Podrobno

Dinamični varnostni filtri v spodbujevalnem učenju za robotske sisteme : magistrsko delo
ID Rifel, Anže (Avtor), ID Babič, Jan (Mentor) Več o mentorju... Povezava se odpre v novem oknu

.pdfPDF - Predstavitvena datoteka, prenos (1,98 MB)
MD5: 2AFEA1B0C4918B7E3B43416D09BB299A

Izvleček
Pri spodbujevalnem učenju se agent uči iz lastnih poskusov in postopno izboljšuje svojo strategijo, torej pravilo, ki vsakemu stanju priredi dejanje. V robotiki je tako učenje drago, saj napaka lahko pomeni poškodbo robota in tveganje za okolico. Nevarnost se običajno rešuje s statičnimi pravili, na primer s pragom na kotu, ta pa ne upoštevajo dinamike fizičnih sistemov: isti kot je lahko povsem varen ali že nepopravljivo izgubljen, odvisno od smeri gibanja in preostalega nadzora. V delu preizkušamo dinamično alternativo, pri kateri agent nevarnost oceni sam, brez zunanje opredelitve prepovedanih stanj. Osrednja mera je opolnomočenost: koliko različnih prihodnjih izidov lahko agent s svojimi dejanji še doseže, zato upade, ko agent izgublja nadzor. Oceno z utežjo prištejemo k nagradi za nalogo kot pomožno nagrado, tako da se agent uči tudi ohranjati nadzor. Za primerjavo vključimo še prediktivno informacijo, ki meri, koliko prihodnosti je mogoče razbrati iz preteklosti. Mehanizem preverjamo na determinističnem obrnjenem nihalu, ki ga mora agent z omejenim navorom pripeljati v ukazano lego in jo zadržati. Z vzvratno dosegljivostjo je mogoče za vsako stanje natančno izračunati, ali je padec, torej prekoračitev mejnega kota, ki konča epizodo, še mogoče preprečiti. To služi kot referenčna resnica o tveganju, delež učnih epizod s padcem pa kot merilo varnosti učenja. Učimo tako strategije za posamezen cilj kot eno strategijo za vse cilje. Analiza približno 3.000 učnih tekov prinese tri ugotovitve. Prvič, opolnomočenost tveganje zares zaznava: stanja razvrsti po nevarnosti občutno bolje kot katerakoli od obeh spremenljivk, iz katerih je izračunana (rangovna korelacija z izračunano referenco 0,70 proti 0,33 za kotno hitrost in 0,00 za kot nihala), prediktivna informacija pa na istem preizkusu odpove. Drugič, vpliv uteži ni sorazmeren kompromis, temveč ima optimum: pri zmernih vrednostih se padci med učenjem občutno zmanjšajo ob komaj opaznem upadu uspešnosti naloge, pri pretiranih pa pomožna nagrada prevlada nad nalogo in agent cilj opusti. Tretjič, pri strategiji za posamezen cilj korist ne izvira iz vsebine signala, saj jo enako dobro dosežeta kontroli brez informacijske vsebine, konstantna in naključno premešana pomožna nagrada. Pri enotni strategiji za vse cilje pa opolnomočenost korist obdrži in padce med učenjem zniža s 43,8 na 27,7 %, obe kontroli pa sta slabši od izhodišča brez pomožne nagrade. Notranji varnostni signal je torej učinkovit le, kadar je porazdelitev obiskanih stanj dovolj široka, da signal preko nje ohrani dovoljšnjo variabilnost; sicer se izrodi v ponovni zapis že opazovanih podatkov.

Jezik:Slovenski jezik
Ključne besede:strojno učenje, umetna inteligenca, oblikovanje nagrade, opolnomočenost, prediktivna informacija, robotika, spodbujevalno učenje, varnost
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:PEF - Pedagoška fakulteta
Kraj izida:Ljubljana
Založnik:A. Rifel
Leto izida:2026
Št. strani:IV, 81 str.
PID:20.500.12556/RUL-189723 Povezava se odpre v novem oknu
UDK:004.85(043.2)
COBISS.SI-ID:300809987 Povezava se odpre v novem oknu
Datum objave v RUL:13.10.2026
Število ogledov:39
Število prenosov:7
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Dynamic safety filters in reinforcement learning for robotic systems
Izvleček:
In reinforcement learning an agent learns from its own attempts and improves its policy, the rule that maps each state to an action. In robotics such learning is costly, because a mistake can damage the robot and endanger its surroundings. Danger is typically managed with static rules, such as an angle threshold, but these ignore the dynamics of physical systems: the same angle may be safe or already irrecoverably lost, depending on the direction of motion and the remaining control. We test a dynamic alternative in which the agent assesses danger itself, without an external definition of forbidden states. The core quantity is empowerment: how many future outcomes the agent can still reach by its actions, so it drops as control is lost. A weighted estimate is added to the task reward as an auxiliary reward, so that the agent also learns to retain control. For comparison we include predictive information, measuring how much of the future is inferable from the past. The mechanism is evaluated on a deterministic inverted pendulum that the agent must bring to a commanded angle and hold there using a limited torque. Backward reachability determines exactly, for every state, whether a fall (exceeding the terminal angle, which ends the episode) can still be prevented. This serves as ground truth about risk, and the share of training episodes ending in a fall measures the safety of learning. We train both single-goal policies and one policy for all goals. Analysis of about 3,000 training runs yields three results. First, empowerment does track danger: it ranks states by danger markedly better than either variable it is computed from (rank correlation with the exact reference 0.70, against 0.33 for angular velocity and 0.00 for the pendulum angle), while predictive information fails the same test. Second, the effect of the weight is not a proportional trade-off but has an optimum: at moderate values training falls drop markedly with barely any loss of task performance, whereas at excessive values the auxiliary reward overwhelms the task and the agent abandons the goal. Third, for a single-goal policy the benefit does not come from the signal's content, since two information-free controls, a constant and a randomly shuffled auxiliary reward, achieve it equally well. For one policy spanning all goals, however, empowerment keeps the benefit, lowering training falls from 43.8 to 27.7 %, while both controls do worse than the baseline without an auxiliary reward. An intrinsic safety signal is therefore effective only when the distribution of visited states is broad enough for the signal to retain meaningful variation; otherwise it degenerates into a restatement of what the agent already observes.

Ključne besede:empowerment, predictive information, reinforcement learning, reward shaping, robotics, safety

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj