磁性微机器人的智能导航,在现实世界环境中采用无模型深度强化学习
Amar Salehi1, Soleiman Hosseinpour1, Nasrollah Tabatabaei2
1Department of Mechanical Engineering of Agricultural Machinery, Faculty of Agriculture, University of Tehran, Karaj 31587-77871, Iran.
Micromachines
|January 23, 2024
概括
这项研究证明了无模型的深度强化学习用于自主微机器人导航. 磁性微机器人在流体环境中实现了精确的控制和最佳的路径定位,并显示出高的成功率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 控制系统 控制系统
背景情况:
- 微机器人技术在医学领域具有巨大的潜力,但在自主导航方面面临着挑战.
- 在流体环境中精确控制微机器人对于最佳性能至关重要.
- 当系统模型不可用时,对微机器人控制需要无模型方法.
研究的目的:
- 实施和评估用于自主微机器人导航的无模型深度强化学习算法.
- 评估软行动者-关键 (SAC) 和信托地区政策优化 (TRPO) 算法的性能.
- 在现实世界流体环境中展示磁性微机器人的智能和精确控制.
主要方法:
- 采用了两种无模型深度强化学习算法,即政策之外的SAC和政策内的TRPO.
- 一个盘状的磁性微机器人被用于实验在现实世界的流体环境.
- 这些算法经过训练,使微机器人能够自主导航到随机目标位置.
主要成果:
- 无论是TRPO还是SAC算法,都使微机器人能够学习到目标位置的最佳路径.
- 在培训阶段,TRPO 显示出优异的样本效率和稳定性.
- 在评估阶段,TRPO取得了100%的成功率,而SAC取得了97.5%的成功率.
结论:
- 无模型的深度强化学习为微机器人提供了有效的智能和自主导航控制.
- 该研究强调了TRPO和SAC算法的潜力,以提高微机器人的能力.
- 这些发现有助于开发微机器人,用于各种应用,特别是医学领域.
