ترجمه فارسی مقاله برنامه ریزی مونتاژ ترکیبی فیزیک با استفاده از یادگیری تقویت عمیق

چکیده

Combinatorial assembly uses standardized unit primitives to build objects that satisfy user specifications. Lego is a widely used platform for combinatorial assembly, in which people use unit primitives (ie Lego bricks) to build highly customizable 3D objects. This paper studies sequence planning for physical combinatorial assembly using Lego. Given the shape of the desired object, we want to find a sequence of actions for placing Lego bricks to build the target object. In particular, we aim to ensure the planned assembly sequence is physically executable. However, assembly sequence planning (ASP) for combinatorial assembly is particularly challenging due to its combinatorial nature, ie the vast number of possible combinations and complex constraints. To address the challenges, we employ deep reinforcement learning to learn a construction policy for placing unit primitives sequentially to build the desired object. Specifically, we design an online physics-aware action mask that efficiently filters out invalid actions and guides policy learning. In the end, we demonstrate that the proposed method successfully plans physically valid assembly sequences for constructing different Lego structures. The generated construction plan can be executed in real.

چکیده به فارسی (ترجمه ماشینی)

مونتاژ ترکیبی از بدوی واحد استاندارد برای ساختن اشیاء که مشخصات کاربر را برآورده می کند ، استفاده می کند.LEGO یک بستر گسترده برای مونتاژ ترکیبی است ، که در آن افراد برای ساختن اشیاء سه بعدی بسیار قابل تنظیم از واحد اولیه (یعنی آجر LEGO) استفاده می کنند.این مقاله به بررسی برنامه ریزی توالی برای مونتاژ ترکیبی فیزیکی با استفاده از LEGO می پردازد.با توجه به شکل شیء مورد نظر ، می خواهیم دنباله ای از اقدامات برای قرار دادن آجرهای LEGO برای ساخت شی هدف پیدا کنیم.به طور خاص ، ما هدف ما اطمینان از توالی مونتاژ برنامه ریزی شده از نظر جسمی است.با این حال ، برنامه ریزی توالی مونتاژ (ASP) برای مونتاژ ترکیبی به دلیل ماهیت ترکیبی آن ، به ویژه تعداد زیادی از ترکیبات ممکن و محدودیت های پیچیده به ویژه چالش برانگیز است.برای پرداختن به چالش ها ، ما از یادگیری تقویت عمیق استفاده می کنیم تا یک سیاست ساخت و ساز را برای قرار دادن واحد اولیه به صورت متوالی برای ساختن شیء مورد نظر بیاموزیم.به طور خاص ، ما یک ماسک اکشن فیزیک و آگاهانه آنلاین را طراحی می کنیم که به طور مؤثر اقدامات نامعتبر را فیلتر می کند و یادگیری سیاست را راهنمایی می کند.در پایان ، ما نشان می دهیم که روش پیشنهادی با موفقیت در توالی های مونتاژ فیزیکی معتبر برای ساخت ساختارهای مختلف LEGO برنامه ریزی می کند.برنامه ساخت و ساز تولید شده می تواند به طور واقعی اجرا شود.