Aug, 2023

基于强化学习的建筑材料供应策略 —— 地震后建筑重建中使用机器人起重机和计算机视觉

PDF
TL;DR本文提出采用具有先进 AI 算法的机器人起重机，在地震后提供基础设施重建所需的资源，并通过强化学习算法中的近端策略优化（PPO）进行三维提升路径规划，设计了详细的状态和奖励函数进行模型训练，结果显示在考虑障碍物的训练模型下，机器人起重机能够自动运输建筑材料至目标位置，并具备摆幅抑制、快速运输和避免碰撞。
earthquakerobotic technologyconstruction resourcesproximal policy optimizationobstacle avoidance
发现论文，激发创造
  • 基于强化学习的清洁机器人路径规划

    采用强化学习和迁移学习优化的有效路径规划方法，可在不同环境下使用以增加清洁机器人的训练性能和收敛速度，显著提高其清洁效率和性能。

    Aug, 2022

  • 基于强化学习的自主机器人导航研究

    基于强化学习的自主导航方法，采用深度 Q 网络（DQN）和近端策略优化（PPO）模型，通过机器人与环境的连续交互和实时反馈奖励信号，对路径规划和决策过程进行优化，提高机器人在未知环境中的导航能力和自适应性。

    Jul, 2024

  • 基于改进近端策略优化的机械臂关节空间障碍物避免

    该研究提出一种新的基于邻近策略优化（PPO）的无模型强化学习方法，用于训练深度策略将任务空间映射到 6-DoF 机械臂的关节空间，用于解决机器人在随机目标和障碍物下进行的触及任务困难的问题。

    Oct, 2022

  • 使用深度强化学习处理不确定的季节性需求和交货时间的多级供应链

    探讨了多级供应链中的生产计划和分配问题，利用深度增强学习技术 Proximal Policy Optimization（PPO2）来解决非线性不确定需求的问题，结果表明在有不确定性情况下，该方法更具优势。

    Jan, 2022

  • 自动驾驶车辆的强化学习策略的定量与定性评估

    优化自动驾驶车辆的交通动态是至关重要的，本文通过采用强化学习算法 —— 近端策略优化（PPO），得出用于最小化交通拥堵和污染的自动驾驶车辆选择的新方法，并通过实证分析证明该方法可以降低时间和污染水平。

    Sep, 2023

  • 使用课程学习和奖励工程的近端策略优化解决实际优化问题

    我们通过课程学习原则和细致的奖励工程，使用近端策略优化（PPO）智能体对一个现实世界中的高吞吐量垃圾分类设施进行训练，以达到优化操作安全、优化处理量和最小化资源使用的竞争目标，并将其逐渐应用于更加复杂的环境动力学中，同时完善奖励机制，从而提高推理时间安全性并提高垃圾分类工厂的效率。

    Apr, 2024

  • 自然灾害时期公民安置的双 Q 学习算法

    本文研究了自然灾害中自主机器人在无需等待人类救援小组的情况下通过重新定位救 助公民的能力，采用基于部分可观察的马尔科夫决策过程的 Double Q-learning 方法进行实现，实验结果显示该方法在易场景下的表现超过了 100％，在 difficult 场景下的表现接近 50％。

    Sep, 2022

  • 学习高效且公平的不确定性感知人机协作拣货策略

    在协作式人机拣货系统中，通过仓库独立移动的人工拣货员和自主移动机器人（AMRs）在拣货位置汇合，拣货员将物品装上 AMRs。本文考虑在这种系统中在随机环境下将拣货员分配给 AMRs 的优化问题，提出了一种新颖的多目标深度强化学习（DRL）方法，以学习有效的分配策略，既最大化拣货效率，又提高人工拣货员的工作负载公平性。我们的方法使用图模型来建模仓库的状态，并定义了一个能够捕捉区域信息并有效提取与效率和工作负载相关表征的神经网络架构。我们开发了一个离散事件模拟模型，用于训练和评估提出的 DRL 方法。实验中，我们证明了我们的方法能够找到非支配策略集，从而在公平性和效率目标之间获得良好的权衡。训练的策略在效率和公平性方面优于基准线，并且在不同仓库大小的场景中展现出良好的可迁移性。

    Apr, 2024

  • 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

  • 深度强化学习在复杂环境下的机器人推和取

    本文提出了一种新颖的机器人抓取系统，由气泡吸盘和机械手抓手组成。利用可供性地图提供像素级的气泡吸盘升力点候选物，并引入主动探索机制，设计了一种有效的度量来计算当前可供性地图的奖励，并使用深度 Q 网络（DQN）指导机器人手探索环境，实验结果表明，所提出的机器人抓取系统能够大大提高在混乱场景中的机器人抓取成功率。

    Feb, 2023