Глибоке навчання з підкріпленням для керування дроном в задачі переслідування

Скорочена інформація про документ
dc.contributor.advisorКасьянов, Павло Олегович
dc.contributor.authorРибалко, Анастасія Анатоліївна
dc.date.accessioned2024-02-27T06:43:24Z
dc.date.available2024-02-27T06:43:24Z
dc.date.issued2024
dc.description.abstractОб’єкт дослідження – завдання керування дроном в рамках задачі переслідування об’єктів. Предмет дослідження – застосування методів глибокого навчання з підкріпленням для вирішення завдання керування дроном у задачі переслідування об'єктів. Мета роботи – розробка та оптимізація системи керування дроном на основі глибокого навчання з підкріпленням з метою ефективного переслідування об'єктів в умовах обмежених обчислювальних ресурсів. Досліджено, наскільки використання навчання з підкріпленням є життєздатним методом для ведення переслідування за допомогою автономного дрона. Результати показали, що існує потенціал у використанні методів RL, зокрема мереж DQN та PPO, для цього завдання, особливо у порівнянні із прямими статичними підходами. Крім того, реалізація представлень стану, які включають інформацію про динамічні рухи об’єктів та їхні відстані, демонструє значні переваги перед алгоритмами RL, які покладаються виключно на вхідні дані камери. Результати цієї роботи рекомендується використовувати для навчання моделей напівкерованого навчання в задачах переслідування. Результати цієї роботи заплановано апробувати на міжнародній конференції.
dc.description.abstractotherThe object of research is the task of controlling a drone within the framework of the task of chasing objects. The subject of the study is the application of deep learning methods with reinforcement to solve the task of controlling a drone in the task of tracking objects. The purpose of the work is to develop and optimize a drone control system based on deep learning with reinforcement for the purpose of effective pursuit of objects in conditions of limited computing resources. Investigated the extent to which the use of reinforcement learning is a viable method for autonomous drone pursuit. The results showed that there is potential in using RL methods, particularly DQN and PPO networks, for this task, especially compared to direct static approaches. In addition, the implementation of state representations that include information about dynamic object motions and their distances shows significant advantages over RL algorithms that rely solely on camera input. The results of this work are recommended to be used for training semi-supervised learning models in pursuit tasks. The results of this work are planned to be tested at an international conference.
dc.format.extent139 с.
dc.identifier.citationРибалко, А. А. Глибоке навчання з підкріпленням для керування дроном в задачі переслідування : магістерська дис. : 122 Комп'ютерні науки / Рибалко Анастасія Анатоліївна. – Київ, 2024. – 139 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/64987
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectглибоке навчання з підкріпленням для керування дроном в задачі переслідування
dc.subjectмашинне навчання
dc.subjectнавчання з підкріпленням
dc.subjectзадача переслідування
dc.subjectдрон
dc.subjectбпла
dc.subjectкарта глибин
dc.subjectdeep reinforcement learning for autonomous drone tracking and following
dc.subjectmachine learning
dc.subjectreinforcement learning
dc.subjectdqn
dc.subjectdrone following
dc.subjectppo
dc.subjectdrone
dc.subjectuav
dc.subjectdepth map
dc.subject.udc004.85+004.9]:[629.05:623.746- 519](043.3)
dc.titleГлибоке навчання з підкріпленням для керування дроном в задачі переслідування
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Rybalko_magistr.pdf
Розмір:
2.39 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ШІ)
Магістерські роботи