Efficient Reinforcement Learning of Task Planners for Robotic Palletization through Iterative Action Masking Learning

本文研究了强化学习在提高物流场景中货物码垛机器人任务规划方面的应用。在供应链管理中，机器人码垛系统的开发至关重要，解决了关键的效率和精度需求。面对巨大的动作空间这一重要障碍，使得现有的强化学习方法难以高效应用，本研究引入了一种新方法，利用监督学习来迭代地修剪和有效地管理动作空间。通过减少动作空间的复杂性，我们的方法不仅加速了学习阶段，还确保了机器人码垛任务规划的有效性和可靠性。实验结果强调了这种方法的有效性，突显了它在改善物流码垛等复杂高维环境中强化学习应用性能方面的潜力。

本论文旨在通过强化学习（RL）来提高物流场景中货物堆放机器人系统的任务规划。由于庞大的行动空间是有效应用现有RL方法的重要障碍，因此本文提出了一种新方法，利用监督学习来迭代地修剪和管理行动空间，从而有效降低行动空间的复杂性。

本文的关键思路是使用监督学习来降低行动空间的复杂性，从而提高RL在物流堆垛中的任务规划性能。

本文的实验结果证明了该方法的有效性，突出了它在改进RL应用于复杂和高维度环境（如物流堆垛）中的性能和潜力。本文使用了开源数据集，并提供了代码实现。

在这个领域中，最近的相关研究包括：1. 'A Deep Reinforcement Learning Approach for Pallet Building in Robotic Logistics' 2. 'Robotic Palletizing and Depalletizing of Mixed-SKU Retail Cases Using Deep Reinforcement Learning'