基于在线掩码推理的物理感知机器人码垛
机器人学
2025-02-20 v1
摘要
高效规划纸箱堆叠，特别是在物品到达序列不可预测的在线设置中，仍然是现代仓储和物流管理中的一个关键挑战。现有的解决方案通常解决了纸箱尺寸变化的问题，但忽略了其内在和物理属性（如密度和刚度），而这些属性对于现实世界应用至关重要。我们使用强化学习（RL）来解决这一问题，采用动作空间掩码将 RL 策略引导至有效动作。以往的方法依赖于在物理场景中难以评估的启发式稳定性评估，与此不同的是，我们的框架利用在线学习动态训练动作空间掩码，从而消除了手动启发式设计的需要。大量实验表明，我们提出的方法优于现有的 state-of-the-art 方法。此外，我们将学习到的任务规划器部署在真实的机器人码垛机中，验证了其在操作环境中的实际适用性。
引用
@article{arxiv.2502.13443,
title = {Physics-Aware Robotic Palletization with Online Masking Inference},
author = {Tianqi Zhang and Zheng Wu and Yuxin Chen and Yixiao Wang and Boyuan Liang and Scott Moura and Masayoshi Tomizuka and Mingyu Ding and Wei Zhan},
journal= {arXiv preprint arXiv:2502.13443},
year = {2025}
}
备注
Accepted by ICRA 2025