Dipilih dari software, topik, dan level “Kelas Reinforcement Learning Robot Manipulator #6: Uji Adaptif terhadap Perubahan Beban & Gangguan, Perbandingan Kinerja”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, empat pengendali diuji pada beban dan gangguan yang tidak diketahui. Kompetitor yang sempurna di kondisi nominal justru paling terpukul saat membawa beban, sedangkan agen reinforcement learning kita tetap akurat. Ayo kita mulai. Halo, selamat datang di episode terakhir seri kontrol robot manipulator dengan reinforcement learning. Di dunia nyata, robot mengangkat benda dengan berat berbeda-beda dan menghadapi gangguan yang tidak terduga. Pengendali yang hanya bagus di kondisi ideal tidak cukup. Hari ini kita menguji keempat pengendali secara adil pada kondisi yang berubah.
Langkah 1: Agen sebagai pengendali
Buat file uji underscore adaptive.py Kelas kontroler SAC membungkus agen menjadi pengendali biasa, menghitung torsi PD, lalu bila RL dipakai, menambahkan koreksi dari agen dengan observasi yang sama persis seperti saat pelatihan. Dengan cara ini keempat pengendali diuji lewat fungsi simulasi yang sama dari episode 3.
Langkah 2: Empat pengendali, empat kondisi
Kita muat model SAC dari episode 5 dan siapkan 4 metode dan 4 kondisi. Nominal, beban 1,5 kg, gangguan torsi 6 Nm mulai detik keempat, serta beban dan gangguan bersamaan. Jalankan. Di kondisi nominal, kompetitor juara dengan 0,09 mm, dan PD ditambah SAC sekitar 6 mm, jauh lebih baik dari PID 17 mm dan PD saja sekitar 39 mm. Tapi dengan beban 1,5 kg yang tidak diketahui, galat kompetitor melonjak ke sekitar 27 mm, lebih buruk dari PID. PD ditambah SAC tetap sekitar 10 mm, karena agen sudah belajar menghadapi beban acak saat pelatihan.
Langkah 3: Akurasi vs ketangguhan
Mari lihat grafiknya. Pada diagram batang, batang kompetitor yang nyaris tak terlihat di kondisi nominal tiba-tiba tinggi saat ada beban, sedangkan batang PD ditambah SAC rendah dan stabil di keempat kondisi. Grafik kanan memperlihatkan galat saat beban dan gangguan bersamaan, PD ditambah SAC paling kecil sepanjang waktu, termasuk setelah gangguan datang di detik keempat. Kesimpulannya, model yang tepat memberi akurasi tertinggi, tetapi reinforcement learning yang dilatih dengan pengacakan memberi ketangguhan saat model tidak tepat.
Selesai!
Selesai, dan selesai pula seri ini. Kita sudah membangun penelitian kontrol robot secara lengkap, kinematika, dinamika lagrange, PID dan kompetitor, lingkungan gimnasium dengan residual RL, pelatihan soft actor kritik, sampai uji adaptif terhadap beban dan gangguan. Untuk penelitian lanjutan, coba gabungkan kompetitor dengan residual RL, manipulator tiga sendi, gesekan dan nice sensor, atau simturil ke robot sungguhan. Terima kasih sudah mengikuti seri ini. Sedang menyusun skripsi, tesis, atau riset di bidang robotika dan reinforcement learning? Cerdas inovasi digital membantu implementasi kendali robot, dari kinematika dan dinamika manipulator, PID dan kompetitor, lingkungan gimnasium, sampai pelatihan agen soft actor kritik, serta membuka kursus pemrograman Python untuk teknik elektro dan mekatronika. Ingin menguasai seluruh seri ini, dari kinematika lengan robot sampai uji adaptif agen reinforcement learning? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.290 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
