<![CDATA[Teknologi robotik telah mengalami kemajuan pesat terutama pada bidang tangan robot yang kini digunakan secara luas di berbagai industri seperti medis, manufaktur, farmasi, dan logistik. Tangan robot hadir dalam berbagai jenis dan model yang dirancang khusus untuk aplikasi tertentu. Tangan robot diharapkan dapat meniru bahkan melampaui fungsi tangan manusia. Semakin kompleks tugas yang dapat dilakukan oleh tangan robot, semakin kompleks pula perancangan sistem kendalinya terutama dalam pemrogramannya. Salah satu fungsi penting dari tangan robot adalah pengendalian gaya cengkeraman. Kompleksitas desain sistem kendali tangan robot disebabkan oleh perbedaan aktuator dan sensor yang digunakan serta spesifikasi setiap komponen. Pemrograman tangan robot dengan banyak variabel memakan waktu yang lama dan rentan terhadap konflik. Tantangan utama adalah menentukan posisi optimal robot saat memiliki cengkeraman yang tepat pada benda kerja. Solusi yang diusulkan adalah sistem pembelajaran kontrol genggaman menggunakan Reinforcement Learning. Penggunaan episode selama pelatihan mempengaruhi konvergensi atau pendekatan ke nilai optimal untuk menggenggam benda kerja. Peningkatan jumlah episode menghasilkan konvergensi yang lebih baik namun waktu pelatihan robot yang lebih lama. Hasil uji validasi menunjukkan tingkat keberhasilan 10 dari 10 percobaan dengan 2 di antaranya tidak stabil.]]>
Copyrights © 2023
