随机环境中力控机器人搜索策略的无启发式优化

在工业与服务领域，使用机器人的一个核心优势是其快速可靠执行重复任务的能力。然而，即便是相对简单的插孔任务通常也受随机变化影响，需要搜索运动以找到孔等相关特征。虽然搜索提升了鲁棒性，但其代价是运行时间增加：更彻底的搜索将最大化成功执行给定任务的概率，但会显著延迟任何下游任务。这一权衡通常由人类专家依据简单启发式解决，而后者很少最优。本文提出一种自动、数据驱动且无启发式的机器人搜索策略优化方法。通过在大量模拟随机环境上训练搜索策略的神经网络模型，以少量真实示例为条件并反演该模型，我们可以推断出自适应于底层概率分布时变特征的搜索策略，同时仅需极少真实测量。我们在两台不同工业机器人的螺旋搜索与探针搜索用于THT电子组装的背景下评估了该方法。