【标题】Digital twin-driven deep reinforcement learning for adaptive task allocation in robotic construction

【作者团队】Dongmin Lee, SangHyun Lee, Neda Masoud, M.S. Krishnan, Victor C. Li

【发表日期】2022.8.12

【论文链接】https://www.sciencedirect.com/science/article/pii/S1474034622001689#!

【推荐理由】最近，深度强化学习 (DRL) 方法已显示出解决自适应任务分配的潜力。然而，DRL 是否可以解决动态机器人构建环境中的自适应任务分配问题仍然没有答案。本文开发并测试了一种数字孪生驱动的 DRL 学习方法，以探索 DRL 在机器人施工环境中自适应任务分配的潜力。具体来说，数字孪生从物理资料中合成感官数据，并用于模拟 DRL 智能体可以交互的各种动态机器人建筑工地条件。因此，智能体可以学习提高项目绩效的自适应任务分配策略。实验结果表明，与基于规则的命令式模型相比，DRL 模型的任务分配方法在三个动态测试环境中将构建时间减少了 36%。所提出的 DRL 学习方法有望成为动态机器人构建环境中自适应任务分配的有效工具。这种自适应的任务分配方法可以帮助建筑机器人应对不确定性，并通过有效地优先分配任务来最终提高建筑项目的绩效。

内容中包含的图片若涉及版权问题，请及时与我们联系删除