Samenvatting :
Het project is het ontwikkelen van de 'Smart Pool Table’, een systeem, dat via objectherkenning en reinforcement learning, leert hoe het spel 'pool’ werkt. Deze artificiële intelligentie zal hints kunnen geven aan de huidige speler over welke optie hem de meeste overwinningskans geeft. Het systeem zal ook als scheidsrechter kunnen dienen.
Het onderzoek is gericht op het creëren van de reinforcement learning agent, waarbij ook aandacht besteed wordt aan het opzetten van een trainingsomgeving in het OpenAI Gym-framework. Deze omgeving is geschreven in Python.
Het onderzoek bekijkt hoe een reinforcement learning model gecreëerd wordt, hoe de grootte van het model bepaald kan worden, de types lagen die in een model gebruikt kunnen worden en hoe deze toepasbaar zijn. Het doel is dat het onderzoek genoeg informatie verschaft aan de lezer, om zelf de geïnformeerde keuzes te kunnen maken die nodig zijn om een deep reinforcement learning agent te creëren.
Om dit te bereiken is er gewerkt op een Pop!_OS-platform, een variant van het Ubuntu 19.04-platform. De objectherkenning is gebaseerd op het YOLOv3-framework. Dit framework is voornamelijk geschreven in C en C++. Ter ondersteuning zijn er een aantal Python scripts gecreëerd. Om de benodigde dataset te maken, is er gewerkt met Visual Object Tagging Tool (VoTT) van Microsoft.
De reinforcement learning agent is gemaakt met behulp van Keras en Keras RL, dat Tensorflow gebruikt om het neuraal netwerk te bouwen. De Keras-code is geschreven in Python. Pycharm is de gebruikte verwerkingsapplicatie voor alle Python-code binnen het project.
De gebruikte hardware bestaat uit een GoPro HERO5 Black Action Camera, een Linkstar BS-3031 -achtergrondsysteem, en een op maat gebouwd pc-systeem met een Asus GeForce RTX 2080 TI ROG-STRIX-RTX2080TI-O11G-GAMING grafische kaart, een Ryzen 7 2700X processor, 32gb G.Skill DDR4 Ripjaws-V RAM-geheugen, een be quiet! Silent Loop 360mm koeler voor de processor, een ASUS Prime X470-Pro moederbord, 1Tb Samsung 970 Pro SSD-geheugen, gevoed met 850w vanuit een Seasonic Prime Ultra Titanium PSU. De behuizing is een be quiet! Silent Base 601 Silver Midi Tower. |
Wil je naar dit eindwerk verwijzen in je eigen eindwerk, paper of rapport, gebruik dan dit formaat (APA):
Schaeken, D. (2019). Smart Pool Table. Deep Reinforcement Learning Agent.
Onuitgegeven verhandeling, Hogeschool PXL, PXL-Digital.
Gevonden op
op
http://doks.pxl.be/doks/do/record/Get?dispatch=view&recordId=SEtd8ab2a8216cd2dafb016cd2efe9280799.
|
Home 
