An optimal and efficient hierarchical motion planner for industrial robots with complex constraints

 An optimal and efficient hierarchical motion planner for industrial robots with complex constraints

Artikel ini membahas kemajuan dalam perencanaan gerak robotik, dengan fokus pada dua pendekatan utama: perencanaan jalur dan perencanaan lintasan. Perencanaan gerak merupakan proses penting dalam sistem robotik yang bertujuan untuk menemukan lintasan bebas tabrakan dari konfigurasi awal ke konfigurasi target.

 

Perencanaan Jalur

Perencanaan jalur adalah masalah geometris yang melibatkan penemuan jalur bebas tabrakan. Metode berbasis sampling seperti Peta Jalan Probabilistik (PRM) dan Pohon Acak Eksplorasi Cepat (RRT) merupakan teknik yang sering digunakan. PRM dan RRT membangun pohon atau grafik dengan mengambil sampel konfigurasi secara acak dan menghubungkannya untuk mencapai konfigurasi target. Namun, metode berbasis sampling dapat menjadi sangat lambat ketika berhadapan dengan ruang status yang besar dan masalah dimensi tinggi. Untuk mengatasi hal ini, Mandalika et al. mengusulkan penggunaan pencarian malas yang mengabaikan evaluasi tepi awalnya untuk mengurangi waktu komputasi. Selain itu, beberapa pendekatan baru telah memperkenalkan set terinformasi yang memperbarui konfigurasi yang layak secara dinamis untuk menemukan jalur optimal lebih cepat.

 

Namun, pendekatan ini memiliki beberapa kelemahan. Mereka sering tidak dapat menangani kendala dinamis yang muncul dalam sistem robotik dan memiliki generalisasi yang rendah ketika menghadapi masalah baru. Proses deteksi tabrakan juga bisa sangat memakan waktu.

 

Perencanaan Lintasan

Berbeda dengan perencanaan jalur, perencanaan lintasan berfokus pada pencarian lintasan yang memenuhi kriteria tertentu secara dinamis. Metode berbasis optimasi memulai dengan membangun masalah optimasi dan menggunakan metode numerik untuk menemukan lintasan optimal, efektif dalam menangani kendala diferensial. Pendekatan seperti penggunaan Proses Gaussian (GP) dan pengoptimalan bilangan bulat campuran menunjukkan efektivitas dalam berbagai masalah. Beberapa teknik, seperti pengoptimalan cembung, menawarkan kinerja yang lebih baik dibandingkan dengan metode berbasis sampling.

 

Namun, metode-metode ini juga menunjukkan keterbatasan, terutama dalam hal waktu komputasi dan generalisasi terhadap masalah baru. Kebutuhan untuk algoritma yang lebih efisien dan hemat waktu semakin mendesak.

 

Metode Pembelajaran Mesin

Pendekatan terbaru melibatkan penggunaan pembelajaran mesin. Metode ini umumnya dibagi menjadi dua kategori: Deep Learning (DL) dan Reinforcement Learning (RL). Metode DL mengintegrasikan teknik perencanaan berbasis sampling atau optimasi untuk meningkatkan kinerja. Contohnya, Terasawa et al. memperluas RRT dengan heuristik dari jaringan saraf konvolusional untuk menemukan jalur bebas tabrakan lebih cepat. Ying et al. mengusulkan metode Bi-directional Pohon Acak yang terintegrasi dengan Memori Jangka Panjang (LSTM-BiRRT) untuk meningkatkan efisiensi perencanaan gerakan. Selain itu, Osa et al. menggunakan model generatif mendalam untuk mempelajari representasi laten dari solusi perencanaan lintasan.

 

Metode berbasis RL melibatkan agen yang berinteraksi dengan lingkungan untuk menemukan kebijakan optimal. Penelitian terbaru menunjukkan bahwa integrasi RL dengan perencanaan gerak tradisional dapat meningkatkan efisiensi. Contohnya, Chiang et al. menggunakan kebijakan RL sebagai perencana lokal dan metode berbasis sampling sebagai perencana global. Patel et al. mengusulkan Pendekatan Jendela Dinamis (DWA) untuk merumuskan ruang observasi, sementara Cao et al. menggunakan kebijakan campuran dengan panduan pengetahuan sebelumnya untuk meningkatkan akurasi perencanaan gerakan. Rousseas et al. memperkenalkan metode berulang di luar kebijakan untuk memberikan kebijakan optimal secara global.

 

Kerangka Kerja Hierarkis

Artikel ini mengusulkan kerangka kerja hierarkis baru untuk perencanaan gerak robotik di bawah kendala kompleks. Kerangka kerja ini menggabungkan kebijakan pembelajaran penguatan dengan kontrol optimal untuk menghasilkan lintasan optimal. Kebijakan RL digunakan pada tingkat tinggi untuk menangani kendala penghindaran rintangan, sedangkan metode kolokasi ortogonal global diterapkan pada tingkat rendah untuk mengatasi kendala dinamis dan menghasilkan lintasan optimal yang hemat energi dan waktu. Pendekatan hierarkis ini diharapkan dapat mengatasi tantangan yang dihadapi oleh metode sebelumnya, seperti waktu komputasi tinggi dan keterbatasan dalam menangani kendala kompleks.

 

Secara keseluruhan, artikel ini menggambarkan perkembangan terbaru dalam perencanaan gerak robotik, dengan fokus pada integrasi teknik baru dan metode pembelajaran mesin untuk meningkatkan efisiensi dan optimalitas dalam perencanaan lintasan dan jalur.