基于强化学习提升Delta机器人抛掷用于散杂金属分类
机器人学
2024-06-24 v2
摘要
本研究提出了一种基于强化学习(RL)的新方法，用于提高使用Delta机器人和Pick-and-Place(PaP)工艺处理散杂金属的分类效率，这种工艺在行业中广泛使用。我们使用三种经典的无模型RL算法(TD3、SAC和PPO)来缩短对金属碎片进行分类的时间。我们学习了抛掷物体到筒中所需的释放位置和速度，而不是像经典PaP技术那样移动到确切的筒位置。我们的贡献有三方面。首先，我们提供了一种新的仿真环境，用于学习基于RL的Pick-and-Throw(PaT)策略，以适用于并行夹爪。其次，我们在该环境中使用RL算法进行学习，实现了89%的准确率，同时将吞吐量提高了51%。最后，我们在仿真和现实中评估了RL算法的性能，并将其与PaP和一种最新PaT方法进行比较，仅从仿真中学习，无需在现实中微调即可将我们的策略迁移到现实。本工作表明，RL基于PaT相对于PaP或行业中使用的经典优化PaT技术具有优势。
引用
@article{arxiv.2406.13453,
title = {Reinforcement Learning to improve delta robot throws for sorting scrap metal},
author = {Arthur Louette and Gaspard Lambrechts and Damien Ernst and Eric Pirard and Godefroid Dislaire},
journal= {arXiv preprint arXiv:2406.13453},
year = {2024}
}