2.7. Визначення вимог до проектованої системи ...40 2.8. Висновки до розділу ...42 РОЗДІЛ 3. ПРАКТИЧНА ЧАСТИНА...43 3.1. Структура програми ...43 3.1.1. Клас ArmHandAgent ...43 73.1.2. Клас RobotController ...44 3.1.3. Клас ArticulationJointController ...45 3.2. Задача переміщення об'єкта агентом у вказану зону...45 3.2.1. Опис змодельованого завдання ...45 3.2.2. Результати навчання інтелектуальних агентів ...46 3.3. Модель маніпулятора ...48 3.4. Результати навчання із захоплення маніпулятором об'єкта ...51 3.4.1. Опис навчального середовища ...51 3.4.2. Результати навчання ...53 3.5. Результати навчання з підняття об'єкта маніпулятором ...58 3.6. Висновки до розділу ...60 РОЗДІЛ 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ...61 4.1. Охорона праці ...61 4.2. Комп’ютерне забезпечення процесу оцінки радіаційної та хімічної обстановки...64 4.3. Висновки до розділу ...66 ВИСНОВКИ ... 67 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ...68 ДОДАТОК А. Тези конференції |
URI: | http://elartu.tntu.edu.ua/handle/lib/39504 |
Copyright owner: | © Мудрий Ігор Володимирович,2022 |
References (Ukraine): | 1. Researchers ran a simulator to teach this robot dog to roll over. URL: https://techcrunch.com/2019/01/17/researchers-ran-asimulator-to-teach-this-robot-dog- to-roll-over/ (дата звертання 04.12.2022). 2. Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Andrei A Rusu, Joel Veness, Marc G Bellemare, Alex Graves, Martin Riedmiller, Andreas K Fidjeland, Georg Ostrovski, et al. Human-level control through deep reinforcement learning. Nature, 518(7540):529–533, 2015. 3. Sergey Levine, Chelsea Finn, Trevor Darrell, and Pieter Abbeel. End to-end training of deep visuomotor policies. Journal of Machine Learning Research, 17(39):1– 40, 2016 4. Stephen James and Edward Johns. 3d simulation for robot arm control with deep q-learning. arXiv preprint arXiv:1609.03759, 2016. 5. Benjamin Planche, Ziyan Wu,Kai Ma, Shanhui Sun, Stefan Kluckner, Terrence Chen, Andreas Hutter, Sergey Zakharov, Harald Kosch, and Jan Ernst. Depthsynth: Real-time realistic synthetic data generation from cad models for 2.5 d recognition. arXiv preprint arXiv:1702.08558, 2017. 6. J. Tobin, R. Fong, A. Ray, J. Schneider, W. Zaremba, and P. Abbeel, “Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World,” arxiv:1703.06907, 2017. 7. G. Griffin, A. Holub, and P. Perona. The Caltech-256. Technical report, California Institute of Technology, 2007. 8. M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn, and A. Zisserman. The PASCAL Visual Object Classes Challenge 2010 (VOC2010) Results.http://www.pascalnetwork.org/challenges/VOC/voc2010/workshop/index.html 9. Мудрий І.Б. Локалізація та класифікація об'єктів на зображенні. Інформаційні моделі, системи та технології: Праці X наук.-техн. конф. (Тернопіль, 07-08 грудня 2022 р.), Тернопіль, 2022. С. 87. 6810. Microsoft Kinect. URL:http://www.xbox.com/en-us/kinect (дата звертання 08.12.2022). 11. Jie Tang, Stephen Miller, Arjun Singh, and Pieter Abbeel. A textured object recognition pipeline for color and depth image data. In Robotics and Automation (ICRA), 2012 IEEE International Conference on, pages 3467– 3474. IEEE, 2012 12. Alvaro Collet, Dmitry Berenson, Siddhartha S Srinivasa, and Dave Ferguson. Object recognition and full pose registration from a single image for robotic manipulation. In Robotics and Automation, 2009. ICRA’09. IEEE International Conference on, pages 48–55. IEEE, 2009. 13. Fischler, M.A. and Bolles, R.C., "Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography", Communications of the ACM, 1981, 24, (6), pp. 381--395. 