Цель работы – анализ границ применимости различных алгоритмов глубокого обучения с подкреплением, а также изучение методологии интеграции моделей объектов во фреймворк глубокого обучения с подкреплением в задаче синтеза систем управления автономным МР. В работе рассмотрены существующие подходы к синтезу алгоритмов управления автономными мобильными роботами, проанализированы методы глубокого обучения с подкреплением и фреймворки, реализующие эти алгоритмы.

The aim of this work is to analyse the limits of applicability of various deep reinforcement learning algorithms and study the methodology of object models integration into deep reinforcement learning framework in the task of designing autonomous mobile robot control systems. This work is concerned with existing approaches of designing autonomous mobile robot control systems, analyses deep reinforcement learning methods and frameworks that implement these algorithms.

• РЕФЕРАТ
• THE ABSTRACT
• ВВЕДЕНИЕ
• Анализ подходов к созданию автономных робототехнических систем
  • Эволюционные алгоритмы
  • Алгоритмы на основе нечёткой логики
  • Формальный подход
  • Обучение с подкреплением
  • Формулировка цели и задач работы
  • Выводы по разделу
• Анализ методов глубокого обучения с подкреплением
  • CEM
  • DQN
  • Dueling DQN
  • SARSA
  • DDPG
  • TRPO
  • PPO
  • Выводы по разделу
• Экспериментальное исследование
  • Анализ средств разработки
  • Структура выбранного фреймворка
  • Экспериментальное сравнение алгоритмов
  • Математическая модель МР
  • Вывод по разделу
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