Optimizing Robotic Arm Control Using Deep Deterministic Policy Gradient: An Exploration of Hyperparameter Tuning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Robotic arms are essential in a wide range of applications, from industrial automation to medical surgeries, where both accuracy and adaptability are critical. Traditional path-planning methods for robotic arms, such as Rapidly-exploring Random Trees (RRT) and Probabilistic Roadmaps (PRM), often suffer from limitations in dynamic environments. Reinforcement Learning (RL) presents a promising alternative for optimizing robotic arm control by enabling adaptive learning through trial and error. This study focuses on the application of Deep Deterministic Policy Gradient (DDPG), a popular RL algorithm, to control a simulated robotic arm following a mouse pointer. The study investigates the impact of three key hyperparameters—learning rate, batch size, and memory capacity—on the performance of the DDPG model. This paper systematically tested multiple values for each parameter and evaluated the model's success rate and average time per goal. Results showed that the optimal combination of parameters was a learning rate of 0.001, a batch size of 50, and a memory capacity of 30,000, yielding a success rate of 76.00% and an average time per goal of 0.07 seconds. These results emphasize the significance of fine-tuning hyperparameters to achieve optimal performance in robotic control tasks. Future work will focus on exploring adaptive hyperparameter tuning strategies and applying these methods to more complex and dynamic robotic environments to further enhance performance and adaptability.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle