UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br.2
Tuzla
O B J A V L J U JE
Subašić Haris, bachelor inž. el., javno će braniti završni magistarski rad pod naslovom: „Primjena dubokog učenja s podrškom u kolaboraciji ljudi i robota u industrijskom okruženju“, dana 04.04.2025. godine u 14,00 sati u Multimedijalnoj sali Univerziteta u Tuzli, pred Komisijom u sastavu:
- Dr. sc. Naser Prljača, redovni profesor-predsjednik
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
- Dr. sc. Lejla Banjanović-Mehmedović, vanredni profesor –mentor
Uža naučna oblast oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
- Dr. sc. Amila Dubravić, vanredni profesor-član
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
Zamjenski član Komisije dr.sc. Jakub Osmić, redovni profesor, uža naučna oblast Automatika i robotika na Fakultetu elektrotehnike Univerziteta u Tuzli.
Pristup javnosti je slobodan.
Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.
REZIME RADA
Magistarski rad istražuje primjenu dubokog učenja sa pojačanjem u kolaboraciji ljudi i robota u industrijskom okruženju. U uvodnom dijelu rada, detaljno su predstavljene uloge i zadaci kolaborativnih robota, tehnologije i platforme koje omogućavaju kolaboraciju ljudi i robota, te sigurnosni aspekti rada s kolaborativnim robotima. Nadalje, objašnjene su prednosti koje kolaborativni roboti donose u industrijskim okruženjima, kao i konkretni primjeri njihove primjene, s posebnim naglaskom na sortiranje kao odabranu aplikaciju.
Rad pruža pregled osnovnih koncepata i arhitekture RL (učenja sa pojačanjem) i DRL (dubokog učenja sa pojačanjem) algoritama, s posebnim fokusom na DQN (Deep Q-Network). U ovom radu istražena je primjena učenja sa podrškom za upravljanje kolaborativnim robotom (cobot) pri obavljanju zadataka sortiranja, pri čemu se procjenjuje pozicija hvatanja bez prethodnog poznavanja objekata. Detaljno je opisana integracija DQN i CNN za kolaboraciju ljudi i robota, uključujući arhitekturu sistema, proces treniranja i testiranja. Za približavanje bolje politike, jedna grana modela dubokog učenja sa podrškom (DRL) poboljšava reprezentaciju politike integracijom konvolucijskih neuronskih mreža (CNN) u DQN (Deep Q-Network) radi analize podataka, korištenjem tzv. modela Dueling DQN. Posebna pažnja posvećena je načinima na koje ovi algoritmi mogu poboljšati efikasnost i sigurnost kolaborativnih robota u industrijskim aplikacijama.
Također, rad se fokusira na implementaciju DQN algoritma u CoppeliaSim programskom modulu za simulaciju upravljanja kobotom. Implementacija se temelji na DQN neuronskim mrežama, koje omogućavaju visoku preciznost i prilagodljivost algoritma u realnim industrijskim scenarijima.
Analiza rezultata evaluira performanse DRL algoritama u CoppeliaSim okruženju, uz analizu efikasnosti implementacije DQN algoritma, uzimajući u obzir različite metričke kriterije kao što su brzina izvršavanja, preciznost i robusnost sistema. Zaključak rada sumira glavne nalaze istraživanja i daje preporuke za buduća istraživanja i primjene kolaborativnih robota u industrijskim okruženjima, uz naglasak na potencijalna unapređenja u tehnologijama dubokog učenja i kolaboracije.