Geri Dön

Robot kollarının cisimlerin tutulabilirliğini federe derin pekiştirmeli öğrenme yöntemiyle öğrenmesi

Learning the grip of objects by the federated deep reinforcement learning method of robot arms

PDF İndir

  1. Tez No: 756787
  2. Yazar: MURAT UĞUR GÜLLE
  3. Danışmanlar: DR. ÖĞR. ÜYESİ PERİ GÜNEŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Robot Kollar, Federe Öğrenme, Federe Derin Öğrenme, Pekiştirmeli Öğrenme, Federe Pekiştirmeli öğrenme, Robot arms, federated learning, federated deep learning, reinforcement learning, federated reinforcement learning
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 122

Özet

Robot kollar son yıllarda endüstride en çok kullanılan robotik sistemlerden birisi haline gelmiştir. Bu sayede üretim hatları gelişmiş, hızlanmış ve otomatik hale getirilmiştir. Robotların belirlenen cisimleri belirli yerlerden alıp tekrar belirlenen yere taşınması, robotların belirli cisimleri tanıması ve ona göre hareket etmesi, robot kolların eklem bölgelerinin hareket performansları, robot kollarının tork kontrolleri araştırmacıların çalıştığı konuların başında gelmektedir. Robot kolların otomatik hale getirmedeki en büyük problemlerden birisi kullanım yerine göre eğitilmesidir. Geçtiğimiz yıllarda bu eğitim uzun sürmekteyken son yıllarda yöntemlerin ve eğitim algoritmalarının gelişmesiyle birlikte oldukça hızlı gerçekleşmektedir. Önerilen ve geliştirilen algoritmalar bahsedilen problemleri çözmektedir. Son yıllarda çeşitli araştırmacıların önerdiği federe öğrenme yöntemi ile derin pekiştirmeli öğrenme yaklaşımı birleştirilmiştir. Federe öğrenme yaklaşımı alt sistemlerin yani robot kolların aynı anda eğitilmesini sağlamaktadır. Bu eğitim gerçekleştirilirken alt sistemler hatalarını ve sinir ağlarının parametrelerini sunucuya gönderir ve sunucuda tekrar hesaplanan bu ağırlıklar ve hatalar güncellenmiş bir şekilde tekrar alt sistemlere gönderilir. Federe öğrenmenin bir faydası da veri güvenliği olarak karşımıza çıkar. Federe öğrenmede alt sistemler kendi aralarında haberleşmez ve sunucuya herhangi bir veri göndermezler. Tüm transferler sadece alt sistemlerin sinir ağlarının hataları ve ağırlıkları üzerinden gerçekleştirilir. Sunulan eğitim algoritmasının testi federe derin öğrenme yaklaşımıyla eğitilen bir robot kolun eğitim performansı ile karşılaştırılmıştır. Geliştirilen federe derin öğrenme yaklaşımı yaklaşık 6 saat eğitimden sonra %90 seviyesinde öğrenme gerçekleştirmiştir. Ancak sunulan federe derin pekiştirmeli öğrenme algoritması aynı eğitim düzeyine yaklaşık 5 saatte ulaşmıştır. Sunulan eğitim algoritması standart federe derin öğrenme algoritmasından daha iyi performans göstermiş ve daha hızlı sonuç vermiştir. Aynı zamanda sunulan bu algoritma herhangi bir veriye ihtiyaç duymadan öğrenmeyi sağlar.

Özet (Çeviri)

Robotic arms have become one of the most used electronic systems in the industry in recent years. In this way, production lines have been developed, accelerated and automated.Precise objects identification and moving, the motion performances of the joint areas of the robot arms, and torque controls of the robot arms are some of the favorite subjects that researchers are working on. One of the biggest problems in automating robot arms is they are being trained for needs in certain fields. While this training took a long time in the past years, it has been taking place very quickly with the development of methods and training algorithms in recent years. Suggested and developed algorithms are able to solve the mentioned problems. In recent years, the federated learning method recommended by various researchers has been combined with a deep reinforcement learning approach. Federated learning method enables training of multiple robot arms at the same time. While performing this training, subsystems send their errors and neural network parameters to the server, and these recalculated and updated weights and errors are sent back to the subsystems. Another benefit of federated learning is data security. In federated learning, subsystems do not communicate with each other and do not send any data to the server. All transfers are performed only on the faults and weights of the subsystems of neural networks.The testing of the developed training algorithm is compared with the training performance of a robot arm trained with a federated deep learning approach. The developed federated deep learning approach achieved 90% of learning after approximately 6 hours of training. However, the presented federated deep reinforcement learning algorithm reached the same education level in approximately 5 hours. The presented training algorithm outperformed the standard federated deep learning algorithm and provided faster results. At the same time, this algorithm provides learning without the need for any data.

Benzer Tezler

  1. Tez No

    252017

    A new approach to inverse kinematic solutions of serial robot arms based on quaterninons in the screw theory framework

    Seri robot kollarının ters kinematik çözümüne screw teori ve kuaterniyon cebri tabanlı yeni bir yaklaşım

    EMRE SARIYILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TEMELTAŞ

  2. Tez No

    136080

    Analysis of bi-manual manipulation by two human arms

    İki insan kolu ile yapılan bi-manual manipulasyon işleminin analizi

    ERHAN YÜKSEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2003

    Makine MühendisliğiMarmara Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ARİF ADLI

  3. Tez No

    202620

    Designing a robot manipulator mechanism for holding and gripping applications

    Tutma ve kavrama uygulamaları için robot manipulator tasarımı

    MUSTAFA RIFAT AKAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2005

    Makine MühendisliğiDokuz Eylül Üniversitesi

    Makine Teorisi ve Dinamiği Ana Bilim Dalı

    PROF. DR. EROL UYAR

  4. Tez No

    169041

    Balıkesir ilindeki Crocus sp. türlerinin taksonomisi, morfolojisi ve anotomisi

    Taxanomy, morphology and anatomy Crocus sp. species grown in Balıkesir

    SELAMİ SELVİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    BiyolojiBalıkesir Üniversitesi

    Ortaöğretim Fen ve Matematik Alanları Eğitimi Ana Bilim Dalı

    Y.DOÇ.DR. FATİH SATIL

  5. Tez No

    622457

    Türk Kültüründe Ağaç (Orman) Kültü

    The Tree (Forest) Cult in Turkish Culture

    PERVİN ERGUN

    Doktora

    Türkçe

    Türkçe

    2002

    Halk Bilimi (Folklor)Selçuk Üniversitesi

    Türk Dili ve Edebiyatı Ana Bilim Dalı

    PROF. DR. PROF. DR. SAİM SAKAOĞLU

Geri Dön