رباتیک و اشیا چندگانه

این مقاله، چندین موضوع ناشناخته را در یک محیط شلوغ بررسی میکند. از آنجا که دانش ناقص اشیاء ناشناخته و انسداد در مشاهدات بصری، مشاهدات شیء ناقص می گردد، موفقیت در عمل نامطمئن است، و برنامه ریزی را به چالش میکشد. ما این مشکل را به عنوان یک فرآیند تصمیم گیری مارکوف((POMDP که به صورت جزئی قابل مشاهده است، مدل میکنیم، که به هدف بهینه سازی کلی پاداش اجازه میدهد و عدم قطعیت را در تکامل زمان و مشاهدات جزئی در نظر میگیرد.علاوه بر مشاهدات وابسته به انسداد واحتمال موفقیت عمل، مدل POMDP ما نیز به طور خودکار احتمالات احتمالی موفقیت عمل خاص را تطبیق میدهد. برای مقابله با تغییر پویایی سیستم و محدودیت های عملکرد، یک روش جدید POMDP آنلاین مبتنی بر فیلتر کردن ذرات ارائه میدهیم که سیاست های جمع وجور را تولید میکند. رویکرد هردو در شبیه سازی و آزمایش های فیزیکی در یک سناریو از ظروف کثیف در حال حرکت به یک ماشین ظرفشویی معتبر است. نتایج نشان میدهد که:(1 یک رویکرد دستکاری اکتشافی حریص کافی نیست، دستکاری چند منظوره نیاز به برنامه ریزی POMDP چند مرحله ای دارد. (2 برنامه ریزی آنلاین به نفع آن است، زیرا این امکان را میدهد که سازگاری مدل دینامیکی سیستم بااستفاده از تجربه واقعی.

کلیدواژه ها:

POMDP ، اشیا ناشناخته ، اشیا چندگانه ، محیط خوشه بندی