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
- 이철수
- 발행연도
- 2020
- 저작권
- 서강대학교 논문은 저작권에 의해 보호받습니다.
이용수3
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
로봇은 각종 산업과 서비스 분야에서 활발하게 사용되고 있다. 전통적인 로봇은 고정된 환경에서 반복적인 작업을 수행하는데 사용되었으며 기존의 제어 방식으로는 주변 환경이나 다른 사물 등의 물리적 상호관계가 복잡한 문제를 해결하기는 매우 어렵다. 강화 학습은 그런 문제를 풀기위한 기계 학습의 한 방법으로 활발히 연구되었으며 기존의 방식으로는 로봇이 해결하지 못했던 문제에 대한 해답을 내놓고 있다.
모든 물리적 로봇의 학습에 관한 연구들은 공통적으로 노이즈의 영향을 받는다. 로봇의 제어 오차나 측정 장비 성능의 한계, 주변 환경 및 사물과의 물리적 상호관계의 복잡성 등 복합적으로 발생한 노이즈는 학습을 저하시키는 요소로 작용할 수 있다. 가상의 환경에서는 잘 작동하는 학습 방법이 실제 로봇에서는 학습 속도가 떨어질 수 있다.
이에 본 논문은 노이즈 환경에서도 효과적이고 정확한 학습이 가능한 방법으로 가중 합 방법과 선형 회귀 방법을 제안하고자 한다. 그리고 보틀 플리핑 놀이를 로봇에게 학습시키고 기존의 학습 방법과의 비교하여 제안한 방법의 타당성을 검증하였다.
모든 물리적 로봇의 학습에 관한 연구들은 공통적으로 노이즈의 영향을 받는다. 로봇의 제어 오차나 측정 장비 성능의 한계, 주변 환경 및 사물과의 물리적 상호관계의 복잡성 등 복합적으로 발생한 노이즈는 학습을 저하시키는 요소로 작용할 수 있다. 가상의 환경에서는 잘 작동하는 학습 방법이 실제 로봇에서는 학습 속도가 떨어질 수 있다.
이에 본 논문은 노이즈 환경에서도 효과적이고 정확한 학습이 가능한 방법으로 가중 합 방법과 선형 회귀 방법을 제안하고자 한다. 그리고 보틀 플리핑 놀이를 로봇에게 학습시키고 기존의 학습 방법과의 비교하여 제안한 방법의 타당성을 검증하였다.
목차
제1장 서론 11.1 연구 배경 11.2 기존의 연구 51.3 연구의 목적 7제2장 강화 학습 및 시스템 설계 102.1 학습 방법 102.2 유한차분법 112.3 보틀 플리핑 122.4 로봇 시스템 설계 132.5 동작의 변수화 152.6 보상 함수 162.7 보상의 노이즈 19제3장 노이즈의 영향을 줄이는 정책 탐색 방법 203.1 가중 합 방법 203.2 선형 회귀 방법 223.3 탐색 방법 비교 23제4장 보틀 플리핑 실험 및 결과 254.1 유한차분법의 학습 결과 254.2 가중 합 방법의 학습 결과 274.3 선형 회귀 방법의 학습 결과 34제5장 결론 41참고문헌 44
최근 본 자료
댓글(0)
0