선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 신경망 모델을 강화학습 방법으로 Real world에서 학습 시킨다는 것은 엄청나게 고된 반복적인 노동을 필요로 하여 사실상 불가능에 가깝다. 따라서 본 논문에서는 가상 환경 시뮬레이터 gazebo를 이용하여 가상의 환경 속에서 신경망 모델이 학습을 할 수 있도록 환경을 조성하여 학습하도록 하였다. 또한 단계적인 학습을 통해 안정적인 학습을 할 수 있도록 신경망 모델의 학습 정도에 따라 환경의 난이도를 높여가며 학습을 진행할 수 있도록 단계를 나눠 학습이 진행되도록 하였다.
- 따라서 연구자는 입력 데이터와 몇 가지의 선택지, 그리고 규칙을 통한 보상을 정의하여 데이터 셋을 만들 필요가 없고 연구자의 개입이 지도 학습 방법에 대해 비교적 적은 강화 학습 방법을 이용하여 심층 신경망 모델의 연결망의 강도를 학습시키는 방법을 선택하였다.본 논문에서는 강화 학습 방법 중 Watkins and Dayan,(1992)에 의해 제안된 TD기법 기반 알고리즘으로행동가치함수 Qπ를 이용하여 최적 정책π*를 찾는 기법인 Q-Learning[2]이 심층 신경망에 적용된 Deep Q-Learning 방법을 통해 모델을 학습시키고자 한다.
- 그 가운데 Mnih et al (2015)이 고안한 강화학습의 한 방법인 Q-Learning을 심층신경망에 적용시켜 학습시킨 DQN(Deep Q Network)는 Atari의 49개의 게임에 대한 결과 타 알고리즘보다 43개의 게임에서 우위를 차지하였고 29개의 게임에서는 human tester 점수의 75% 이상을 얻어 인간 수준의 제어 능력을 보여주었다[1]. 본 논문은이 기술을 모바일 로봇에 접목시켜 심층 신경망이 학습을 통해 실내 환경에서 장애물 회피에 특화될 수 있도록 유도시키기 위한 연구의 과정이다. 이 연구에서 심층 신경망의 입력 데이터는 Lidar의 2D 스캔을 통한 주변 장애물 거리 정보, ROS의 Gmapping 패키지를 이용하여 미리 작성된 실내 지도에서 로봇의 위치 및 자세 정보, Dijkstra algorithm을 이용한 지도상의 출발지와 목적지에 대한 최단거리 정보를 사용하였다.
- 이 연구에서 심층 신경망의 입력 데이터는 Lidar의 2D 스캔을 통한 주변 장애물 거리 정보, ROS의 Gmapping 패키지를 이용하여 미리 작성된 실내 지도에서 로봇의 위치 및 자세 정보, Dijkstra algorithm을 이용한 지도상의 출발지와 목적지에 대한 최단거리 정보를 사용하였다. 이를 통해 모델은 학습으로 업데이트된 연결망의 강도에 따라 입력 데이터에 대해 장애물 회피를 위한 최적의 행동을 취할 수 있도록 신경망 모델링 및 학습 방법에 대해 연구를 진행하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.