Методи машинного навчання для керування роботом

Abstract

UK: Ця магістерська дисертація заглиблюється у сферу роботизованого управління руками, досліджуючи спектр методів від традиційних підходів, заснованих на програмуванні, до переднього краю штучного інтелекту (ШІ), зокрема навчання з підкріпленням (RL). Дослідження починається з вичерпного огляду роботизованого управління рукою, що охоплює традиційні методи та методи, керовані штучним інтелектом, створюючи всеосяжну основу для подальших досліджень. Ключова роль штучного інтелекту, а точніше, машинного навчання, ретельно вивчається у формуванні ландшафту роботизованого управління руками. Парадигми контрольованого навчання, навчання без учителя та навчання з підкріпленням препаруються, з навмисним акцентом на RL через його адаптивність у просторах безперервної дії та динамічних середовищах. Кульмінація теоретичних досліджень проявляється в розробці інтерактивної програми управління роботизованою рукою. Ітеративний характер RL у поєднанні з адаптивністю програми позначає траєкторію до майбутнього інтелектуальних роботизованих систем. Ця дисертація відображає прогресивний шлях від фундаментальних методів управління до інтеграції RL, даючи уявлення про трансформаційний потенціал штучного інтелекту у формуванні майбутнього робототехніки. EN: This Master's thesis delves into the realm of robotic arm control, exploring a spectrum of methods from traditional programming-based approaches to the forefront of artificial intelligence (AI), particularly reinforcement learning (RL). The study commences with an exhaustive overview of robotic arm control, encompassing conventional and AI-driven techniques, establishing a comprehensive foundation for subsequent exploration. The pivotal role of AI, and more specifically, machine learning, is scrutinized in shaping the landscape of robotic arm control. Supervised learning, unsupervised learning, and reinforcement learning paradigms are dissected, with a deliberate focus on RL due to its adaptability in continuous action spaces and dynamic environments. The culmination of theoretical exploration manifests in the development of an interactive robotic arm control program. The iterative nature of RL, coupled with the program's adaptability, marks a trajectory toward the future of intelligent robotic systems. This thesis encapsulates a progressive journey from foundational control methods to the integration of RL, providing a glimpse into the transformative potential of AI in shaping the future of robotics.