Šis darbas ne tik atskleidė, kokius sprendimus siūlo mokslas, bet ir atvėrė galimybes tobulinti senesnes sistemas.

Tikslumas – šiuolaikinės automatikos pagrindas

Temą „Roboto pozicionavimo klaidų kompensavimas taikant gilųjį Q-mokymosi algoritmą“ dr. M. Šumanas pasirinko dėl jos naujumo ir praktinio aktualumo. Be to, mokslininkas tiki, jog jo tyrimai prisidės prie reikšmingų pokyčių automatizacijos srityje.
Disertacijoje dr. M. Šumanas nagrinėjo robotų tikslumo problemą. Mechaninis nusidėvėjimas, išorinės jėgos ir aplinkos veiksniai dažnai lemia pozicionavimo klaidas, kurios mažina robotų judesių patikimumą. Tokie netikslumai gali sukelti problemų gamyboje, ar medicinoje, kur mikrometrų lygio tikslumas yra esminis kriterijus.

„Mes su komanda sukūrėme metodą, naudojantį mašininio mokymosi algoritmų kombinaciją, kuris padeda koreguoti roboto judesius taip, kad jie būtų kuo tikslesni ir patikimesni“, – sako jaunasis mokslininkas.

Disertacijos rezultatai žada ne tik praktinę naudą, bet ir reikšmingą įnašą į mokslo pažangą. Sukurtas metodas yra universalus ir gali būti taikomas įvairiose srityse, kur reikalingas itin didelis tikslumas.

„Šis tyrimas yra puikus pavyzdys, kaip inovatyvios technologijos ir dirbtinis intelektas gali spręsti realias problemas, pagerinti procesus ir prisidėti prie tvarios ateities kūrimo“.

Klaidos – individualios kaip ir patys robotai

Kiekvienas robotas ir jo naudojimo sąlygos yra unikalios, todėl būtina tiksliai identifikuoti bei kompensuoti kinematines klaidas. Kaip pasakoja VILNIUS TECH alumnas, disertacijoje buvo siekiama sukurti sistemą, kuri ne tik nustatytų klaidas, bet ir efektyviai jas koreguotų.

„Eksperimentų metu buvo naudojamas robotas su specialia eksperimentine įranga ir inerciniais jutikliais, skirtais duomenų rinkimui apie roboto judesius ir jų tikslumą. Po to surinkti duomenys buvo apdoroti, naudojant gilųjį Q-mokymosi algoritmą, kuris pateikė korekcines koordinates ir žymiai pagerino roboto tikslumą”, – paaiškina dr. M. Šumanas.

Rezultatai patvirtino, kad gilusis Q-mokymosi algoritmas yra veiksmingas, sprendžiant pozicionavimo problemas. Tyrimo metu klaidų kiekis buvo žymiai sumažintas, o tai leidžia tikėtis dar platesnio šio metodo pritaikymo ateityje.

Mokslininkas teigia, kad tokio metodo taikymas galėtų ne tik pagerinti naujų robotų tikslumą, bet ir prailginti senesnių sistemų gyvavimo laiką. Tai neabejotinai prisidėtų prie automatizacijos vystymo ir senesnės įrangos efektyvesnio panaudojimo, ypač pramonėje ir automatizuojant senesnę techniką.