| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-03-04 09:55 深層強化学習を用いたフリージングモデルによる冗長性を有する倒立振子制御 ○平河恒樹・福村直博（豊橋技科大）  NC2019-76 |
|
| 抄録 | （和） | 近年，様々な知能ロボットが研究・開発されており，巧みにタスクを行う多自由度ロボットの実現が期待されている．その実現にはロボットが自ら実環境で動作を行う必要があり，CPUやロボット性能の向上だけでなく，学習回数の削減が求められる．ヒトを含めた生体は多くの関節を持っているため，運動学習を行う際に学習進度に合わせて学習に使用する関節を増やすといったフリージング仮説が提案されている．先行研究では自由度の異なる複数のモジュールで再現したフリージングモデルの学習効率上昇が確認された．本研究では先行研究で使用された強化学習を深層強化学習へ変更し，より実ロボットに近いシミュレーション環境においてフリージングモデルが有効であるかを検証した．ロボットアームの先端に取り付けた倒立振子を2関節アームで制御するシミュレーションの結果から，深層強化学習によって学習はより容易になることを確認し，自由度の異なるモジュール同士を競合させた競合学習において選択確率を制御する逆温度パラメータを変更させた時の影響を検証した． |
| （英） | In recent years, various intelligent robots have been researched and developed, and multi-degree-of-freedom robots that can perform skillful tasks is expected. In order to learn tasks, the robot needs to operate in the real environment by itself, and it is necessary to reduce the number of learning trials. Since the living body including humans has many joints, the freezing hypothesis has been proposed that increases the number of joints used for motor task according to the learning progress during motor learning. In previous research, it was confirmed that the learning efficiency of the freezing model including multiple modules with different degrees of freedom increased. In this research, we introduce a deep reinforcement learning to the freezing model, and verify whether the model is effective in a simulation environment closer to a real robot. From the results of simulation experiment to control an inverted pendulum attached to the tip of the robot arm, we confirm that the deep reinforcement learning is effective to learn the control rule and verify the effect of the parameter for the selection probability in competitive learning. | |
| キーワード | （和） | フリージングモデル / 深層強化学習 / 倒立振子制御 / ROS / / / / |
| （英） | Freezing model / Deep reinforcement learning / Inverted pendulum control / ROS / / / / | |
| 文献情報 | 信学技報, vol. 119, no. 453, NC2019-76, pp. 3-8, 2020年3月. | |
| 資料番号 | NC2019-76 | |
| 発行日 | 2020-02-26 (NC) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NC2019-76 |
|
| 研究会情報 | |
| 研究会 | NC MBE |
| 開催期間 | 2020-03-04 - 2020-03-06 |
| 開催地（和） | 電気通信大学 |
| 開催地（英） | University of Electro Communications |
| テーマ（和） | NC, ME, 一般 |
| テーマ（英） | Neuro Computing, Medical Engineering, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | NC |
| 会議コード | 2020-03-NC-MBE |
| 本文の言語 | 日本語 |
| タイトル（和） | 深層強化学習を用いたフリージングモデルによる冗長性を有する倒立振子制御 |
| サブタイトル（和） | |
| タイトル（英） | Inverted pendulum control with redundancy by freezing model using deep reinforcement learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | フリージングモデル / Freezing model |
| キーワード(2)（和/英） | 深層強化学習 / Deep reinforcement learning |
| キーワード(3)（和/英） | 倒立振子制御 / Inverted pendulum control |
| キーワード(4)（和/英） | ROS / ROS |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 平河 恒樹 / Koki Hirakawa / ヒラカワ コウキ |
| 第1著者 所属（和/英） | 豊橋技術科学大学 (略称： 豊橋技科大) Toyohashi University of Technology (略称： Toyohashi Univ. of Tech) |
| 第2著者 氏名（和/英/ヨミ） | 福村 直博 / Naohiro Fukumura / フクムラ ナオヒロ |
| 第2著者 所属（和/英） | 豊橋技術科学大学 (略称： 豊橋技科大) Toyohashi University of Technology (略称： Toyohashi Univ. of Tech) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-03-04 09:55:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NC |
| 資料番号 | NC2019-76 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | no.453 |
| ページ範囲 | pp.3-8 |
| ページ数 | 6 |
| 発行日 | 2020-02-26 (NC) |
[研究会発表申込システムのトップページに戻る]