Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengeksplorai implementasi sistem kendali tanpa model untuk robot bipedal two-wheeled menggunakan algoritma Promixal Policy Optimization (PPO) reinforcement learning dalam framework pembelajaran robotik Isaac Lab dan bahasa pemrograman Python. Robot dilatih agar dapat menjalankan tugas melewati medan yang ada dengan cara mengemudi atau berjalan. Pada tugas mengemudi, robot menunjukkan kemapuan yang stabil dengan kesalahan pelacakan yang minimal, tetapi kesulitan dalam menjelajahi keseluruhan medan. Sebaliknya, tugas berjalan memberikan kesalahan pelacakan yang cukup tinggi walaupun robot tetap stabil dan melintasi hampir seluruh medan. Hasil ini divalidasi melalui Sim-to-Sim menggunakan platform MuJoCo, yang mengonfirmasi bahwa robot dapat menerapkan hasil pembelajaran tanpa dilatih kembali atau dikenal dengan zero-shot transfer. Meskipun robot dapat menyelesaikannya, tugas berjalan membutuhkan perbaikan lebih lanjut untuk mengurasi kesalahan pelacakan. Secara keseluruhan, penelitian ini memberi wawasan tentang kemampuan PPO dalam menyelesaikan tugas kompleks pada robotik tanpa bergantung pada sistem kontrol berbasis model.

---

This research explores the capability of a model-free control system for a bipedal two-wheeled robot using the Proximal Policy Optimization (PPO) reinforcement learning algorithm. The implementation is supported by the Isaac Lab robotic learning framework and the Python programming language. The robot was tasked with performing both driving and walking locomotion while traversing across different terrain conditions. In the driving task, the robot achieved stable performance with minimal velocity tracking errors, though limited terrain traversal. In contrast, the walking task gave higher tracking errors, but the robot maintained stability and traversed the terrain effectively. The results were validated through Sim-to-Sim using the MuJoCo platform, bringing a zero-shot transfer method. While the robot completed both tasks, the walking task requires further improvement to reduce oscillations and achieve lower velocity tracking errors. Overall, this research highlights the capability of PPO in solving complex robotic locomotion tasks without relying on a model-based control system."

"Penelitian ini mengeksplorai implementasi sistem kendali tanpa model untuk robot bipedal two-wheeled menggunakan algoritma Promixal Policy Optimization (PPO) reinforcement learning dalam framework pembelajaran robotik Isaac Lab dan bahasa pemrograman Python. Robot dilatih agar dapat menjalankan tugas melewati medan yang ada dengan cara mengemudi atau berjalan. Pada tugas mengemudi, robot menunjukkan kemapuan yang stabil dengan kesalahan pelacakan yang minimal, tetapi kesulitan dalam menjelajahi keseluruhan medan. Sebaliknya, tugas berjalan memberikan kesalahan pelacakan yang cukup tinggi walaupun robot tetap stabil dan melintasi hampir seluruh medan. Hasil ini divalidasi melalui Sim-to-Sim menggunakan platform MuJoCo, yang mengonfirmasi bahwa robot dapat menerapkan hasil pembelajaran tanpa dilatih kembali atau dikenal dengan zero-shot transfer. Meskipun robot dapat menyelesaikannya, tugas berjalan membutuhkan perbaikan lebih lanjut untuk mengurasi kesalahan pelacakan. Secara keseluruhan, penelitian ini memberi wawasan tentang kemampuan PPO dalam menyelesaikan tugas kompleks pada robotik tanpa bergantung pada sistem kontrol berbasis model.

---

This research explores the capability of a model-free control system for a bipedal two-wheeled robot using the Proximal Policy Optimization (PPO) reinforcement learning algorithm. The implementation is supported by the Isaac Lab robotic learning framework and the Python programming language. The robot was tasked with performing both driving and walking locomotion while traversing across different terrain conditions. In the driving task, the robot achieved stable performance with minimal velocity tracking errors, though limited terrain traversal. In contrast, the walking task gave higher tracking errors, but the robot maintained stability and traversed the terrain effectively. The results were validated through Sim-to-Sim using the MuJoCo platform, bringing a zero-shot transfer method. While the robot completed both tasks, the walking task requires further improvement to reduce oscillations and achieve lower velocity tracking errors. Overall, this research highlights the capability of PPO in solving complex robotic locomotion tasks without relying on a model-based control system."

