GOPT：基于 Transformer 深度强化学习的可泛化在线三维装箱
机器人学
2024-12-25 v2 人工智能
机器学习
摘要
机器人对象装箱在物流和自动化工业中有着广泛的实际应用，研究者通常将其形式化为在线三维装箱问题（3D-BPP）。然而，现有的基于 DRL 的方法主要侧重于在有限的装箱环境中提升性能，而忽略了在不同箱体尺寸的多种环境中进行泛化的能力。为此，我们提出了 GOPT，一种基于 Transformer 深度强化学习（DRL）的可泛化在线三维装箱方法。首先，我们设计了一个放置生成器模块，用于生成有限的子空间作为放置候选和箱体的表示。其次，我们提出了一个装箱 Transformer，它融合了物品和箱体的特征，以识别待装箱物品与箱内可用子空间之间的空间相关性。将这两个组件耦合，使 GOPT 能够对不同尺寸的箱体进行推理。我们进行了广泛的实验，证明 GOPT 不仅在性能上优于基线方法，还表现出卓越的泛化能力。此外，在机器人上的部署展示了我们方法在现实世界中的实际适用性。源代码将在 https://github.com/Xiong5Heng/GOPT 上公开。
引用
@article{arxiv.2409.05344,
title = {GOPT: Generalizable Online 3D Bin Packing via Transformer-based Deep Reinforcement Learning},
author = {Heng Xiong and Changrong Guo and Jian Peng and Kai Ding and Wenjie Chen and Xuchong Qiu and Long Bai and Jianfeng Xu},
journal= {arXiv preprint arXiv:2409.05344},
year = {2024}
}
备注
8 pages, 6 figures. This paper has been accepted by IEEE Robotics and Automation Letters