РАСЧЕТ ОПЫТНОГО ОБРАЗЦА МАНИПУЛЯТОРА ДЛЯ ИЗУЧЕНИЯ МЕТОДОВ ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ

Д.С. Ступников, А.А. Толстых, С.В. Малюков, А.А. Аксенов, С.В. Новиков

Скачать

№ 1 (41)

Технологии. Машины и оборудование

Аннотация: 

Обучение с подкреплением является одной из разновидностей алгоритмов машинного обучения. Данные алгоритмы взаимодействуют с моделью среды, в которой предполагается использование робототехнической системы, и позволяют получать относительно простые аппроксимации эффективных наборов действий системы для достижения поставленной цели. Применение обучения с подкреплением позволит обучить модель на серверном оборудовании, а в конечной системе использовать уже обученные нейронные сети, сложность вычисления отклика которых напрямую зависит от их топологии. В представленной работе проведен статистический расчет опытного образца роботизированного манипулятора для стендовых исследований систем обучения с подкреплением. Обоснован выбор конструктивных особенностей и материалов, рассмотрены основные узлы и особенности конструкции. Исследования были проведены в программе SolidWorks Simulation. Получен опытный образец робота-манипулятора с достаточно высоким запасом прочности. Сделан вывод о том, что основным концентратором напряжений является стык проушины и платформы, однако максимальное значение напряжения составило 3,8804 МПа, что является незначительным. При этом максимальное результирующее перемещение будет концентрироваться в верхней части проушины и будет смещаться в зависимости от положения руки манипулятора. Максимальное зафиксированное значение перемещения равно 0,073 мм, что является незначительным.

 

Ключевые слова: 

промышленный робот, опытный образец, робот-манипулятор, статистический анализ

 

Литература: 
  1. Naser, M. Z. Machine learning assessment of fiber-reinforced polymer-strengthened and reinforced concrete Members / M. Z. Naser // ACI Structural Journal. – 2020. – № 117 (6). – P. 237–251. – DOI: 10.14359/51728073.
  2. Wistuba, M. Automation of deep learning – Theory and practice / M. Wistuba, A. Rawat, T. Pedapati // ICMR 2020 – Proceedings of the 2020 International Conference on Multimedia Retrieval. – 2020. – P. 5–6. – DOI: 10.1145/3372278.3390739.
  3. Deep-learning trust estimation in multi-agent systems / C. Balas, R. Karlsen, P. Muench [et al.] // Proceedings of SPIE – The International Society for Optical Engineering. – 2017. – № 1019510. – DOI: 10.1117/12.2264152.
  4. Improvement on supporting machine learning algorithm for solving problem in immediate decision making / A. Niazi, N. Redzuan, R. I. R. Hamzah, S. Esfandiari // Advanced Materials Research. – 2012. –№ 566. – P. 572–579. – DOI: 10.4028/www.scientific.net/AMR.566.572.
  5. Dueling Network Architectures for Deep Reinforcement Learning. / Z. Wang, T. Schaul, M. Hessel [et al.] // 33rd International Conference on Machine Learning, ICML. – 2016. – № 4. – P. 2939–2947.
  6. Применение метода обучения с подкреплением в роботизированных и автоматизированных системах лесной промышленности / А. А. Толстых, Д. С. Ступников, С. В. Малюков [и др.] // Лесотехнический журнал. – 2020. – Т. 10. – № 1 (37). – С. 256–265. – DOI: 10.34220/issn.2222-7962/2020.1/19.
  7. Алямовский, А. А. SolidWorks Simulation. Инженерный анализ для профессионалов: задачи, методы, рекомендации / А. А. Алямовский. – Москва : ДМК Пресс, 2015. – 562 с.
  8. Собачкин, А. А. SolidWorks. Компьютерное моделирование в инженерной практике / А. А. Собачкин, Е. В. Одинцов. – Санкт-Петербург : БХВ-Петербург, 2005. – 800 с.
  9. Policy Gradient Methods for Reinforcement Learning with Function Approximation / R. S. Sutton, D. A. McAllester, S. P. Singh, M. Yishay // Advances in Neural Information Processing Systems 12. – 2000. – P. 1057–1063.
  10. Gan, J. Q. A GPU-based DEM approach for modelling of particulate systems / J. Q. Gan, Z. Y. Zhou, A. B. Yu // Powder Technology. – 2016. – No. 301. – 1172. – DOI: 10.1016/j.powtec.2016.07.072.
  11. Hou, Q. F. DEM study of the flow of cohesive particles in a screw feeder / Q. F. Hou, K. J. Dong, A. B. Yu // Powder Technology. – 2014. – No. 256. – 529. – DOI: 10.1016/j.powtec.2014.01.062.
  12. Patent US 5815154 Graphical browser system for displaying and manipulating a computer model / J. K. Hirschtick, S.G. Krug, R.P. Zuffante.September 29, 1998.
  13. Woyak, S. A. Functionality and data integration of software modules through dynamic integration / S. A. Woyak, A. Myklebust // Journal of Engineering Design. – 1998. – Vol. 9. – No. 2. – P. 137–158. –DOI: 10.1080/095448298261598.
  14. Rao, J. S. Simulation Based Engineering in Solid Mechanics (Springerbriefs in Applied Sciences and Technology) / J. S. Rao. – New York : Springer, 2017. – 200 p.
  15. Феодосьев, В. И. Сопротивление материалов : учебник для вузов / В. И. Феодосьев. – 10-е изд., перераб. и доп. – Москва : Изд-во МГТУ им. Н.Э. Баумана, 1999. – 592 с.
  16. Электронное моделирование SSJ-100 / М. А. Погосян, Е. П. Савельевских, Д. Ю. Стрелец, Г. В. Львова // Наука и технологи в промышленности. – 2011. – № 3. – С. 8–20.