探索使用强化学习技术来提高制造业生产效率的潜力，以一个模型工厂为例，通过预设规则运输和组装货物，并将蓝色产品送到出口，绿色产品则运往存储。

Jun, 2023

本研究利用强化学习算法在给定对象的装配问题中实现了 Q-Learning 算法，通过学习与环境的交互来推荐装配序列解决方案，并通过三个场景的探索来评估强化学习代理的性能，实现了优化装配过程时间并在 98.3% 的时间内得出最佳的装配序列解决方案。

Apr, 2023

我们提出了一个基于深度强化学习的分层控制器结构，通过使用 RGB-D 图像作为主要输入源，学习自主卸货任务，从而解决了获取标记数据困难的问题。实验证明，这种结构在提高学习性能方面起到了重要作用，并为未来的研究提供了一个可复现性和基准。

Sep, 2023

仓库操作管理中的拣货路径规划是一个关键问题。由于问题的复杂性和快速解决的需求，实践中经常使用次优算法。然而，强化学习提供了传统启发式方法的一个有吸引力的替代方案，潜在地在速度和准确性方面优于现有方法。我们介绍了一种基于注意力机制的神经网络模型来建模拣货路线，该模型使用强化学习进行训练。我们的方法在一系列问题参数上与现有启发式方法进行了评估，以展示其效力。我们提出的方法的一个关键优势是可以降低路径的感知复杂性。

Feb, 2024

以制造业的最新趋势为背景，研究了自主机器人装配的问题。提出一种利用几何运动规划作为先验知识来引导强化学习的方法，以实现高精度的装配任务。同时，还提出了一种能够学习运动规划并将控制器推广到物体位置变化的神经网络架构。

Mar, 2018

本文针对制造业生产中派工问题，运用强化学习提出了一种新的设计方法，将车间状态表示为 2D 矩阵，设计了适用于派工目的的延迟和超时奖励函数，并采用调度策略转移方法增强模型泛化能力和节省模型训练和数据收集时间。实验结果显示该方法在总折扣奖励和平均延迟、超时方面表现最佳。

Oct, 2019

该篇文章介绍了一种基于学习的有效框架，使得机器人能够学会装袋，通过引入一种强化学习算法，该框架能够在现实世界中通过一组紧凑的状态表示找到袋子的最佳抓取点，经过大约三个小时的训练后，该框架在开始折叠和展开装袋任务时的成功率分别达到 60% 和 80%，最后，我们使用两个不同大小的袋子来评估该模型的泛化性。

Oct, 2023

自动化仓库操作可以降低物流成本，最终降低消费者的最终价格，提高交付速度，并增强对市场波动的适应能力。本文展示了亚马逊机器人的大规模包裹处理系统，以及其使用的启发式方法和利用实际生产数据训练的拣选成功预测器的后继方法。据作者所知，这是第一个在实际生产系统中大规模部署学习拣选质量评估方法的工作。

Sep, 2023

通过与基于传统工程方法的专业工业集成器的比较，研究表明基于深度强化学习的工业装配方法不仅可以超越已有的工业装配方法，还能超越人类运动系统，并且数据说明还有巨大的优化空间。

Mar, 2021

提出采用深度强化学习和传统的 Q-learning 方法来解决仓库机器人导航，避障和产品摆放等问题，包括针对单机器人，多机器人的情况，成功在二维仿真环境中测试了模型的性能。

Feb, 2022