在工业和服务域中,使用机器人的主要好处是它们快速可靠地执行重复性任务的能力。但是,即使是相对简单的孔洞任务,通常也会受到随机变化的影响,需要搜索运动才能找到相关的功能,例如孔。尽管搜索提高了鲁棒性,但它以增加运行时的成本为代价:更详尽的搜索将最大化成功执行给定任务的可能性,但会大大延迟任何下游任务。根据简单的启发式方法,这种权衡通常由人类专家解决,这些启发式很少是最佳的。本文介绍了一种自动,数据驱动和无启发式方法,以优化机器人搜索策略。通过训练搜索策略的神经模型在一系列模拟随机环境上,在几个现实世界中的示例中进行调节并颠倒模型,我们可以推断出适应了基本概率分布的时间变化特征,同时需要很少的现实测量。在螺旋和探测器搜索电子组件的背景下,我们评估了对两个不同工业机器人的方法。
translated by 谷歌翻译