Deep reinforcement learning usage for the control of industrial robots

Dziļā stimulētā mācīšanās ir guvusi plašus panākumus dažādās jomās, kā, piemēram, videospēlēs un galda spēlēs. Robotikas kontroles jomā stimulētās mācīšanās algoritmi dod cerību, ka robotiem būs cilvēkam līdzīgas spējas – mācīties caur izmēģinājumiem un kļūdām. Šajā darbā tiks pētīta dziļās stimulētās mācīšanās pielietošana robotikas manipulācijām, kā arī tiks izveidota jauna dziļās stimulētās mācīšanās vide simulatorā “Ignition Gazebo”. Praktiskā uzdevuma mērķis ir izveidot unikālu, reālistisku stimulētas mācīšanās vidi dažādiem robotikas uzdevumiem, kas varētu tikt izmantota kā sākotnējs paraugs, sarežģītām reālās dzīves scenāriju simulācijas izveidei.Deep reinforcement learning has been a great success in various fields, such as video games and board games. In the field of robotics control, reinforcement learning algorithms give hope that robots will have similar abilities - learning through trial and error. In this work, the application of reinforcement learning to robotics manipulations will also be investigated, as a new deep reinforcement learning environment in the Ignition Gazebo simulator is created. The practical task aims to create a unique, realistic reinforcement learning environment for various robotics tasks that could be used as an initial model for the creation of complex real-world scenario simulation