文献

J-GLOBAL ID：202102248093537009   整理番号：21A0671468

モデルフリー強化学習による連続体マニピュレータ探索ポリシーの最適化【JST・京大機械翻訳】

Optimizing a Continuum Manipulator’s Search Policy Through Model-Free Reinforcement Learning

著者 (4件)： Frazelle Chase (Clemson University,Dept. of Electrical & Computer Engineering,Clemson,SC,29634) ,  Rogers Jonathan (NASA Johnson Space Center,Houston,TX,77058) ,  Karamouzas Ioannis (Clemson University,School of Computing,Clemson,SC,29634) ,  Walker Ian (Clemson University,Dept. of Electrical & Computer Engineering,Clemson,SC,29634)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IROS  ページ： 5564-5571  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 連続体ロボットは,遠隔,ハード・ツー・リーチ環境の検査における応用に対して,長い間大きな可能性を持っている。深宇宙ゲートウェイのような将来環境において,ロボットソリューションの遠隔配置は,通信遅延と人間の乗員の入手不能のため,高レベルの自律性を必要とする。本研究では,未知物体に対する連続体マニピュレータの探索法を最適化するために,Actor-Crit勾配降下による政策最適化法の適用を検討した。目標オブジェクト位置の事前知識なしに,連続体ロボットを展開でき,目標を見つけるポリシーに収束し,将来の展開で再利用できることを示した。また,この方法は,複数の自由度に対して迅速に拡張でき,仮想および物理的障害物でポリシーを制限できることを示した。これらの2つのシナリオを,それぞれ15と135のユニークな状態を有するシミュレーション環境を用いて強調した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  シミュレーション ,  ロボット ,  *マニピュレータ ,  乗務員 ,  自由度 ,  再利用 ,  連続体 ,  ゲートウェイ ,  *強化学習
準シソーラス用語： 自律性 ,  事前知識 ,  通信遅れ ,  深宇宙 ,  ヘビ型アームロボット , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： モデル ,  強化学習 ,  連続体 ,  マニピュレータ ,  探索 ,  最適化