• sergeLabo/furuta/furuta_python sur GitHub
• Un peu d'explication sur la théorie de l'apprentissage par renforcement et les librairies utilisées.

Pendant les premiers 100000 steps, la progression est fulgurante. Ensuite il faut être patient.

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 !!

[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

• 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