Accelerating SME Robotics: Reinforcement Learning for Efficient Bin-Picking

doi:10.1007/978-3-032-04160-9_31

2026-01-01

PRE

Juhel, Philippe *

DOI：10.1007/978-3-032-04160-9_31

原文链接

原文求助

摘要

En 中文

本文提出了一种强化学习（RL）方法，用于为中小企业（SMEs）自动化分拣任务，以满足低成本和灵活自动化的需求。该方法在CoppeliaSim环境中使用UR5协作机器人（cobot），采用基于ResNet特征提取的深度Q网络（DQN）来预测抓取成功率。一项关键创新是在利用精度超过85%时提前终止探索，从而提高样本效率并减少训练时间。该模型在300个周期中最终达到总奖励278分，显示出较基线方法的显著改进。通过实现自主再编程，该RL框架降低了对外部机器人专业知识的依赖，为中小企业提供了一种实用且可适应的分拣解决方案。

Keyword:

Bin-picking

Reinforcement learning

DQN

Flexible automation

期刊

DISTRIBUTED COMPUTING AND ARTIFICIAL INTELLIGENCE, 22ND INTERNATIONAL CONFERENCE

IF:

论文数:

被引数:

机构

Universite de Toulouse

学者数:

824

论文数: 397

被引数: 0

引用论文

Suction Grasp Region Prediction Using Self-supervised Learning for Object Picking in Dense Clutter

2019 IEEE 5th International Conference on Mechatronics System and Robots (ICMSR)

IF0

2019-05-01

OAAI

Quanquan Shao; Jie Hu; Weiming Wang; Yi Fang; Wenhai Liu; Jin Qi; Jin Ma

Data-Driven Grasp Synthesis-A Survey 数据驱动的抓取综合 -- 一项调查

IEEE TRANSACTIONS ON ROBOTICS

IF10.5

2014-04-01

746

OAAI

Bohg, Jeannette; Morales, Antonio; Asfour, Tamim; Kragic, Danica

Human-level control through deep reinforcement learning 通过深度强化学习实现人类层面的控制

Nature

IF0

2015-02-25

PREAI

Volodymyr Mnih; Koray Kavukcuoglu; David Silver; Andrei A. Rusu; Joel Veness; Marc G. Bellemare; Alex Graves; Martin Riedmiller; Andreas K. Fidjeland; Georg Ostrovski; Stig Petersen; Charles Beattie; Amir Sadik; Ioannis Antonoglou; Helen King; Dharshan Kumaran; Daan Wierstra; Shane Legg; Demis Hassabis

IF0

PREAI

IF0