Core Concepts
複雑なタスクに対応するための最適なモジュール構成を見つけるための新しい遺伝的アルゴリズムアプローチを提案します。
Abstract
産業用ロボットは一般的な目的のために設計されており、変化するタスク要件や環境に適応する能力が限られています。一方、モジュラーロボットは柔軟性を提供し、多様なニーズに簡単にカスタマイズできます。ロボットの形態学は、主要なパフォーマンス指標である取得コスト、サイクル時間、エネルギー効率に大きく影響します。特定のタスク向けの最適なモジュール構成を特定することは未解決の問題であり、タスク固有のモジュラーロボットを開発する際に重要な障壁となっています。以前のアプローチでは、設計空間の十分な探索が欠如しているか、複雑なタスクへの適応可能性が不十分です。本研究では、解決候補のレキシコグラフィック評価と組み合わせた遺伝的アルゴリズムを提案しました。
この手法は先進技術基準よりも優れており、混雑した環境で産業用タスク向けにモジュラーロボットを合成することができます。
Stats
モジュールデータから29種類の異なるデータ使用。
200世代で1.2時間かかる平均評価時間。
合計120個の合成タスク定義。
80% の合成タスクで有効な解決策発見。
平均して30%低いコストで解決策発見。
Quotes
"Modular robots, on the other hand, offer flexibility and can be easily customized to suit diverse needs."
"We propose combining a genetic algorithm with a lexicographic evaluation of solution candidates to overcome this problem."
"Our approach outperforms a state-of-the-art baseline and is able to synthesize modular robots for industrial tasks in cluttered environments."