Apr, 2023

一种 Q 学习算法在制造装配问题中的应用研究

PDF
TL;DR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。
machine learningreinforcement learningassembly problemoptimizationq-learning
发现论文，激发创造
  • 应用深度强化学习解决带用户偏好装配序列规划问题

    本文提出了一种采用深度强化学习方法解决装配序列规划（ASP）问题的方法，使用用户偏好和总装配时间作为奖励信号，并引入参数化行为来提高训练时间和样本效率。研究结果表明，深度强化学习与人类互动解决装配序列规划问题具有潜在的应用前景。

    Apr, 2023

  • 从 CAD 学习机器人装配

    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

  • 用于强化学习纳入工业应用的模块化测试平台

    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

  • 强化学习算法概述与分类

    本文根据应用场景分为三类环境，分析强化学习算法在不同环境下的可行性，提供算法基础的概述和算法之间的相似性和差异性的比较，帮助研究者和实践者选择最适合自己的算法。

    Sep, 2022

  • 教育中的强化学习：多臂赌博机方法

    本研究通过上下文化和模拟累计奖励来解决教育上的干预建议问题，采用强化学习的代理模型结合混合学习方法，景点在线平台的自动化功能

    Nov, 2022

  • 自动强化学习概述

    论文探讨自动化强化学习的关键元素和挑战，并讨论自动化强化学习的最新工作、应用和研究方向。

    Jan, 2022

  • 应用强化学习进行机器人包装优化

    本文提出了一个利用强化学习框架来优化传送带速度以最小化对系统其他部分的干扰，并使生产力、控制平滑和减少计算时间等方面有了显著提高的智能制造自动化解决方案。

    Mar, 2023

  • 风险敏感和鲁棒的基于模型的强化学习和规划

    本研究主要关注序列决策算法中的不确定性和风险问题，通过探索规划和强化学习两种方法，尤其是面向基于模型算法的研究，旨在缓解 epistemic 和 aleatoric 不确定性问题。

    Apr, 2023

  • 基于深度 Q 学习的模块化生产环境下的车辆管理

    本文研究了在离散事件模拟环境下，使用基于 Deep-Q 的深度强化学习代理来解决模块化生产设施中的作业车间调度问题。研究发现，相比于传统启发式和成本表等方法，基于 DRL 的代理相当，并且具有更高的噪声稳健性，对于这种类型的调度问题值得尝试。

    May, 2022

  • 异步离线更新下的机器人操作深度强化学习

    本文介绍一种基于深度 Q 函数算法的深度强化学习方法，能够实现在真实的物理机器人上进行复杂的 3D 操作任务学习，并通过多个机器人异步汇聚优化策略更新等技术进一步提高训练效率。

    Oct, 2016