HERB：面向人类增强的高效强化学习用于二项 Packing
机器人学
2025-04-24 v1 机器学习
摘要
高效装箱是物流、仓库自动化和机器人技术中的一个基本问题。虽然传统的装箱解决方案专注于几何优化，但对不规则三维物体的装箱由于形状和稳定性的差异 presents significant 挑战。强化学习（RL）在机器人装箱任务中获得了很高的受欢迎程度，但仅从仿真进行的训练可能效率低下且计算成本高。在本工作中，我们提出 HERB，一个人类增强的 RL 框架用于装箱不规则物体。我们首先利用人类演示来学习装箱物体的最佳序列，融合包括空间优化、稳定性和物体关系等潜在因素，这些因素难以显式建模。接下来，我们训练一个用于确定装箱容器内最佳物体定位的放置算法。我们的方法通过广泛的性能评估进行验证，分析了装箱效率和延迟。最后，我们在机器人系统上演示了我们方法的实际可行性。实验结果表明，我们的方法在利用人类直觉方面优于几何和纯粹基于 RL 的方法，提高了装箱的鲁棒性和适应性。这一工作凸显了将人类专长驱动的 RL 用于解决机器人系统中复杂实际装箱挑战的潜力。
引用
@article{arxiv.2504.16595,
title = {HERB: Human-augmented Efficient Reinforcement learning for Bin-packing},
author = {Gojko Perovic and Nuno Ferreira Duarte and Atabak Dehban and Gonçalo Teixeira and Egidio Falotico and José Santos-Victor},
journal= {arXiv preprint arXiv:2504.16595},
year = {2025}
}
备注
7 pages, 5 Figures