基于强化学习与计算机视觉的机器人起重机施工材料供应策略用于震后建筑重建
计算机视觉与模式识别
2023-09-01 v1
摘要
地震后，由于大量基础设施需要修复或新建，在现场提供必要的资源尤为重要。由于灾后施工环境复杂，人员在此环境中作业存在潜在安全隐患。随着机器人技术与人工智能(AI)算法的进步，智能机器人技术是震后提供施工资源的潜在解决方案。本文提出配备先进AI算法的机器人起重机，用于震后基础设施重建的资源供应。采用近端策略优化(PPO)这一强化学习(RL)算法，进行运输施工材料时的3D吊装路径规划。为RL模型训练详细设计了状态与奖励函数。通过加载任务在不同环境中利用PPO算法训练两个模型，一个考虑障碍物影响，另一个不考虑障碍物影响。随后，在仿真环境中通过卸载任务与加载任务对两个训练模型进行比较与评估。每个任务考虑两种不同情形：一是施工材料起吊初始位置与目标位置间无障碍物，二是初始位置与目标位置间存在障碍物。结果表明，训练时考虑障碍物的模型能够为机器人起重机生成恰当动作以供执行，从而使起重机可自动将施工材料运送至期望位置，并具有摆振抑制、耗时短及避碰的特性。
引用
@article{arxiv.2308.16280,
title = {A reinforcement learning based construction material supply strategy using robotic crane and computer vision for building reconstruction after an earthquake},
author = {Yifei Xiao and T. Y. Yang and Xiao Pan and Fan Xie and Zhongwei Chen},
journal= {arXiv preprint arXiv:2308.16280},
year = {2023}
}
备注
12 pages, 7 figures, accepted in the Canadian Conference - Pacific Conference on Earthquake Engineering 2023, Vancouver, British Columbia