"Dalam peroncangan sebuah robot, sistem kinematika cukup penting. Bentuk struktur yang dipiIih harus dqnat memberikan suatu korgfigurasi gerakan yang efektif. sendi-sendi pada manipulator harus drpilih sesuai dengan keperluan aplikasi yang dituju. Dalam analisis kinematika, selain memiliki sudut-sudut untuk tiap sendi yang akhirnya dapat membertkan informasi mengenai posisi serta orientasi dari end-effector, dapat dicari sudut-sudut sendi dari posisi serta orientasi end-efector yang sudah iketahui. Berdasarkan data-data ini serta parameter-parameter kinematika dapat merencanakan suatu lintasan dengan jumlah sudut gerak terkecil dari lintasan-lintasan yang mungkin. Dengan representasi Denavit-Hartenberg dapat dinyatakan secara sistematis sistem koordinat untuk tiap sendi dalam rantai sehingga tranformasi koordinat end-effector ataupun tranformasi titik-titik pada tiap link terhadqp sistem koordinat referensi dengan mudah didapatkan. Setelah itu, dengan menggunakan metode pendekatan geometris, dapat dihitung sudut-sudut gerak untuk tiap sendi bisa diketahui posisi serta orientasi dari end-effector yang ingin dicapai. Perhitungan inverse kinematics ini dapat menghasilkan solusi yang lebih dari satu. Untuk memilih solusi yang paling tepat, selain dilihat dari struktur robot itu sendiri perlu juga digunakan intuisi serta pengalaman perancang. Perencanaan lintasan dapat dilakukan baik pada bidang polinomial (sudut sendi ataupun pada bidang kartesian. Dalam skripsi ini perencanaan lintasan gerakan menggunakan fungsi polynomial derajat tiga. Metode ini paling mudah. Dengan metode ini dapat ditentukan profil sudut gerak untuk tiap sendt, tetapi tidak dapat ditentukan koordinat titik lintason serta bentuk lintasannya. Lintasan gerakan dari sebuah mampulator bisa lebih dari mtv. Lintasan dengan sudut gerak paling kecil dipilih berdasarkan pada sudut gerak tiga sendi pertama. Perhitungan-perhitungan pada analisis kinematika ini dibuat program dengan menggunakan bahasa pemrograman C. Pemrograman ini ditujukan untuk mempermudah dalam perhitungan yang melibatkan enam sumbu serta matriks."

"Dewasa ini, kebanyakan dari waktu produksi dihabiskan untuk memprogram dan memprogram ulang robot. Teknik-teknik baru diciptakan untuk menghidari kejadian sepeti ini, salah satunya adalah pemprograman off-line, membutuhkan keakurasian model kinematik robot. Untuk mewujudkan model ini dibutuhkan pengukuran robot.Posisi yang akurasi dari system robot dapat di karakteristikan digambarkan dalam beberapa cara. Kemampuan pengulangan menentukan akurasi yang mana pencapaian posisi (dan orientasi) secara tepat dari end-effector di ruang kerjanya, ketika nilai dari joint robot berulang. Kemampuan mengulang dapat dicapai sampai sepersepuluh millimeter dan sepersemenit dari arc. Dalam tulisan kaii ini dicoba sebuah metode photogrammetri yang sederhana untuk mengkalibrasi robot RV-M1.

---

Nowdays, most of production time waste on programming and re programming robot. Some new technic are invent to avoid such this situation, one of them call an onlline programming, and that needs accuracy in kinematic ofthe robot. For thot, measurement of robot needs.

Accurate position of the robot can be characteriseci The repecztabifity devide accuracy which make end-ejector reach its position exactiy in it space of movement. The accuracy of repeatability can reach upto one tenth or one per minute of arc. This time, writer by to use o calibration using a photogrammetry method to test the accuracy of robot RV-M1."