prikaz prve stranice dokumenta Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja
  Preuzmi
PDF 1.46 MB
diplomski rad
Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2025. urn:nbn:hr:168:888574
Pavlović, Barbara
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Pavlović, B. (2025). Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:888574

Pavlović, Barbara. "Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2025. https://urn.nsk.hr/urn:nbn:hr:168:888574

Pavlović, Barbara. "Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2025. https://urn.nsk.hr/urn:nbn:hr:168:888574

Pavlović, B. (2025). 'Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 24.03.2025., https://urn.nsk.hr/urn:nbn:hr:168:888574

Pavlović B. Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2025 [pristupljeno 24.03.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:888574

B. Pavlović, "Navigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2025. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:888574

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:888574
Podaci o radu
NaslovNavigacija mobilnih robota u gužvama pomoću dubokog potpornog učenja
Naslov (engleski)Crowd-aware mobile robot navigation via deep reinforcement learning
AutorBarbara Pavlović
MentorMarija Seder (mentor)
Član povjerenstvaIvan Marković (član povjerenstva)
Član povjerenstvaLuka Petrović (član povjerenstva)
Član povjerenstvaIvan Petrović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2025-02-25, Hrvatska
Sažetak
U ovom su radu demonstrirana, testirana i uspoređena neka od najpoznatijih rje- šenja za problem navigacije robota kroz gužve. Svi analizirani modeli temeljeni su na dubokom potpornom učenju, stoga se njihovo treniranje izvodi principom pokušaja i pogrešaka. Uspoređuju se izvedbe LM-SARL algoritma u modelima s različitim postup- cima treniranja i funkcijama nagrade, a radi se i analiza utjecaja intrinzičnih nagrada na model s istim algoritmom. Analizira se izvedba modela dubokog potpornog... Više učenja s Q-mrežama, ispitivanjem implementacije algoritma SG-D3QN. Svi su modeli trenirani koristeći jednake eksperimente u okolini kreiranoj programskim jezikom Python, u ko- jemu su implementirani i ovdje analizirani modeli dubokog učenja. U simulaciji se ko- risti neholonomski model robota, a testiranja na raznim različitim eksperimentima u simulaciji izvode se na modelima treniranima u okruženju s ljudskim agentima nevidlji- vim robotom. Radi se analiza zaglađenosti putanje robota kod svih ispitanih modela, kao i analiza razine sigurnosti u navigaciji kroz gužvu. Istakuti su uspjesi i kvaliteta ispitanih modela, no naglašeni su i uočeni nedostaci te mjesto za napredak. Sakrij dio sažetka
Sažetak (engleski)
In this paper, some of the most popular solutions to robot navigation through crowds have been demonstrated, tested and compared. All analyzed models are based on deep reinforcement learning and therefore their training is carried out by the principle of trial and error. Performances of LM-SARL algorithm in models with different training ap- proaches and reward functions are compared, and the impact of the intrinsic rewards on models with the same algorithm is also evaluated. The... Više performance of deep reinforce- ment learning model with Q-network is analyzed, by examining the implementation of SG-D3QN algorithm. All models were trained using the same set of experiments in an environment created with Python programming language, which was used for the im- plementation of deep reinforcement learning models as well. A nonholonomic robot was used in the simulation, and tests with various experiments were performed on the models trained in an environment with robot invisible to humans. The analysis of path smoothness and the level of navigation safety is done. The success and quality of the evaluated models have been highlighted, while the identified shortcomings and room for improvement have also been emphasized. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:888574
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2025-03-12 11:16:09
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.