Využití metod strojového učení pro rychlé plánování pohybu

Abstract

Plánování pohybu a strojové učení jsou dvě důležitá témata v dnešním inženýrství a výzkumu. Otázkou, kterou se tato práce pokouší zodpovědět, je, zda kombinace těchto dvou disciplín přináší uspokojivé výsledky. Bylo navrženo šest nových algoritmů plánování pohybu. Tři z nich využívaly samotné strojové učení nebo techniky související se strojovým učením k urychlení procesu plánování pohybu. Motivace ke zrychlení pramení z problémů, se kterými se potýká plánování pohybu při řešení úloh s velkým počtem stupňů volnosti. Například v oblastech, jako je vývoj léků, je dokování proteinů základní disciplínou, která vyžaduje použití plánování pohybu v prostředích s vysokým počtem stupňů volnosti. Proto je výzkum zaměřený na urychlení metod plánování pohybu klíčový.

Motion planning and machine learning are two important topics in today's engineering and research. The question this thesis attempts to answer is whether the combination of these two disciplines yields satisfactory results. Six novel motion planning algorithms were proposed. Three of them utilized machine learning itself or machine learning-related techniques to speed up the motion planning process. The motivation for the speed-up stems from the problems motion planning faces when solving a high number of degrees of freedom tasks. For example in areas like drug design, protein docking is an essential discipline, which requires the use of motion planning in environments with a high number of degrees of freedom. Therefore the research on speeding up motion planning methods is crucial.