Программа обучения RL DDPG агента для планирования энергоэффективной траектории коллаборативного робота по критерию минимизации затрат электрической энергии
| Наименование РИД | Программа обучения RL DDPG агента для планирования энергоэффективной траектории коллаборативного робота по критерию минимизации затрат электрической энергии |
|---|---|
| Реферат | Программа предназначена для обучения Reinforcement Learning Deep Deterministic Policy Gradient агента, планирующего траекторию перемещения коллаборативного робота по критерию минимизации затрат электрической энергии. Программа создает нейронную сеть - DDPG агента, внешнюю среду - окружение, системный объект обучения с заданными параметрами. Формат обучающей выборки: экспериментальные или синтетические данные (векторы углов, скоростей и энергопотребления) при выполнении траекторий в ближайшей области пространства к оптимизируемой траектории. Ошибка рассогласования между энергопотреблением траектории с максимальной энергоэфективностью и траектории, полученной с помощью RL DDPG, не более 1,3%. Программа необходима для реализации алгоритма планирования энергоэффективных траекторий по критерию минимизации затрат электрической энергии робота в технологическом процессе сборки. |
| Возможные направления использования | Возможно внедрение в робототехнические системы для обучения и адаптивного планирования энергоэффективных траекторий движения коллаборативных роботов в автоматизированных технологических процессах сверления и сборки, повышение энергоэффективности и производительности роботизированных линий за счёт оптимального выбора траекторий на основе RL-агента, применение в исследованиях и разработках по автономному управлению движения роботов с непрерывным пространством состояний и действий, использование в симуляции и тестировании стратегий управления роботами в виртуальных средах для подготовки к реальным условиям эксплуатации, интеграция в системы интеллектуального управления роботами для адаптивной корректировки поведения в изменяющихся условиях, разработка учебных и демонстрационных материалов по обучению с подкреплением для инженеров и исследователей, поддержка экспериментальных исследований по эффективности алгоритмов RL в динамических средах с учётом параметров энергопотребления |
| Количество опытных образцов | 1 |
| Количество просмотров | 2 |
| Наличие дополнительных файлов | False |
| Использование РИД правообладателем | False |
| Внешнее использование РИД | False |
| НИОКТР (JSON) | {} |
| ИКСИ (JSON) | [] |
| ИКСПО (JSON) | [] |
| ОЭСР (JSON) | [] |
| Дата первого статуса | 2026-01-13T00:53:47.322442+00:00 |
| Предполагаемый тип результата | Программа для ЭВМ |
| Ожидаемая роль | Исполнитель |
| Заказчик | Российский научный фонд |
| Руководитель работы | Иванов Юрий Сергеевич |
| Руководитель организации | Григорьев Ян Юрьевич |
| Регистрационный номер НИОКТР | 122081500004-1 |
| Последний статус | Подтверждена, 626012700300-7, 2026-01-27 14:03:26 UTC |
| ОКПД | Промышленные роботы и робототехнические устройства |
| Ключевые слова | Нейронная сеть; Коллаборативный робот; Минимизация энергопотребления; Энергоэффективность; Планирование траекторий; DDPG; Обучение RL-агента |
| Исполнители | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "КОМСОМОЛЬСКИЙ-НА-АМУРЕ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ" |
| Авторы | Ворощенко Василий Даниилович; Горькавый Михаил Александрович; Мельниченко Маркел Андреевич; Горькавый Александр Иванович |
| Коды тематических рубрик | 55.30.31 - Управление роботами и манипуляторами; 50.47.29 - Автоматизированные системы управления непрерывными технологическими процессами |
| OESR | Автоматизированные системы управления; Робототехника и автоматическое управление |
| Приоритеты научно-технического развития | Отсутствует |