14. Lowe, D. G., “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision, 60, 2, pp. 91-110, 2004 15. H. Bay, A. Ess, T. Tuytelaars, L. Van Gool, ”SURF: Speeded Up Robust Features”, Computer Vision and Image Understanding (CVIU), Vol.110, No. 3, pp. 346– 359, 2008. 16. Lepetit, V., Fua, P.: Monocular model-based 3D tracking of rigid objects. Foundations and Trends in Computer Graphics and Vision 1(1), 1–89 (Jan 2005) 17. Alvaro Collet, Manuel Martinez, and Siddhartha S Srinivasa. The moped framework: Object recognition and pose estimation for manipulation. The International Journal of Robotics Research, 30(10):1284– 1306, 2011. 18. Ferguson I.A. Integrated Control and Coordinated Behaviour: A case for Agent Models. In: Intelligent Agents. ECAI-94 Workshop on Agent Theories, Architecture and Languages 19. Новотарський М.А., Нестеренко Б.Б. Штучні нейронні мережі: обчислення // Праці Інституту математики НАН України. – Т50. – Київ: Ін-т математики НАН України, 2004. – 408 с. 6920. Машинне навчання простими словами. Частина 2. Навчання з підкріпленням. URL: http://www.mmf.lnu.edu.ua/ar/1743 (дата звертання 07.12.2022). 21. Вступ до машинного навчання. URL: http://specials.kunsht.com.ua/ machinelearning2 (дата звертання 07.12.2022). 22. Басюк Т.М. та ін. Машинне навчання: Навчальний посібник Львів: Видавництво «Новий Світ - 2000», 2021. 315 с. 23. Кононова К. Ю. Машинне навчання: методи та моделі. Харків: ХНУ імені В. Н. Каразіна, 2020. 301 с. 24. Навчання з підкріпленням у машинному https://evergreens.com.ua/ua/articles/reinforcement-learning.html навчанні. (дата URL: звертання 10.12.2022). 25. Machine Learning with Python. URL:https://www.freecodecamp.org/learn/machine-learning-with-python/ (дата звертання 12.12.2022). 26. Sutton R. S., Barto A. G. Reinforcement learning: An introduction. – Cambridge Нейронные сети: MITpress, 1998. – Т. 1. – No. 1. 27. Wiering M., Van Otterlo M. Reinforcement learning //Adaptation, Learning, and Optimization. – 2012. – Т. 12. 28. Universal robots. URL: https://www.universal-robots.com/ (дата звертання 07.12.2022). 29. MEET THE WINNERS $10M ANA Avatar XPRIZE. URL:https://www.xprize.org/prizes/avatar / (дата звертання 07.12.2022). 30. Субботін С.О. Нейронні мережі : теорія та практика: навч. посіб. Житомир : Вид. О. О. Євенок, 2020. 184 с 31. Schmidhuber, J. Deep Learning in Neural Networks: An Overview // Neural Networks. 2015.Vol. 61. P. 85–117. 32. Bengio, Y. Deep Learning / Y. Bengio, Y. LeCun, G. Hinton // Nature. 2015. Vol. 521. P. 436–444. 7033. Clements P. Evaluating software architectures. / , Kazman R. Klein M. Boston, MA: Addison-Wesley; 2002. pp.33-69. 34. Барський, А. Б. Нейронні мережі: розпізнавання, управління, прийняття рішень - М .: Фінанси і статистика, 2004. - 176 с. 35. Толок А.О. Крюковська О.А. Безпека життєдіяльності: Навч. посібник. 2011. 215 с. 36. Зеркалов Д.В. Охорона праці в галузі: Загальні вимоги. Навчальний посібник. К.: Основа. 2011. 551 с. |
Content type: | Master Thesis |
Ebben a gyűjteményben: | 123 — комп’ютерна інженерія |
Fájlok a dokumentumban:
Fájl | Leírás | Méret | Formátum | |
---|---|---|---|---|
Magistr_CIm-61_Mudryi.docx | 2,81 MB | Microsoft Word XML | Megtekintés/Megnyitás | |
Magistr_CIm-61_Mudryi.pdf | 1,42 MB | Adobe PDF | Megtekintés/Megnyitás | |
Авторська_довідка_Мудрий.doc | 50,5 kB | Microsoft Word | Megtekintés/Megnyitás |
Minden dokumentum, ami a DSpace rendszerben szerepel, szerzői jogokkal védett. Minden jog fenntartva!
Admin Tools