petit_furuta_conclusion_bilan
Table des matières
Petit Pendule de Furuta: Conclusion Bilan
Ressources
- Un peu d'explication sur la théorie de l'apprentissage par renforcement et les librairies utilisées.
Toutes les pages sur le petit pendule de Furuta
Suivi du dernier apprentissage sans interruption
Conclusion
On pourrait continuer l'apprentissage, pour l'améliorer. Mais l'objectif est de montrer la difficulté d'apprentissage, un truc parfait ferait croire que c'est facile.
La principale difficulté de ce projet est qu'il n'est pas possible de vérifier en temps réel les positions vitesses: il faudrait une caméra haute définition haute vitesse et relier les images aux valeurs python sans passer par un terminal !!
Configuration
[moteur] right = 27 left = 22 pwm = 18 freq_pwm = 10000 duration_maxi = 0.1 [codeur_moteur] gpioa = 19 gpiob = 16 index = 13 offset = 0 [codeur_balancier] gpioa = 6 gpiob = 20 index = 5 offset = -3 [101] range_pwm = 200 ratio_puissance_maxi = 0.3 learning_rate = 0.0003 use_best_model = 0 ent_coef = 0.0 vf_coef = 0.50 step_total = 2867400 learning_steps = 100000 batch = 10 step_maxi = 2048 alpha_maxi_l = -2.7 alpha_maxi_r = 2.7 duration_of_motor_impulse = 0.02 tempo_step = 0.03 n_steps = 2048 batch_size = 64 n_epochs = 10 gamma = 0.99 gae_lambda = 0.95 clip_range = 0.2 max_grad_norm = 0.5
Matériels du pendule
- Raspberry Pi 4 avec Raspbian 11 64 bits
- 2 encodeurs optiques US Digital de 1000 points S1 Optical Shaft Encoder
- Moteur de 20 W utilisé au 1/3 de sa puissance avec 60 valeurs possibles de puissance PWM Moteur à Courant Continu Ferrite 20W 24V bride Ø42 IP20 avec Codeur
Gallerie
petit_furuta_conclusion_bilan.txt · Dernière modification : 2022/09/20 21:39 de serge