Un algoritmo de planificación de ruta de robots de subestación basado en el aprendizaje de refuerzo profundo mejorado...

Área de la Ciencia:

• Robótica y Robótica Robótica y Robótica Robótica Robótica Robótica Robótica Robótica Robótica
• La inteligencia artificial es inteligencia artificial.
• Algoritmos de optimización Algoritmos de optimización

Sus antecedentes:

• Los robots de subestación requieren una planificación avanzada de la ruta debido a campos electromagnéticos complejos, equipos densos y demandas de seguridad.
• Los métodos existentes luchan con los desafíos únicos de los entornos de las subestaciones para la inspección y el mantenimiento.

Objetivo del estudio:

• Desarrollar un algoritmo mejorado de planificación de rutas para robots de subestaciones.
• Mejorar la eficiencia operativa y la seguridad en las tareas de inspección y mantenimiento de las subestaciones.

Principales métodos:

• Un marco sinérgico que combina el aprendizaje de refuerzo profundo (DRL) con la optimización de la colonia de hormigas (ACO).
• Estrategia de exploración guiada por feromonas para reducir la búsqueda ineficaz de rutas.
• Mecanismo de selección de muestras utilizando la experiencia de la ruta ACO para impulsar la capacitación de la red Q.
• Ajuste dinámico de las ponderaciones de decisión para un cambio gradual de aprendizaje heurístico a aprendizaje autónomo.

Principales resultados:

• Logró un 24% más de eficiencia de la muestra en comparación con los algoritmos de DRL de referencia.
• Reducción de la longitud promedio del recorrido en un 18% y demostración de una dinámica superior para evitar obstáculos.
• La validación de campo mostró una mejora del 14,8% en la tasa de finalización de tareas en una subestación real.

Conclusiones:

• El algoritmo DRL-ACO propuesto supera significativamente los métodos de última generación en la planificación de las rutas de las subestaciones.
• El enfoque híbrido mejora la eficiencia de la muestra, la optimización de la ruta y las capacidades de evitación de obstáculos.
• Eficacia práctica demostrada y mejora en la finalización de tareas en entornos reales de subestaciones.