Reinforcement learning baseddrift control
Başlık çevirisi mevcut değil.
- Tez No: 720252
- Danışmanlar: DR. REMELİ VİKTOR
- Tez Türü: Yüksek Lisans
- Konular: Otomotiv Mühendisliği, Automotive Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Budapest University of Technology and Economics
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Özet yok.
Özet (Çeviri)
In this thesis, deep reinforcement learning algorithms have been applied to autonomous drift control task. The main intention of this research is to develop a controller that performs drifting maneuver around a randomly selected goal point. Some of the key problems which I have dealt with during the development phase are: (i) sample efficiency, (ii) generalization of learned policies. In the first phase of this research, I built up a simulation environment involving a kinematic bicycle vehicle model which is consistent with the physical characteristic of the model car BMW M2 Competition. This environment is used to generate dataset for supervised learning and then to conduct the training process of deep reinforcement learning algorithms. In this environment, instead of earth-fixed coordinate system, I used bodyfixed coordinate system and hence the agent could efficiently learn the generalized (near) optimal policies. Since reinforcement learning might require many samples to learn useful policies due to the complexity of the high-dimensional environment, I developed transfer learning framework to refine useful policies and to transfer gained knowledge from traditional controller and supervised learning to the reinforcement learning side. Thus, it can be achievable to increase the scalability of the reinforcement learning-based agents with fewer samples and to achieve (near) optimal policies by bringing the advantages of those algorithms and methods together.
Benzer Tezler
- Using frequencies of transitions to improve reinforcement learningwith hidden states
Saklı durumlu pekiştirmeli öğrenmeyi geliştirmek için geçişlerinfrekanslarının kullanımı
HÜSEYİN AYDIN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FARUK POLAT
DR. ERKİN ÇİLDEN
- Keyframe demonstration seeded and Bayesian optimized policy search
Anahtar nokta gösterimlerinden desteklenerek başlatılmış ve Bayessel optimize edilmiş politika öğrenimi
ONUR BERK TÖRE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ AKGÜN
- Reinforcement learning based solution approaches to static and dynamic machine scheduling problems
Statik ve dinamik makine çizelgeleme problemlerine pekiştirmeli öğrenme tabanlı çözüm yaklaşımları
BEHİCE MELTEM KAYHAN
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiDokuz Eylül ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKALP YILDIZ
- Reinforcement learning based handover mechanism for next generation mobile communication systems
Yeni nesil mobil haberleşme sistemleri için pekiştirmeli öğrenme ile aktarım mekanizması
ÇAĞLAR FIRAT
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNA TUĞCU
- Pekiştirmeli öğrenme tabanlı bağlam bilinçli akıllı trafik ışık kontrolü
Reinforcement learning based context aware intelligent traffic light control
ÖMER FARUK SARAÇ
Doktora
Türkçe
2022
Bilim ve Teknolojiİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERZAT ANKA