메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Yungmin Sunwoo (Pukyong National University) Won Chang Lee (Pukyong National University)
저널정보
대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.10 No.5
발행연도
2021.10
수록면
424 - 430 (7page)
DOI
10.5573/IEIESPC.2021.10.5.424

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Much research using deep reinforcement learning has been conducted to make robot manipulators perform certain tasks with little prior knowledge of the work environment. However, due to the high-dimension continuous action-state spaces that a robot manipulator must work in, it is difficult for deep reinforcement learning agents to find or even learn optimal policies. In this paper, we present a method for generating optimal paths for the end effector of a robot manipulator to move through. This is achieved by using images of the workspace that allow us to avoid the problems of high dimensionality while the system learns pick-and-place tasks using deep reinforcement learning. The robot simulator Webots was used to implement the robot model in a virtual work environment. Simulations confirmed that the robot manipulator is able to successfully move target objects from their starting points to their destinations while avoiding moving obstacles in real time, even if the size, position, and number of obstacles are varied.
#Robot manipulator #Deep reinforcement learning #Optimal path #Robot simulator

목차

Abstract
1. Introduction
2. Motivation
3. Background
4. Optimal Path Search Method
5. Simulation Results
6. Conclusion
References

참고문헌 (14)

참고문헌 신청
Sutton, Richard S., and Andrew G. Barto. Reinforcement learning: An introduction. MIT press, 2018. google schola Zhao, Wenshuai, Jorge Peña Queralta, and Tomi Westerlund. "Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: a Survey." 2020 IEEE Symposium Series on Computational Intelligence (SSCI). IEEE, 2020. Article (CrossRef Link) google schola Kober, Jens, J. Andrew Bagnell, and Jan Peters. "Reinforcement learning in robotics: A survey." The International Journal of Robotics Research 32.11 (2013): 1238-1274. google schola Van Hasselt, Hado, Arthur Guez, and David Silver. "Deep reinforcement learning with double qlearning." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 30. No. 1. 2016. Article (CrossRef Link) google schola Wang, Ziyu, et al. "Dueling network architectures for deep reinforcement learning." International conference on machine learning. PMLR, 2016. Article (CrossRef Link) google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

RTOS를 기반한 실시간 대기 환경 원격 모니터링 시스템
이승철 ,  정영수 ,  그데이 크브롬 엘브수 외 3명 한국정보통신학회논문지 2023 .04
라플라스 분포와 가중치 마스크를 이용한 AWGN 제거
박화정 ,  김남호 한국정보통신학회논문지 2021 .12
Q-learning을 이용한 이동 로봇의 실시간 경로 계획
김호원 ,  이원창 전기전자학회논문지 2020 .12
스마트 팩토리 구축을 위한 동적인 환경에서의 DQN 강화 학습 기반 로봇 최적 이동 경로 탐색
박광석 ,  박진만 ,  유상조 한국통신학회 학술대회논문집 2019 .06

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-569-002167679