Leveraging Procedural Generation for Learning Autonomous Peg-in-Hole Assembly in Space

自主组装结构的能力对于未来太空基础设施的发展至关重要。然而，太空的不可预测条件对机器人系统提出了重大挑战，需要开发先进的学习技术以实现自主组装。在本研究中，我们提出了一种新的方法，用于学习太空机器人中的自主插销组装。我们的重点是通过深度强化学习增强自主系统的泛化能力和适应性。通过集成过程生成和域随机化，我们在高度并行化的仿真环境中训练代理人在各种不同情况下的组装，以获取健壮的策略。我们使用三种不同的强化学习算法来评估所提出的方法，以研究各种范例之间的权衡。我们展示了我们的代理人对新颖情境和组装序列的适应性，同时强调利用先进的仿真技术来进行太空机器人学习的潜力。我们的研究为未来智能机器人系统的发展奠定了基础，这些系统能够支持超越地球的雄心勃勃的太空任务和基础设施发展。

论文旨在通过深度强化学习来提高自主组装机器人系统的泛化性和适应性，以应对太空环境下的挑战。

通过结合过程生成和领域随机化，使用三种不同的强化学习算法在高度并行的仿真环境中训练智能体，以获得稳健的策略，并展示其对新颖情境和组装序列的适应性。

论文采用了过程生成和领域随机化的方法来增强智能体的泛化性和适应性；使用了三种不同的强化学习算法来比较其性能；实验结果表明智能体能够适应新颖情境和组装序列，为未来的太空机器人系统提供了基础。

与本文相关的研究包括“Deep Reinforcement Learning for Robotic Assembly Tasks with Continuous State and Action Spaces”和“Deep Reinforcement Learning for Autonomous Robotic Assembly with Hybrid Supervision”。