面向循环经济的深度学习视觉、储能动力学热力学与机器人操作统一理论

从线性向循环经济的转变有望同时减少物料供应和废弃物产生的不确定性。然而，尽管机器人技术以及更广泛的自主系统在减少操作成本和处理废弃物时的污染风险方面具有潜力，尽管其发展潜力巨大，但到目前为止，机器人和更广泛的自主系统的开发在循环经济实施策略中鲜少被集成。此外，循环经济的科学仍缺乏用于提高模型准确性和可重复性的物理基础。因此，本文将深度学习视觉、储能动力学热力学与机器人操作融合为一个理论上连贯的物理基础研究框架，以奠定材料循环流动设计的基础。该框架通过对联合历经动力系统理论增强的拉斯姆林循环设计方法的概括来应对循环经济问题。这不同于循环经济的当前方法，这些方法主要基于数据分析，例如材料流分析 (MFA)。我们首先回顾上述三个研究领域的文献，然后介绍所提出的统一框架，并报告其针对塑料系统的初始应用以及基于强化学习控制的机器人废物分类的初始仿真结果。这表明该框架具有可应用性、普遍性、可扩展性，并且人工神经网络优化与所提出储能网络之间的相似性与差异性。最后，我们讨论机器人在循环经济中仍未充分利用的机会，以及该循环经济框架在理论和实践中的未来挑战。