Uporaba spodbujevanega učenja za krmiljenje simuliranega robotskega manipulatorjaPestotnik, Žan (Avtor) Dobrišek, Simon (Mentor) spodbujevano učenjeMuJoCoUR10ePPOSACTQCV diplomskem delu smo zasnovali in implementirali simulacijsko okolje za spodbujevano učenje (angl. reinforcement learning) za robotski manipulator Universal Robots UR10e. Obravnavali smo razvoj okolja, ki omogoča učenje robotske manipulacije v simulaciji. Okolje temelji na simulatorju MuJoCo, knjižnicah Gymnasium in Gymnasium Robotics ter ogrodju PyTorch z uporabo knjižnice Stable-Baselines3. Razvili smo prilagojeni okolji za nalogi doseganja cilja (angl. Reach) ter prijemanja in dvigovanja predmeta (angl. Pick-and-Place). Implementirali smo kartezično vodenje robotskega manipulatorja z uporabo inverzne kinematike po metodi dušenih najmanjših kvadratov (angl. Damped Least Squares), prilagodili smo opazovalni in akcijski prostor, dekompozicijo zahtevnejše naloge ter ustrezni funkciji nagrajevanja. Ovrednotili smo algoritme SAC (angl. Soft Actor-Critic), PPO (angl. Proximal Policy Optimization) in TQC (angl. Truncated Quantile Critics). Pri nalogi doseganja cilja sta algoritma SAC in TQC dosegla 100 % uspešnost, PPO pa približno 80 %. Naloga prijemanja in dvigovanja predmeta je bila zahtevnejša. SAC je dosegel približno 40 % uspešnost, TQC največ približno 30 %, PPO pa naloge ni uspešno dokončal. Rezultati kažejo, da razvito okolje omogoča uspešno učenje osnovne manipulacijske naloge in je osnova za nadaljnji razvoj zahtevnejših nalog ter prenos naučenih strategij na fizične robotske sisteme.20262026-09-02 12:06:37Diplomsko delo/naloga186491VisID: 63428COBISS_ID: 290472963sl