Simulacija in analiza hoje z metodo spodbujevalnega učenjaZIRKELBACH, ALJAŽ (Avtor) Podobnik, Janez (Mentor) spodbujevalno učenjeUnitymodelrobothojafunkcija spodbudeV tem dokumentu je predstavljeno spodbujevalno učenje pri simulaciji hoje humanoidnega robota z uporabo algoritma proksimalna optimizacija strategije (ang. Proximal policy optimization, krajše PPO). Podrobno so opisani model robota, sestavljen v razvijalni platformi Unity, na katerem se izvajajo simulacije spodbujevalnega učenja z uporabo paketa ML-Agents, agent, njegova vhodna in izhodna stanja ter funkcija spodbude. Referenčne animacije, ki jih robot v tej nalogi posnema, so del javno dostopne baze meritev, ki zajemajo časovni potek premikanja posameznih segmentov več različnih primerov hoje, podatke o masah, višinah posnetih oseb, hitrosti hoje in podatke o reakcijski sili tal (ang. ground reaction force, krajše GRF) in centru pritiska (ang. center of pressure, krajše CoP), ki se jih na koncu izvozi in analizira v okolju MATLAB ter se primerja s tistimi pridobljenimi z naučenega modela robota. Predstavljeni sta funkcionalnosti zgodnja prekinitev (ang. Early termination) in inicializacija referenčnega stanja (ang. Reference state initialization), ki pospešita učenje ter pomagata pri stabilnosti učenja in hoje. V končnem in najobsežnejšem poglavju je predstavljen celoten potek gradnje modela robota in posnemanja hoje od prve do zadnje verzije, kar je sestavljeno v čim bolj smiselno celoto. Cilj tega poglavja je, da se razbere miselni proces pri izboljševanju modela in prikaže doseženo posnemanje referenčne hoje, CoP ter GRF.20212021-09-15 12:50:00Magistrsko delo/naloga130496sl