کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6905681 | 862819 | 2014 | 14 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Bio-insect and artificial robot interaction using cooperative reinforcement learning
ترجمه فارسی عنوان
تعامل روبات های بیولوژیک و حشرات با استفاده از یادگیری تقویت همکاری
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تقویت یادگیری، کنترل فازی، تعامل هوشمند،
ترجمه چکیده
در این مقاله، یادگیری تقویت همکاری مبتنی بر منطق فازی برای به اشتراک گذاشتن دانش در میان ربات های مستقل پیشنهاد می شود. هدف نهایی این مقاله این است که جلب حشرات زیستی به سوی مناطق هدف مورد نظر با استفاده از روبات های مصنوعی بدون کمک های انسانی. برای رسیدن به این هدف، ما یک مکانیسم تعامل با استفاده از یک منبع خاص بو و شبیه سازی و آزمایشات را به دست آوردیم [1]. برای یادگیری کارآمد بدون کمکهای انسانی، ما در زمینه چندگانه عامل یادگیری تقویت همکاری استفاده می کنیم. علاوه بر این، ما یک سیستم اندازه گیری مهارت مبتنی بر منطق فازی را برای افزایش توانایی یادگیری طراحی می کنیم. این ساختار روبات های مصنوعی را قادر می سازد دانش را در هنگام ارزیابی و اندازه گیری عملکرد هر ربات به اشتراک بگذارند. از طریق آزمایش های متعدد، عملکرد الگوریتم های یادگیری پیشنهاد شده ارزیابی می شود.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
In this paper, we propose fuzzy logic-based cooperative reinforcement learning for sharing knowledge among autonomous robots. The ultimate goal of this paper is to entice bio-insects towards desired goal areas using artificial robots without any human aid. To achieve this goal, we found an interaction mechanism using a specific odor source and performed simulations and experiments [1]. For efficient learning without human aid, we employ cooperative reinforcement learning in multi-agent domain. Additionally, we design a fuzzy logic-based expertise measurement system to enhance the learning ability. This structure enables the artificial robots to share knowledge while evaluating and measuring the performance of each robot. Through numerous experiments, the performance of the proposed learning algorithms is evaluated.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Soft Computing - Volume 25, December 2014, Pages 322-335
Journal: Applied Soft Computing - Volume 25, December 2014, Pages 322-335
نویسندگان
Ji-Hwan Son, Young-Cheol Choi, Hyo-Sung Ahn,