Posnemanje dinamskega modela mobilnega robota z uporabo LSTM nevronske mreže

magistrsko delo magistrskega študijskega programa II. stopnje Strojništvo

Povzetek

V magistrski nalogi je obravnavano posnemanje dinamskega modela mobilnega robota z diferencialnim pogonom z uporabo nevronske mreže z dolgim kratkoročnim spominom (LSTM). LSTM mreže imajo zmožnost analizirati pretekle dogodke, na katerih ustrezno napovedo kratkoročno prihodnost. Preverili bomo, ali mreža lahko naredi povezavo med vhodnimi in izhodnimi veličinami dinamskega modela. Najprej je predstavljena teorija o strojnem učenju in umetnih nevronskih mrežah ter delovanju fizikalnega modela robota. V praktičnem delu je opisana metoda generiranja podatkov in preizkusi različnih struktur LSTM mreže. Rezultati prikažejo, da umetna LSTM mreža dobro posnema dinamiko robota.

Ključne besede

magistrske naloge;nevronske mreže;LSTM;dinamski model;robotika;diferencialni pogon;simulacija;

Podatki

Jezik:	Slovenski jezik
Leto izida:	2020
Tipologija:	2.09 - Magistrsko delo
Organizacija:	UL FS - Fakulteta za strojništvo
Založnik:	[N. Urh]
UDK:	004.85:007.52(043.2)
COBISS:	28719619
Št. ogledov:	307
Št. prenosov:	68
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Angleški jezik
Sekundarni naslov:	Simulating a dynamic model with differential drive using LSTM neural network
Sekundarni povzetek:	The masters thesis deals with imitation of a dynamic model of a differential-powered robot with an LSTM artificial neural network. Long-short term memory network (LSTM) have the ability to predict short term future events based on the past time-varied data. We will test the LSTM network's ability to make a corealtion between input and output variables of dynamic model. The theory of machine learning and artificial neural networks and the operation of a physical model of a robot are presented. The practical part describes the method of generating data and testing different structures of the LSTM network. The results show that it is possible to use the LSTM for replacement of the physical model without proper knowledge of the physical background.
Sekundarne ključne besede:	master thesis;neural networks;LSTM;dynamic model;robotics;differential drive;simulation;
Vrsta dela (COBISS):	Magistrsko delo/naloga
Študijski program:	0
Komentar na gradivo:	Univ. Ljubljana, Fak. za strojništvo
Strani:	XXII, 75 str.
ID:	12027704