Hybrid Robot Learning for Automatic Robot Motion Planning in Manufacturing

要約

産業用ロボットは、多様な製造環境で広く使用されています。
それにもかかわらず、ロボットがタスクを変更するための軌跡を自動的に計画できるようにする方法は、かなりの課題を提示します。
マシン、人間、または他のロボットと一緒に作業セル内でロボットが動作する場合、さらに複雑さが生じます。
このペーパーでは、デモンストレーション（RL-LFD）エージェントからのタスクスペース補強学習ベースの学習と、ジョイントスペースベースのディープ補強学習（DRL）ベースのエージェントを組み合わせたマルチレベルのハイブリッドロボットモーション計画方法を紹介します。
高レベルのエージェントは、2つのエージェントを切り替えて、実行可能で滑らかな動きを可能にすることを学びます。
実現可能性は、指定された環境におけるロボットの到達可能性、共同限界、操作性、衝突リスクを組み込むことによって計算されます。
したがって、派生したハイブリッドモーション計画ポリシーは、タスクの制約を順守する実行可能な軌跡を生成します。
メソッドの有効性は、Sim Ulated Roboticシナリオと実際のセットアップで検証されます。

要約(オリジナル)

Industrial robots are widely used in diverse manufacturing environments. Nonetheless, how to enable robots to automatically plan trajectories for changing tasks presents a considerable challenge. Further complexities arise when robots operate within work cells alongside machines, humans, or other robots. This paper introduces a multi-level hybrid robot motion planning method combining a task space Reinforcement Learning-based Learning from Demonstration (RL-LfD) agent and a joint-space based Deep Reinforcement Learning (DRL) based agent. A higher level agent learns to switch between the two agents to enable feasible and smooth motion. The feasibility is computed by incorporating reachability, joint limits, manipulability, and collision risks of the robot in the given environment. Therefore, the derived hybrid motion planning policy generates a feasible trajectory that adheres to task constraints. The effectiveness of the method is validated through sim ulated robotic scenarios and in a real-world setup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google