A Machine Learning Approach for Aerial Drones Playing the Pursuit-Evasion Game
Notice bibliographique
Résumé
Drone and quadcopters have gained popularity and their full range of potential and wide-ranging application in many applications have yet to be developed.This research presents a machine-learning algorithm.With no prior knowledge of the environment, agents learn to act using reinforcement learning techniques where they observe the environment and take actions based on learning their desired strategies and interactions with the environment.This thesis investigates the use of multi-agent reinforcement learning for aerial drones.Specifically, the use of the fuzzy actor-critic learning (FACL) algorithm.In this thesis, the investigated reinforcement learning algorithm is applied to multiple coordinated aerial drones.We apply Type-1 fuzzy inference systems with reinforcement learning algorithms and show simulation results.We provide empirical results to show the simplicity and effectiveness of Type-1 fuzzy logic systems over that of Type-2 fuzzy logic systems.This method enables a pursuer quadcopter to capture an evader quadcopter in the pursuit-evasion (PE) differential game.In this application, the pursuer learns its desired strategies by interacting with the evader and learning from previous experiences.Both the critic and the actor are fuzzy inference systems (FIS).It is assumed that the pursuer Keywordsquadcopters, FACL, Q-learning, reinforcement learning.6.28 The paths of the pursuer and evader at the 1200th epoch.The evader (0,0,0) is black, pursuer (6,6,6) is blue.Evader was captured by pursuer. . . . . . .103 6.29 Simulation results of Membership Functions at 2 MFs, 3 MFs, 5 MFs, 7 MFs and 10 MFs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».