ロボバレット:グラフニューラルネットワークと強化学習によるマルチロボットの計画

科学分野:

• ロボット
• 人工知能
• 運用研究

背景:

• 複雑なタスクをこなすため 共同で障壁が多い製造スペースで複数のロボットを 協調させることは 従来の方法では計算上の課題です
• 現在の産業用マルチロボットシステムは 人間の専門知識に基づいた 手動的な労働集約的な軌道計画に依存しています
• 空間・時間的な制約のもとでの 共同作業の割り当て,スケジュール,運動計画の難しさを克服するために 自動化されたソリューションが必要である.

研究 の 目的:

• 多ロボットシステムにおける自動化されたタスク・モーション・プランニングのための強化学習 (RL) フレームワークを開発する.
• 複雑で現実的なロボット製造シナリオの処理における古典的な方法の限界に対処する.
• 共同作業スペースで作業を行う複数のロボットの 効率的で衝突のない協調を可能にします

主な方法:

• グラフニューラルネットワーク (GNN) ポリシーを利用した強化学習 (RL) フレームワークが開発されました.
• GNNのポリシーは,RLを通じて,さまざまな構成を持つ手順で生成された環境で訓練されました.
• このアプローチでは,シーンのグラフ表現とグラフポリシーのニューラルネットワークを使用して,タスクの割り当て,スケジュール,運動計画を共同で解決します.

主要な成果:

• RLフレームワークは,障害物が多い環境で40のタスクを実行する8つのロボットの自動化されたタスクと動作計画を成功裏に達成しました.
• 訓練された方針は,ロボット配置,障害物幾何学,タスクポーズが異なる未知の環境へのゼロショット一般化を示しました.
• プランナーの高速機能は,ワークセルレイアウトの最適化を向上させ,故障耐性およびオンラインリプランニングを可能にしました.

結論:

• 提案されたRLフレームワークは,製造における複雑なマルチロボットの協調問題に対して,スケーラブルで効率的なソリューションを提供します.
• このアプローチは,重要な計画作業を自動化し,手作業への依存を軽減し,効率を向上させます.
• フレームワークの汎用化能力とスピードは ダイナミックで適応性の高いロボットシステムに 新たな可能性をもたらします