.png){kind=icon}
返回
Graph-Based Reinforcement Learning for Robot Decision Making in Collaborative Robotics
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3682530.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人机协作（HRC）正日益成为现代工业自动化的核心要素，因为它能够满足多样化且快速变化的生产需求。然而，关键挑战在于平衡生产效率与灵活性。HRC中的机器人决策不仅要最小化生产时间和成本，还需适应异构装配场景和不可预测的人为行为。本文提出了一种基于图卷积网络（GCN）的决策框架，通过强化学习（RL）过程在随机化的装配流程集合上进行训练。所提出的RL-GCN通过实时动态分配机器人任务以适应人类选择，优化长期装配效率。此外，在线微调阶段将模型权重定制到特定装配任务，进一步提升了性能并支持实际部署。大量的离线仿真和真实世界实验，包括动态变化装配结构的场景，表明所提出的方法在提高装配效率的同时，保持了人机协作所需的灵活性。
Keyword:
Human-robot collaboration
reinforcement learning
AI-enabled robotics
collaborative robots in manufacturing
期刊
I
IF:
5.3
论文数:
1.7K
被引数:
3.9W
机构
引用论文
A survey on graph neural networks, machine learning and deep learning techniques for time series applications in industryAhmed, M.J.; Mozo, A.; Karamchandani, A. 图神经网络、机器学习和深度学习技术在工业时间序列应用中的综述. PeerJ Comput. Sci. 2025, 11, e3097. [Google Scholar] [CrossRef]
OAAI
OAAI分享收藏Defining human-centricity in Industry 5.0 and assessing the readiness of ergonomics/human factors communities in UK.png)
Ergonomics
ErgonomicsIF0
PREAI
分享收藏
查看更多内容