Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Hardware Connection and Software Communication in the Application of Deep Reinforcement Learning Algorithm

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24210%2F22%3A00010207" target="_blank" >RIV/46747885:24210/22:00010207 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.biomechanika.cz/attachments/47.pdf" target="_blank" >http://www.biomechanika.cz/attachments/47.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Hardware Connection and Software Communication in the Application of Deep Reinforcement Learning Algorithm

  • Popis výsledku v původním jazyce

    This paper deals with the application of deep reinforcement learning (DRL) algorithm to dynamic system control. The introductory chapter describes the operation of the selected algorithm in the control of a dynamic system, in our case a bellows air spring, which is a mechanical system with one degree of freedom. The following sections address software and hardware troubleshooting. The procedure of exporting the learned agent of the used DRL algorithm from the MATLAB environment to the Raspberry Pi 4 B microcomputer is shown and then the method of communication of the microcomputer with the sensor and actuator using AD and DA converters is described. One of the main advantages of the presented solution is the low purchase price of individual components.

  • Název v anglickém jazyce

    Hardware Connection and Software Communication in the Application of Deep Reinforcement Learning Algorithm

  • Popis výsledku anglicky

    This paper deals with the application of deep reinforcement learning (DRL) algorithm to dynamic system control. The introductory chapter describes the operation of the selected algorithm in the control of a dynamic system, in our case a bellows air spring, which is a mechanical system with one degree of freedom. The following sections address software and hardware troubleshooting. The procedure of exporting the learned agent of the used DRL algorithm from the MATLAB environment to the Raspberry Pi 4 B microcomputer is shown and then the method of communication of the microcomputer with the sensor and actuator using AD and DA converters is described. One of the main advantages of the presented solution is the low purchase price of individual components.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    21100 - Other engineering and technologies

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů