지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 송용남
- 발행연도
- 2019
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구는 로봇이 장애물을 치우고 목표물을 잡아야 하는 상황에서 스스로 장애물을 재배치하고 목표물을 잡는 방법에 대한 연구이다. 기존의 연구들은 장애물 재배치 시 놓을 위치를 결정하지 않고 임의의 공간에 재배치했다. 하지만 이는 목표물을 잡기 위해 치워야 하는 횟수를 늘어나게 할 수 있다고 판단했다. 본 논문은 재배치 위치까지 고려한 DQN based Obstacle Rearrangement (DORE) 알고리즘을 통해 최소의 횟수로 장애물을 재배치 방법을 연구했다.
Deep Q Network를 이용해 장애물 재배치 문제가 강화학습으로 답을 얻을 수 있는 문제인지 확인하고자 했다. 또한 특정한 1개의 상황에 대한 학습모델을 만드는 것이 아니다. 다양한 배치의 장애물이나, 장애물의 개수가 달라져도 적용 가능한 학습모델을 만드는 것이 목표이다.
Markov Decision Process로 재배치 문제를 정의하여 학습을 진행했다. 각 요소별 특성과 장애물 재배치 문제의 특성을 고려해서 MDP를 정의했고 이를 DQN으로 학습했다. 학습 도중 알고리즘 성능평가를 통해 학습 모델의 완성도를 파악했다. 95% 이상의 성공률을 확인했을 때 학습모델이 완성됐다고 결정하고 학습을 중단한다. 하지만 실제 로봇에게 주어지는 환경이 항상 성공하는 95%라고 할 수 없기 때문에 실패하는 경우가 주어졌을 때 알고리즘은 환경을 추가로 학습하여 정답을 출력한다. 이때 transfer learning[16]을 이용하여 추가 학습시간을 줄이는 알고리즘을 개발했다.
Deep Q Network를 이용해 장애물 재배치 문제가 강화학습으로 답을 얻을 수 있는 문제인지 확인하고자 했다. 또한 특정한 1개의 상황에 대한 학습모델을 만드는 것이 아니다. 다양한 배치의 장애물이나, 장애물의 개수가 달라져도 적용 가능한 학습모델을 만드는 것이 목표이다.
Markov Decision Process로 재배치 문제를 정의하여 학습을 진행했다. 각 요소별 특성과 장애물 재배치 문제의 특성을 고려해서 MDP를 정의했고 이를 DQN으로 학습했다. 학습 도중 알고리즘 성능평가를 통해 학습 모델의 완성도를 파악했다. 95% 이상의 성공률을 확인했을 때 학습모델이 완성됐다고 결정하고 학습을 중단한다. 하지만 실제 로봇에게 주어지는 환경이 항상 성공하는 95%라고 할 수 없기 때문에 실패하는 경우가 주어졌을 때 알고리즘은 환경을 추가로 학습하여 정답을 출력한다. 이때 transfer learning[16]을 이용하여 추가 학습시간을 줄이는 알고리즘을 개발했다.
목차
초록 ⅰAbstract ⅱ그림 목차 ⅲ1장 서론 11.1 연구 배경 및 필요성 11.2 연구 목표 31.3 관련 연구 51.4 논문 구성 72장 배경 지식 82.1 Reinforcement Learning 82.2 Vector Field Histogram 113장 DORE 알고리즘 133.1 MDP 정의 133.2 학습 과정 243.3 알고리즘 성능평가시험 263.4 Transfer Learning 273.5 DORE 알고리즘 294장 테스트 환경 구축 304.1 하드웨어 구성 304.2 라이브러리 304.3 Complex Environment 304.4 DORE Algorithm Environmnet 324.5 실제 실험환경 Hyperparameter 345장 실험 결과 365.1 장애물 5개 목표물 1개 환경 375.2 장애물 5개 목표물 1개 환경 385.3 DORE Algorithm Environment test 425.4 V-Rep Simulation 466장 결론 및 향후 연구 486.1 결론 486.2 한계점 506.3 추후 연구 50참고문헌 51
최근 본 자료
댓글(0)
0