개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.12
- 수록면
- 548 - 554 (7page)
- DOI
- 10.5391/JKIIS.2023.33.6.548
이용수
초록· 키워드
오류제보하기
본 논문에서는 회전형 미로의 경로를 탐색하는 행동 정책을 학습하기 위해 강화학습을 적용하는 방법을 제안하였다. 본 논문에서는 격자 미로 환경에서 기존의 방법처럼 에이전트를 미로 내에서 움직이는 대상이 아닌 미로 자체를 회전시키는 주체로 설정하여 DQN 강화학습을 이용해 미로를 최소 횟수로 회전시켜 공을 출발 지점에서 목표 지점까지 도달할 수 있도록 하는 학습 방법을 제안하였다. 이를 위하여 에이전트가 주행하는 미로 환경과 에이전트의 위치 관계를 나타내기 위해 상태의 표현을 정의하고 행동 가치 함수를 근사화하기 위한 Q-Network 구조를 제안하였으며 DQN 모델의 강화학습에 필요한 에이전트의 행동에 대한 보상 방법을 제안하였다. 본 논문에서는 Q-Network 구조와 보상 설계 방식에 따른 학습성능의 차이를 실험을 통해 비교하고 결과를 제시하였다.
목차
요약
Abstract
1. 서론
2. 회전형 미로 상태 표현과 DQN
3. 상태 기반 행동 정책 DQN 학습 모델
4. 실험 및 결과
5. 결론
References
참고문헌 (13)
참고문헌 신청
D. Silver et al., “Mastering the game of Go with deep neural networks and tree search,” Nature, vol. 529, pp. 484-489, 2016.
D. Silver et al., “Mastering the game of Go with-out human knowledge,” Nature, vol. 550, pp. 354-359, 2017.
J. Schaeffer and J. Herik, Chips Challenging Champions: Games, Computers and Artificial Intelligence, Elsevier, 2002.
N.J. Eck and M. Wezel, “Reinforcement learning and its application to othello,” Technical Report EI 2005-47, Econometric Institute Report, 2005.
S. Kim and Y. Cho, “An Artificial Intelligence Othello Game Agent Using CNN Based MCTS and Reinforcement Learning,” Journal of Korean Institute of Intelligent Systems, vol. 30, no. 1, pp. 40-46, 2020.
D. Silver et al., “Mastering the game of Go with-out human knowledge,” Nature, vol. 550, pp. 354-359, 2017.
J. Schaeffer and J. Herik, Chips Challenging Champions: Games, Computers and Artificial Intelligence, Elsevier, 2002.
N.J. Eck and M. Wezel, “Reinforcement learning and its application to othello,” Technical Report EI 2005-47, Econometric Institute Report, 2005.
S. Kim and Y. Cho, “An Artificial Intelligence Othello Game Agent Using CNN Based MCTS and Reinforcement Learning,” Journal of Korean Institute of Intelligent Systems, vol. 30, no. 1, pp. 40-46, 2020.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
상태 기반 회전 미로 강화학습
대한전자공학회 학술대회
2021 .11
-
강화학습 환경에 따른 A2C, DQN 알고리즘의 학습 효율성 비교, 분석
Proceedings of KIIT Conference
2023 .06
-
강화학습 게임에서 높은 보상 수렴속도 개선을 위한 가상환경 기반의 DQN 모델
Proceedings of KIIT Conference
2020 .10
-
모방학습을 이용한 볼 밸런싱 미로 테이블
한국정밀공학회 학술발표대회 논문집
2024 .11
-
DQN 방식의 강화학습을 이용한 모바일 로봇의 자율이동
한국생산제조학회 학술발표대회 논문집
2021 .07
-
N-DQN: 계층화된 병렬 강화학습 모델의 구현 및 연구
한국통신학회논문지
2019 .10
-
테트리스 환경을 이용한 A2C, DQN 두 강화 학습 알고리즘의 결과 비교 분석
Proceedings of KIIT Conference
2023 .06
-
단말간 직접 통신 네트워크를 위한 심층 강화학습 기반 분산적 스케쥴링 알고리즘
한국정보통신학회논문지
2020 .11
-
시뮬레이션 환경에서의 DQN을 이용한 강화 학습 기반의 무인항공기 경로 계획
반도체디스플레이기술학회지
2017 .01
-
발생 확률 분포에 따른 DQN 학습 성능 비교
한국통신학회 학술대회논문집
2020 .02
-
DQN을 적용한 심층강화학습 기반 로봇팔 밀기 및 파지
한국기계가공학회 춘추계학술대회 논문집
2023 .04
-
스마트 팩토리 구축을 위한 동적인 환경에서의 DQN 강화 학습 기반 로봇 최적 이동 경로 탐색
한국통신학회 학술대회논문집
2019 .06
-
작물 생산량 예측을 위한 심층강화학습 성능 분석
한국전자통신학회 논문지
2023 .02
-
블록 피하기 게임에서 강화 학습을 이용한 블록 피하기 에이전트 구현
한국컴퓨터정보학회 학술발표논문집
2018 .01
-
안정적인 학습을 위한 멀티-스텝 DQN
한국통신학회 학술대회논문집
2020 .08
-
심층 강화학습을 사용한 DQN 및 텐서 플로우 에이전트 기반 시각적 객체 추적 알고리즘
멀티미디어학회논문지
2024 .08
-
강화학습 기반 주식 자동 매매 모델 전략 제안
대한산업공학회지
2021 .08
-
Q-learning을 이용한 이동 로봇의 실시간 경로 계획
전기전자학회논문지
2020 .12
-
무인 주행 차량의 회피 주행을 위한 ODG를 이용한 DQN 기반의 강화학습 기법
제어로봇시스템학회 국내학술대회 논문집
2021 .06
-
DQN 강화학습 기반 EV 무선전력 최적 코어 구조 설계
전력전자학회 학술대회 논문집
2022 .11
이 논문의 저자 정보
이 논문과 함께 이용한 논문
Deep Reinforcement Learning based Robotic Control via Object Positions Inferred from Raw Images
유규민
,
Magnus Hanses
전자공학회논문지
2024
.09
실물 환경에서의 데이터 기반 강화학습 적용 방안
강찬석
전자공학회지
2024
.05
Maximized-Actor-Critic(MAC)을 이용한 정책 경사 강화학습 방법
김정현
,
최용훈
,
김민석
멀티미디어학회논문지
2024
.03
축구의 경기 결과 예측을 위한 머신러닝 기법 비교
최형준
한국체육측정평가학회지
2022
.12
심층 강화학습 기반 실시간 게임 인공지능 최신 동향
박상현
,
온병원
Proceedings of KIIT Conference
2022
.12
최근 본 자료
댓글(0)
0