Evitación de obstáculos adaptable para brazos robóticos mediante aprendizaje por refuerzo jerárquico y optimización...

Área de la Ciencia:

• Robótica
• Inteligencia Artificial
• Planificación de Movimiento

Sus antecedentes:

• La evitación de obstáculos dinámicos es un desafío importante en la planificación de movimiento de brazos robóticos.
• Los métodos tradicionales tienen dificultades con la toma de decisiones adaptativa y la generación precisa de trayectorias en entornos no estructurados.

Objetivo del estudio:

• Presentar un marco novedoso de planificación de movimiento jerárquico para la evitación de obstáculos dinámicos.
• Mejorar las capacidades de los brazos robóticos en entornos complejos y no estructurados.

Principales métodos:

• Un marco jerárquico que combina la optimización de políticas proximales (PPO) y el árbol de búsqueda aleatoria rápidamente exploratoria estrella (RRT*).
• Paradigma de aprendizaje curricular para entrenar PPO en escenarios progresivamente difíciles.
• Una función de recompensa multiobjetivo que equilibra la exploración y la explotación utilizando la eficiencia de pasos y los principios del campo de potencial artificial.

Principales resultados:

• Se logró una tasa de éxito del 87,6% en escenarios de obstáculos dinámicos.
• Superó a PPO independiente y a los enfoques híbridos de aprendizaje por refuerzo existentes.
• Demostró estrategias efectivas de evitación de obstáculos globales (PPO) y trayectorias locales refinadas (RRT*).

Conclusiones:

• El marco propuesto ofrece una solución práctica para la evitación de obstáculos dinámicos en brazos robóticos.
• El método muestra una aplicabilidad más amplia a tareas de manipulación autónoma de alta dimensión.
• El enfoque jerárquico equilibra eficazmente el aprendizaje de estrategias globales con el control motor fino.