مروری بر معماری ها و الگوریتم های یادگیری تقویتی عمیق برای طراحی سیاست های کنترل مقاوم در سامانه های رباتیک انسان نما

چکیده مقاله

رباتیک انسان نما یکی از بلندپروازانه ترین و در عین حال چالش برانگیزترین حوزه های مهندسی مکاترونیک است که نیازمند طراحی سیاست های کنترلی است که بتوانند در محیط های واقعی و نامعین، پایداری و عملکرد مطلوب را تضمین کنند یادگیری تقویتی عمیق، به دلیل توانایی اش در استخراج سیاست های پیچیده از داده های خام تعاملی، به عنوان یک پارادایم محوری در حل مسائل کنترل دشوار مطرح شده است این مقاله ی مروری جامع بر به کارگیری معماری ها و الگوریتم های یادگیری تقویتی عمیق، از جمله روش های Actor Critic مانند PPO،SAC و تکنیک های مبتنی بر مدل، در زمینه کنترل رباتیک انسان نما ارائه می دهد تمرکز اصلی بر نحوه استفاده از این چارچوب ها برای دستیابی به کنترل مقاوم در برابر عدم قطعیت های دینامیکی و محیطی است ما چالش های حیاتی، از جمله شکاف شبیه سازی به واقعیت و لزوم تضمین ایمنی را دسته بندی و راهکارهای پیشرو در هر حوزه را مورد ارزیابی قرار می دهیم هدف نهایی، فراهم آوردن یک دیدگاه ساختاریافته برای محققان در جهت شناسایی شکاف های تحقیقاتی باقی مانده در این مسیر هیجان انگیز است

کلیدواژه‌ها

نویسندگان

شهلا موسوی

دانشجوی دکترای دانشگاه آزاداسلامی، واحد اصفهان خوراسگان ،اصفهان،ایران

موسوی، شهلا،1404،مروری بر معماری ها و الگوریتم های یادگیری تقویتی عمیق برای طراحی سیاست های کنترل مقاوم در سامانه های رباتیک انسان نما،بیست و نهمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات بیست و نهمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک28 بهمن 1404 · شیروان