RoboBallet: Planificación para el alcance multirobot con redes neuronales de gráficos y aprendizaje por refuerzo

Área de la Ciencia:

• La robótica
• Inteligencia artificial
• Investigación de las operaciones

Sus antecedentes:

• La coordinación de múltiples robots en espacios de trabajo de fabricación compartidos y ricos en obstáculos para tareas complejas es un desafío computacional para los métodos tradicionales.
• Los sistemas industriales multi-robot actuales a menudo se basan en la planificación manual de trayectorias intensivas en mano de obra basada en la experiencia humana.
• Se necesitan soluciones automatizadas para superar la intratabilidad de la asignación conjunta de tareas, la programación y la planificación de movimientos bajo restricciones espaciotemporales.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje por refuerzo (RL) para la planificación automatizada de tareas y movimientos en sistemas multi-robots.
• Abordar las limitaciones de los métodos clásicos en el manejo de escenarios de fabricación robótica complejos y reales.
• Permitir una coordinación eficiente y libre de colisiones de múltiples robots que realizan tareas en espacios de trabajo compartidos.

Principales métodos:

• Se desarrolló un marco de aprendizaje por refuerzo (RL) que utiliza una política de red neuronal de gráficos (GNN).
• La política de GNN fue entrenada a través de RL en entornos generados procedimentalmente con diversas configuraciones.
• El enfoque utiliza una representación gráfica de escenas y una red neuronal de política gráfica para resolver conjuntamente la asignación de tareas, la programación y la planificación de movimientos.

Principales resultados:

• El marco RL logró con éxito la planificación automatizada de tareas y movimientos para ocho robots que realizaban 40 tareas de alcance en un entorno rico en obstáculos.
• La política entrenada demostró la generalización de tiro cero a entornos no vistos con diferentes ubicaciones de robots, geometrías de obstáculos y posturas de tareas.
• Se demostró que la capacidad de alta velocidad del planificador mejora la optimización del diseño de la célula de trabajo y permite la reprogramación tolerante a fallos y en línea.

Conclusiones:

• El marco RL propuesto ofrece una solución escalable y eficiente para problemas complejos de coordinación de múltiples robots en la fabricación.
• Este enfoque automatiza las tareas críticas de planificación, reduciendo la dependencia de la intervención manual y mejorando la eficiencia.
• Las capacidades de generalización y velocidad del marco abren nuevas posibilidades para sistemas robóticos dinámicos y adaptativos.