Simple and complex behavior learning using behavior hidden Markov model and CobART
Saklı Markov model ve CobART kullanımı ile basit ve karmaşık davranışları öğrenme
- Tez No: 338371
- Danışmanlar: PROF. DR. FERDA NUR ALPASLAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Bu tez kapsamında, basit ve karmaşık robot davranışlarını gözetmen ihtiyacı duymayan yöntemlerle öğrenen ve tekrarlayabilen davranış modelleri tasarlandı. Basit davranışlar basit-davranış öğrenme modeli (SBLM) ile karmaşık davranışlar ise daha önce öğrenilen basit ve karmaşık davranışları kullanabilen karmaşık-davranış öğrenme modeli (CBLM) ile modellendi. Her iki model de davranış sınıflandırma, davranış modelleme ve davranış üretme aşamalarından oluşmaktadır. Sınıflandırma aşamasında algılayıcılardan elde edilen veriler robotun temel yeteneklerine karşılık gelen temel hareketleri elde etmek amacıyla ilinti temelli uyarlanır rezonans kuramı kullanılarak sınıflandırılır. Modelleme aşamasında, saklı Markov modelinin değiştirilmiş bir şekli olan davranış-HMM kullanılarak temel hareketler arasındaki ilişki sonlu durumlu olasılıksal ağ biçiminde modellenir. Davranış modeline ilaveten robot motor komutlarını öğrenmek amacıyla her bir temel davranış için yapay sinir ağlarını kullanan bir hareket üretici eğitilir. Davranış üretme aşamasında, istenen görev amaç gözlem şeklinde sunulur ve model karşılık gelen temel hareket dizisini üretir. Sonra herbir temel hareket daha önce bu amaçla eğitilmiş hareket üreticiler aracılığıyla sırasıyla işletilir.Modeller tek bir davranış için değil bütün davranışlar için bir dayanak oluşturması açısından tasarlandı. CBLM daha önce öğrenilen davranışları sıradüzensel olarak birleştirerek öğrenme yeteneğinin gelişmesini sağlar. Böylece yeni davranışlar daha önce öğrenilmiş davranışları kullanma yeteneğine sahip olur. Önerilen modeller robot benzeştiriciler üzerinde denendi ve deneme sonuçlarına göre basit ve karmaşık davranış modelleri istenen davranışları etkin bir biçimde tekrar üretmeyi başardı.
Özet (Çeviri)
In this thesis, behavior learning and generation models are proposed for simple and complex behaviors of robots using unsupervised learning methods. Simple behaviors are modeled by simple-behavior learning model (SBLM) and complex behaviors are modeled by complex-behavior learning model (CBLM) which uses previously learned simple or complex behaviors. Both models have common phases named behavior categorization, behavior modeling, and behavior generation. Sensory data are categorized using correlation based adaptive resonance theory network that generates motion primitives corresponding to robot's base abilities in the categorization phase. In the modeling phase, Behavior-HMM, a modified version of hidden Markov model, is used to model the relationships among the motion primitives in a finite state stochastic network. In addition, a motion generator which is an artificial neural network is trained for each motion primitive to learn essential robot motor commands. In the generation phase, desired task is presented as a target observation and the model generates corresponding motion primitive sequence. Then, these motion primitives are executed successively by the motion generators which are specifically trained for the corresponding motion primitives.The models are not proposed for one specific behavior, but are intended to be bases for all behaviors. CBLM enhances learning capabilities by integrating previously learned behaviors hierarchically. Hence, new behaviors can take advantage of already discovered behaviors. The proposed models are tested on a robot simulator and the experiments showed that simple and complex-behavior learning models can generate requested behaviors effectively.
Benzer Tezler
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Music retrieval systems: Robust performance under the effect of uncertainty
Başlık çevirisi yok
ERDEM ÜNAL
Doktora
İngilizce
2008
Elektrik ve Elektronik MühendisliğiUniversity of Southern CaliforniaDR. SHRIKANTH NARAYANAN
- Yapay sinir ağları ile ulaştırma taleplerinin modellenmesi
Başlık çevirisi yok
YUSUF KAAN DEMİR
Yüksek Lisans
Türkçe
1997
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiUlaştırma Ana Bilim Dalı
PROF. DR. HALUK GERÇEK
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Prediction of early-age mechanical properties of high strength concrete with pozzolans by using statistical methods
İstatistik yöntemler kullanılarak puzolan katkılı yüksek dayanmlı betonların erken yaş mekanik özelliklerinin tahmini
MUZAFFER UMUR DALGIÇ
Yüksek Lisans
İngilizce
2022
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Ana Bilim Dalı
PROF. DR. YILMAZ AKKAYA