基于深度强化学习的密集物体温度优先推抓方法

陈满; 李茂军; 胡建文; 赖志强; 李俊日

doi:10.13873/J.1000-9787(2022)01-0041-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于深度强化学习的密集物体温度优先推抓方法

研究与探讨 | 更新时间：2025-09-11

- 基于深度强化学习的密集物体温度优先推抓方法
- 基于深度强化学习的密集物体温度优先推抓方法
- 传感器与微系统 2022年第1期页码：41-44+49
- 作者机构：
  
  长沙理工大学电气与信息工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2022)01-0041-04
  中图分类号： TP18;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
陈满, 李茂军, 胡建文, 等. 基于深度强化学习的密集物体温度优先推抓方法[J]. 传感器与微系统, 2022,(1):41-44+49.

基于深度强化学习的密集物体温度优先推抓方法[J]. 2022, (1): 41-44+49.
陈满, 李茂军, 胡建文, 等. 基于深度强化学习的密集物体温度优先推抓方法[J]. 传感器与微系统, 2022,(1):41-44+49. DOI： 10.13873/J.1000-9787(2022)01-0041-04.

基于深度强化学习的密集物体温度优先推抓方法[J]. 2022, (1): 41-44+49. DOI： 10.13873/J.1000-9787(2022)01-0041-04.

摘要

对于工业中需要考虑温度特性的密集物体抓取时出现的操作难度系数大、温度优先性不强等典型问题

提出一种基于深度强化学习（DRL）的密集物体温度优先推抓（TPG）方法。方法涉及一种深度Q网络算法

以RGB-D图像与红外图像作为输入

使用两个全卷积网络（FCN）

将推动和抓取放在一个框架内联合动作

输出对应的Q值

指导机器人对密集物体进行推抓动作

并与环境交互获得奖励。实验结果表明:对于所设抓取对象的完成率为100%;抓取成功率为69.4%

高于无推动的对比实验11.2%

温度相关度为79.5%

具有优先抓取温度较高物体的功能。

Abstract

对于工业中需要考虑温度特性的密集物体抓取时出现的操作难度系数大、温度优先性不强等典型问题

提出一种基于深度强化学习（DRL）的密集物体温度优先推抓（TPG）方法。方法涉及一种深度Q网络算法

以RGB-D图像与红外图像作为输入

使用两个全卷积网络（FCN）

将推动和抓取放在一个框架内联合动作

输出对应的Q值

指导机器人对密集物体进行推抓动作

并与环境交互获得奖励。实验结果表明:对于所设抓取对象的完成率为100%;抓取成功率为69.4%

高于无推动的对比实验11.2%

温度相关度为79.5%

具有优先抓取温度较高物体的功能。

关键词

Keywords

references

基于红外热像仪的温度测量技术及其应用研究 [D]. 李云红. 哈尔滨工业大学 2010

Optimising residential electric vehicle charging under renewable energy: Multi‐agent learning in software simulation and hardware‐in‐the‐loop evaluation [J] . Andrei Marinescu,Adam Taylor,Siobhán Clarke,Ioan Serban,Corneliu Marinescu. International Journal of Energy Research . 2019 (8)

Human-level control through deep reinforcement learning. [J] . Mnih Volodymyr,Kavukcuoglu Koray,Silver David,Rusu Andrei A,Veness Joel,Bellemare Marc G,Graves Alex,Riedmiller Martin,Fidjeland Andreas K,Ostrovski Georg,Petersen Stig,Beattie Charles,Sadik Amir,Antonoglou Ioannis,King Helen,Kumaran Dharshan,Wierstra Daan,Legg Shane,Hassabis Demis. Nature . 2015 (7540)

Springer Handbook of Automation [On the Shelf [J] . Sanz Pedro. IEEE Robotics ＆ Automation Magazine . 2010 (1)

浏览量

216

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据