چکیده مقاله
یادگیری تقویتی به عنوان یکی از موثرترین چارچوب ها برای آموزش ربات های خودمختار در محیطهای پیچیده و پویا شناخته میشود با این حال، اجرای آن در دنیای واقعی با چالشهایی همچون نیاز به دادههای زیاد، حساسیت به تنظیمات، وابستگی به مداخله انسانی برای بازنشانی و طراحی پاداش، و مقیاس پذیری در فضای حالت و عمل مواجه است در این مقاله، روشهای نوین یادگیری تقویتی شامل: یادگیری تقویتی مبتنی بر سیاست در سیستمهای خود تطبیق پذیر, الگوریتم SACچارچوب GEARبرای یادگیری خودمختار با بازخورد انسانی ناهمگام و رویکرد مبتنی بر انتزاع حالت و شکل دهی پاداش مورد بررسی قرار میگیرند همچنین، با تحلیل مطالعات موردی در رباتیک، نقش حیاتی بازنمایی سیاست در موفقیت یادگیری تقویتی مورد تاکید قرار میگیرد نتایج نشان میدهند که ترکیب روشهای مبتنی بر مدل، بازخورد انسانی کارآمد و معماری های عصبی پیشرفته میتواند خودمختاری ربات ها را در محیط های واقعی به طور معنا داری بهبود بخشد
کلیدواژهها
نویسندگان
شرف نساء ولی پور
دانشجوی کارشناسی مهندسی کامپیوتر دانشکده ملی مهارت دختران انقلاب بجنورد
نساء خاندوزی قلی آباد
استاد راهنما، مدرس دانشکده ملی مهارت دختران انقلاب بجنورد مدیرگروه کامپیوتر
شیوه ارجاع
ولی پور، شرف نساء و خاندوزی قلی آباد، نساء،1405،بررسی یادگیری تقویتی در ربات های خودمختار،بیست و نهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات بیست و نهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات27 فروردین 1405 · بابل