From all to a subset harmonic-based optimal motion planning in constrained workspaces using reinforcement learning

Βλάχος, Χρίστος; Vlachos, Christos

dc.contributor.author	Βλάχος, Χρίστος	el
dc.contributor.author	Vlachos, Christos	en
dc.date.accessioned	2022-12-12T10:44:09Z
dc.date.available	2022-12-12T10:44:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56424
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24122
dc.rights	Default License
dc.subject	Optimal Motion Planning	en
dc.subject	Parametric Controller	en
dc.subject	Artificial Potential Field	en
dc.subject	Reinforcement Learning	en
dc.subject	Policy Gradient Algorithm	en
dc.subject	Βέλτιστος Σχεδιασμός Πορείας	el
dc.subject	Παραμετρικός Ελεγκτής	el
dc.subject	Τεχνητά Δυναμικά Πεδία	el
dc.subject	Ενισχυτική Μάθηση	el
dc.subject	Αλγόριθμος Κλίσης Πολιτικής	el
dc.title	From all to a subset harmonic-based optimal motion planning in constrained workspaces using reinforcement learning	en
dc.title	Βέλτιστος σχεδιασμός πορείας σε φραγμένους χώρους με χρήση αρμονικών πεδίων και ενισχυτικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Ρομποτική	el
heal.classification	Robotics	en
heal.classification	Reinforcement Learning	en
heal.classification	Ενισχυτική Μάθηση	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-09-05
heal.abstract	Στην παρούσα διπλωματική εργασία, παρουσιάζεται μια καινοτόμος λύση για το πρόβλημα του βέλτιστου σχεδιασμού πορείας σε στατικά, πλήρως γνωστά περιβάλλοντα. Η προσέγγισή μας, επιτρέπει σε ένα ρομπότ να πλοηγηθεί με ασφάλεια προς οποιοδήποτε προορισμό εντός ενός υποσυνόλου του χώρου εργασίας του, με την χρήση ενός παραμετρικού ελεγκτή που βασίζεται στην θεωρία Τεχνητών Δυναμικών Πεδίων (ΤΔΠ). Η βελτιστότητα επιτυγχάνεται με την εφαρμογή τεχνικών Ενισχυτικής Μάθησης (ΕΜ). Πιο συγκεκριμένα, οι παράμετροι του δυναμικού πεδίου ρυθμίζονται κατάλληλα μέσω ενός αλγορίθμου κλίσης πολιτικής με σκοπό την ελαχιστοποίηση μιας συνάρτησης κόστους. Παρά τους περιορισμούς της, η προτεινόμενη μέθοδος μπορεί να αποτελέσει μια σημαντική προσθήκη στις ήδη υπάρχουσες τεχνικές βέλτιστου σχεδιασμού πορείας.	el
heal.abstract	In this thesis, a novel solution is presented for optimal motion planning in static, fully-known environments. Our approach allows a robot to safely navigate towards any destination within a subset of its workspace by using a parametric controller based on Artificial Potential Field (APF) theory. Optimization is achieved through the application of Reinforcement Learning (RL) techniques. More specifically, the parameters of the underlying potential field are adjusted appropriately with a policy gradient algorithm in order to minimize a cost function. The proposed method is not without its limitations, but can still be a valuable addition to the arsenal of established motion planning approaches.	en
heal.advisorName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Κυριακόπουλος, Κωνσταντίνος	el
heal.committeeMemberName	Ψυλλάκης, Χαράλαμπος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	62 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false