Resumen

Se han realizado muchos estudios sobre la aplicación del aprendizaje por refuerzo (RL) a los robots. Un robot de uso general tiene sensores o actuadores redundantes porque es difícil suponer el entorno al que se enfrentará el robot y la tarea que debe ejecutar. En este caso, el espacio Q en RL contiene redundancia, por lo que el robot debe tardar mucho tiempo en aprender una tarea determinada. En este estudio, nos centramos en la importancia de los sensores con respecto al rendimiento de un robot en una tarea concreta. Los sensores aplicables a una tarea difieren en función de ésta. Utilizando la importancia de los sensores, intentamos ajustar el número de estados de los sensores y reducir el tamaño del espacio Q. En este trabajo, definimos la medida de importancia de un sensor para una tarea con la correlación entre el valor de cada sensor y la recompensa. Un robot calcula la importancia de los sensores y reduce el tamaño del espacio Q. Proponemos el método que reduce el espacio de aprendizaje y construimos el sistema de aprendizaje poniéndolo en RL. En este artículo, confirmamos la eficacia de nuestro sistema propuesto con un robot experimental.

• Materias:Sensores táctiles Sensores inalámbricos Sensor inteligente Nanosensores Sensores de fibra óptica
• Subjects:Tactile sensors Wireless sensors Intelligent sensor Nanosensors Fiber optic sensors
• Palabras claves:robot, sensores, tarea, importancia, espacio, papel, sensor, tamaño, muchos estudios, robot experimental
• Keywords:robot, sensors, task, importance, space, paper, sensor, size, many studies, experimental robot