Path planning using reinforcement learning methods
Pekiştirmeli öğrenme metotlarını kullanarak yol planlama
- Tez No: 828353
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET GÜNEŞ
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Savunma Teknolojileri Enstitüsü
- Ana Bilim Dalı: Savunma Elektroniği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Bu çalışmada birden fazla pekiştirmeli öğrenme yöntemi kullanılarak otonom araçlar için yol planlama yapılmıştır. Pekiştirmeli öğrenme teknikleri otonom kontrol sistemleri için büyük bir alternatif olmuştur. Pekiştirmeli öğrenme ajan için ideal hareketin bulunasını sağlamaktadır. Çalışmanın ilk bölümünde pygame kütüphanesi ile çalışılacak olan çevre oluşturulmuştur. Uygulanan ilk metot q öğrenmesi olmuştur. Q öğrenmesi ayrık durum ve politika uzayında statik çevre için çalışmaktadır. İkinci bölümde Aktör Kritik ve Derin Q öğrenmesi metotları kullanılarak dinamik uzayda çözüm oluşturulmuştur. Üçüncü bölümde gerçek dünyayı daha iyi simüle etmek için çevre gözlemlemede kalman filtresi kullanılmıştır. Gerçek verilerle gözlemlerin oluşturulduğu sonuçlarla karşılaştırılmıştır. Son bölümde tüm yapılan çalışma ve metotlar karşılaştırılmıştır.
Özet (Çeviri)
In this work, different path planning methods implemented for autonomous vehicle systems. Reinforcement learning methodologies are great alternative for autonomous control systems. Reinforcement learning provides optimum movement for agent. First episode of this study, custom pygame environment was created. Q learning method is developed for static environment. Q learning works only discrete states and actions. Second section of study Dueling Double Deep Q learning method applied to agent in dynamic environment. In the third section in observation of the environment, used Extended Kalman Filter for better simulate the real world and compared with other results that is based observing ground truth. All methods, which applied the problem, compared each other's.
Benzer Tezler
- Simülasyon ortamında derin pekiştirmeli öğrenme ile robot kontrolü
Robot kontrol with deep reinforcement learning in simulation environment
HÜSEYİN PULLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CİHAN KARAKUZU
- Kapalı ortamlar için derin pekiştirmeli öğrenme algoritmaları ile mobil robotların navigasyonu
Navigation of mobile robots with deep reinforcement learning algorithms for indoor environments
EMRE APAYDIN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER
- Mobil robotların 3 boyutlu yol bulması için pekiştirmeli öğrenme ve metasezgisel algoritmalar
Reinforcement learning and metaheuristic algorithms for three-dimensional path planning of mobile robots
ROYAL ALIYEV
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADEM ÖZYAVAŞ
- A reinforcement learning approach for control flow error detection in automated software testing
Yazılım otomatık testlerıne pekıştırmelı öğrenme yaklaşımı uygulayarak akış hatalarını yakalama
ENGİN DURMAZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BORAHAN TÜMER
- Safe motion planning and learning for unmanned aerial systems
İnsansız hava sistemleri için güvenli hareket planlama ve öğrenme
BARIŞ EREN PERK
Doktora
İngilizce
2022
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN