基于深度强化学习的密集物体温度优先推抓方法

摘要

对于工业中需要考虑温度特性的密集物体抓取时出现的操作难度系数大、温度优先性不强等典型问题,提出一种基于深度强化学习(DRL)的密集物体温度优先推抓(TPG)方法。方法涉及一种深度Q网络算法,以RGB-D图像与红外图像作为输入,使用两个全卷积网络(FCN),将推动和抓取放在一个框架内联合动作,输出对应的Q值,指导机器人对密集物体进行推抓动作,并与环境交互获得奖励。实验结果表明:对于所设抓取对象的完成率为100%;抓取成功率为69.4%,高于无推动的对比实验11.2%,温度相关度为79.5%,具有优先抓取温度较高物体的功能。