Αξιολόγηση μεθόδων βαθιάς ενισχυτικής μάθησης στη ρομποτική
Loading...
Date
2026-02-25
Authors
Πουρνάρας, Άγγελος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία αναπτύσσει και αξιολογεί ένα ολοκληρωμένο πλαίσιο πλοήγησης κινητού ρομπότ σε περιβάλλον προσομοίωσης, συνδυάζοντας πιθανοκρατικό εντοπισμό/χαρτογράφηση (SLAM) με Βαθιά Ενισχυτική Μάθηση. Η υλοποίηση πραγματοποιείται στο Webots για ρομποτική πλατφόρμα Pioneer 3-DX με αισθητήρα LiDAR (Sick S300). Αρχικά παρουσιάζεται βήμα-βήμα η ανάπτυξη συστήματος πλοήγησης με waypoints και χαρτογράφηση τύπου occupancy grid, αξιοποιώντας οδομετρία, IMU και σαρώσεις LiDAR, ώστε να απομονωθεί η συνεισφορά κάθε υποσυστήματος. Στη συνέχεια ενσωματώνεται εκτιμητής με σωματίδια (PF–SLAM/FastSLAM) ως σημείο αναφοράς για την εκτίμηση πόζας και τη συνεπή ενημέρωση του χάρτη. Για την επιλογή δράσης προς έναν στόχο, υιοθετείται Deep Q-Network (DQN) με διακριτό σύνολο ενεργειών, όπου η κατάσταση περιλαμβάνει συμπιεσμένη πληροφορία LiDAR, χαρακτηριστικά της σχετικής γεωμετρίας στόχου και (ανά πείραμα) εκτίμηση πόζας. Στο πλαίσιο προσομοίωσης, η ανταμοιβή και τα κριτήρια επιτυχίας ορίζονται ως συνάρτηση της πραγματικής απόστασης από τον στόχο. Η εκπαίδευση εκτελείται με ϵ-greedy εξερεύνηση, replay buffer και target network, ενώ η αξιολόγηση πραγματοποιείται σε
πολλαπλά ανεξάρτητα runs χωρίς εξερεύνηση. Πραγματοποιούνται τρία πειράματα με διαφορετικές γεωμετρίες στόχου και επιλογές αναπαράστασης πόζας, και καταγράφονται μετρικές επιτυχίας/σύγκρουσης/timeout, αριθμού βημάτων, καθώς και δείκτες απόστασης (dmin, dfinal). Τα αποτελέσματα αναδεικνύουν ότι η πολιτική DQN μπορεί να μάθει σταθερή συμπεριφορά προσέγγισης στόχου, ενώ η ακρίβεια εντοπισμού επηρεάζει άμεσα τη σταθερότητα και την αποδοτικότητα της πλοήγησης.
Description
Keywords
Βαθιά ενισχυτική μάθηση, Ταυτόχρονος εντοπισμός και χαρτογράφηση, Αυτόνομη πλοήγηση ρομπότ