可重构硬件上的强化学习：克服激光材料加工中的材料变异性
机器学习
2025-03-07 v2
摘要
在激光加工过程中，由于材料特性和表面条件的变化，确保一致的加工质量具有挑战性。尽管一些方法通过自动化在解决这一问题上显示出前景，但它们通常依赖于预定目标或局限于模拟环境。为了解决这些不足，我们提出了一种新颖的实时强化学习方法用于激光过程控制，该方法在现场可编程门阵列（FPGA）上实现以实现实时执行。我们在具有一系列表面粗糙度的不锈钢样品上的激光焊接测试的实验结果验证了该方法能够自主适应，无需依赖奖励工程或先验设置信息。具体来说，该算法为每种独特的表面特性学习了正确的功率曲线，在手工程序优化的恒定功率策略上表现出显著改进——在较粗糙表面上性能提升高达23%，在混合表面上提升7%。该方法代表了激光过程自动化和优化方面的重要进展，具有跨多个行业的潜在应用。
引用
@article{arxiv.2501.19102,
title = {Reinforcement Learning on Reconfigurable Hardware: Overcoming Material Variability in Laser Material Processing},
author = {Giulio Masinelli and Chang Rajani and Patrik Hoffmann and Kilian Wasmer and David Atienza},
journal= {arXiv preprint arXiv:2501.19102},
year = {2025}
}
备注
Accepted for the 2025 IEEE International Conference on Robotics and Automation (ICRA), May 19-23, 2025, Atlanta, USA; Camera ready version -- addressed reviewer comments in text, improved plot clarity