Problème
L’apprentissage autonome d’un système robotique intelligent présente un énorme potentiel pour résoudre les tâches d’assemblage. Les algorithmes d’apprentissage par renforcement profond sont généralement utilisés en robotique. Leur niveau d’application est encore limité à des tâches relativement simples en raison de la complexité et de la variabilité de l’environnement industriel. L’apprentissage par renforcement profond se combinera avec des sous-domaines de l’apprentissage automatique tels que l’apprentissage supervisé pour compenser les inconvénients et résoudre les problèmes industriels. Les robots du futur seront capables de s’adapter à différents environnements, de penser de manière autonome et de résoudre des problèmes par eux-mêmes, en fonction des conditions.
Objectifs
Le démonstrateur se compose d’un bras de robot, d’une caméra, d’une pince à vide, d’un puzzle à cible aléatoire et de plusieurs polygones. L’idée est de donner au robot le puzzle cible particulier et de laisser l’IA du robot réfléchir à la manière d’assembler les 7 polygones pour créer le même graphique que celui du puzzle cible.
Démarche
Un système de caméra est utilisé pour détecter et déterminer la position et l’orientation 3D des polygones. Un système robotique intelligent associe le K-plus proche voisin, l’arbre de décision et le réseau Deep Q pour apprendre différents casse-tête tangram. Après avoir déterminé la position actuelle des polygones et la solution d’assemblage, une trajectoire de robot est planifiée.
Domaines d'application
Le système intelligent est utilisé pour analyser les composants mécaniques afin que le bras du robot apprenne à assembler divers composants mécaniques en conséquence.