| Abstract |
Bakalaura darbs “Robotu trajektorijas iegūšana ar mašīnmācīšanās metodēm” ir veltīts aktuālai robotikas jomas problēmai – robotu navigācijai nestandarta apstākļos. Darba mērķis ir izpētīt un salīdzināt dziļās mašīnmācīšanās metodes, kas var tikt pielietotas robota kustību trajektoriju iegūšanai nezināmā, dinamiskā vidē, un sniegt vispusīgu šo metožu analīzi, izvērtējot to priekšrocības un trūkumus.
Teorētiskajā daļā izpētīta robota sistēma, definēti ar trajektorijas plānošanu saistīti jēdzieni un analizēti mašīnmācīšanās risinājumi šajā kontekstā. Teorētiski salīdzināti klasiskie un mašīnmācīšanās algoritmi, kā arī klasificēti to veidi, sniedzot ieskatu, kādos apstākļos katrs no tiem ir piemērotāks. Praktiskajā daļā padziļināti izpētīti izmantotie klasiskie algoritmi (A, Dijkstra, Potenciālā lauka metode, SPRM, RT, RRT, RRT-Connect) un mašīnmācīšanās algoritmi (Online LSTM, LSTM+CAE, LSTM Bagging, WPN), kuri tika testēti gan kvantitatīvi, gan kvalitatīvi. Rezultāti novērtēti, izmantojot septiņus veiktspējas rādītājus: veiksmīgi izpildīto uzdevumu īpatsvars, izpildes laiks, soļu skaits, ceļa garums, trajektorijas vienmērīgums, izmantotās meklēšanas telpas apjoms un atmiņas patēriņš.
Mašīnmācīšanās algoritmi ceļa plānošanā uzrādīja salīdzinoši konkurētspējīgus rezultātus galvenajos veiktspējas rādītājos. Tie spēja sasniegt A* un Dijkstra algoritmiem identisku ceļa garumu, tomēr kopumā nedaudz atpalika izpildes laikā, izveidotās trajektorijas vienmērībā, kā arī ievērojami atpalika atmiņas patēriņā. Tie demonstrēja spēju pielāgoties neparedzētiem apstākļiem un vispārināt zināšanas ārpus apmācības datiem. Novērota arī to efektivitāte vides uztveres ziņā, jo uzdevumu risināšanā bieži pietika ar mazāku informācijas apjomu nekā klasiskajiem algoritmiem. |
