采用基于深度学习的时间变化的多场景机器人系统对煤排序的方案评估方法

科学领域:

• 机器人和自动化 机器人和自动化
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 煤分类机器人系统 (CGSRS) 的有效配置受到时间变化的原煤流 (TVRCF) 和复杂的现场条件的挑战.
• 现有的CGSRS多任务分配策略在处理动态场景和高时间复杂性方面存在局限性.

研究的目的:

• 为CGSRS提出一种基于深度学习的新方案评估方法.
• 为了解决时间变化,多场景TVRCF在优化CGSRS性能方面所带来的挑战.
• 提高CGSRS多任务分配策略的准确性和稳定性.

主要方法:

• 在多个场景和条件中为TVRCF生成数据集,考虑带速和煤流变化.
• 使用DenseNet开发CGSRS计划评估模型,在RGB样本集上进行训练,这些样本来自Gangue队列标签.
• 实施方案评估方法,用于预测随机排队和评估解决方案稳定性.

主要成果:

• 拟议的深度学习模型展示了CGSRS计划评估的准确和稳定的解决方案.
• 显著减少时间复杂性,并观察到高度稳定的性能.
• 该方法证明优于传统的多任务分配策略,不受数据变化的影响.

结论:

• 基于深度学习的CGSRS方案评估方法为优化机器人系统配置提供了强大的解决方案.
• 这种方法在动态的采矿环境中显著提高了效率和稳定性.
• 这项研究标志着CGSRS内部首次将深度学习应用于多任务分配问题.