玻璃流控系统中显示搬运机器人的强化学习：一种基于物理仿真的方法
机器学习
2023-10-13 v1 机器人学
系统与控制
系统与控制
摘要
流控系统是提升制造系统产能的关键概念。为解决旨在提高生产率的流控相关调度优化问题，现有方法依赖于领域人类专家的启发式设计。因此，这些方法需要使用真实设备进行修正、监控与验证。随着系统设计日益复杂，监控时间增加，从而降低了获得最优设计的概率。作为流控系统启发式设计的替代方案，利用深度强化学习解决调度优化问题已被考虑。尽管现有强化学习研究在某些领域取得了优异性能，但其结果对显示与半导体制造工艺等实际晶圆厂（FAB）的适用性迄今尚不明显。为此，我们提出一种方法，构建物理仿真环境，并通过强化学习设计显示制造中利用搬运机器人的可行流控系统。我们给出了用于构建不同显示搬运机器人虚拟环境的模型与参数设置，以及在该环境中进行强化学习训练以获得玻璃流控系统最优调度的方法。通过使用实际工艺中不同类型的机器人验证了其可行性。
引用
@article{arxiv.2310.07981,
title = {Reinforcement Learning of Display Transfer Robots in Glass Flow Control Systems: A Physical Simulation-Based Approach},
author = {Hwajong Lee and Chan Kim and Seong-Woo Kim},
journal= {arXiv preprint arXiv:2310.07981},
year = {2023}
}
备注
10 pages, 17 figures