אופטימיזציה רב-אובייקטיבית בפיתוח של רובוטיקה מתקדמת עבור משימות בנייה

תעשיית הבנייה, המתאפיינה כבר בעבודות ידניות ובמכונות כבדות, עוברת טרנספורמציה עמוקה המונעת על ידי רובוטים רובוטיקה ואוטומציה.רובוטים מודרניים אינם אבטיפוס ניסיוניים; הם מוצבים באתרי עבודה אמיתיים עבור לבנים, התחממות, שפך קונקרטי, טיפול חומרי, ובדיקה.עם זאת, פיתוח רובוטים אלה לפעול ביעילות בסביבות דינמיות, ללא מבנה מציב אתגר הנדסי מורכב, חייב לעתים קרובות, כגון מטרות יעילות, כגון יעילות, כגון יעילות, אך יעילות, אך יעילות, אך יעילות, כמו גם כן, כמו גם כן, עיצוב, יעילות, אך יעילות, יעילות, אך ורק על ידי אופטימיזציה של יעילות, יעילות, אך ורק על ידי אופטימיזציה של יעילות, כמו גם על ידי אופטימיזציה של יעילות של יעילות, אך ורק על ידי ניהולית, יעילות, יעילות של יעילות של יעילות של יעילות, אך ורק על ידי ניהולית, יעילות של יעילות של מערכות טכנולוגיות, אך יעילות, אך יעילות, תהליכים מתמטית, אך יעילות, כמו גם כן, אך יעילה, יעילות, יעילות, אך יעילה, כמו גם כן, יעילות של מערכות טכנולוגיות של מערכות טכנולוגיות, אך יעילות של יעילות, אך ורק על ידי אופטימיזציה של יעילות, אך יעילות, אך יעילות, יעילות, יעילות, אך ורק על ידי אופטימיזציה של יעילות, יעילות של יעילות של יעילות, אך יעילות

הבנה של אופטימיזציה רב-סגולה (MOO)

אופטימיזציה רב-אובייקטיבית מתייחסת לתהליך של בו-זמנית אופטימיזציה של שני פונקציות אובייקטיביות או יותר שבדרך כלל נמצאות בקונפליקט.בניגוד לאופטימיזציה חד-משמעית, שמייצרת פתרון אופטימלי אחד, MOO מספקת סדרה של פתרונות מסחר-off הידועים כהגדרה אופטימלית של Pareto. פתרון הוא Pareto אופטימלי אם אין שום מטרה ניתן לשפר ללא שינוי בשום מטרה אחרת.

באופן פורמלי, ניתן לומר בעיית MOO: Minimize או למקסם את ( f 1(x), f 2(x), ®x, f m(x)/x) בכפוף למגבלות, שבו x(x) הוא וקטור של משתנים החלטות (Alteratives Alcongication) ללא פתרונות אופטימנטליים אשר עשויים לבחור בהתבסס על העדפות משותפות (Omcrem) אלגוריתמים אופטיים (D) (ODigital Defi-Digital Defi-Digital Defi) אלגוריתמים) ו-Digital Defregoary אלגוריתמים) אלגוריתמים) אלגוריתמים אלגוריתמים אלגוריתמים אלגוריתמים אופטיים (Ocreative) אלגוריתמים) אלגוריתמים מתאימים במיוחד עבור פונקציות אלגוריתמים אלגוריתמים אופטיים (ODigital Defreatives (ODigital Defreamcreamcreamcreamcreamcreamcreamcreamcreamcreamcreamcreamcreamcreamcreamcreative) אלגוריתמים) אלגוריתמים) אלגוריתמים) אלגוריתמים)

מטרות מפתח בבניית הרובוטיקה

רובוטים מבניים חייבים לספק מערך מגוון של קריטריונים לביצועים.חשיבות היחסית של כל מטרה משתנה על ידי תנאי משימה ואתר.

מהירות ומוצרים

פרויקטים של בנייה הם רגישים לזמן.רובוטים כי משימות שלמות מהר יותר יכול להפחית את משך הפרויקט הכולל, עלויות העבודה נמוכות יותר, ולשפר את ההחזר על ההשקעה.מטרות מהירות כוללים לעתים קרובות מדדים כגון זמן השלמת משימה, זמן מחזורי לפעולה, או דרך חישוב (למשל, לבנים הניחים לשעה).

כלכלה ודעה קדומה

עדיפות למשימות כמו ריתוך, חיתוך, או שילוב מרכיבים prefabricated. שגיאות יכול להוביל לעבודה, פסולת חומרית, או חולשות מבניות. Accuracy הוא בדרך כלל נמדד כשגיאה מיקום ביחס למטרה (למשל, ±0.5 מ"מ) מבצע במהירות גבוהה מציג לעתים קרובות רטטים ופתרון, יצירת מהירות מסחר ישיר בין מהירות דיוק עוזר תצורה מקובלת.

אנרגיה יעילה

רובוטים בנייה פועלים לעתים קרובות על כוח סוללה או חשמל מותאמים.מינימיזציה צריכת האנרגיה מפחיתה עלויות התפעוליות והשפעה סביבתית.מטרות אנרגיה עשויות לכלול את סך של כוח המשיכה, כוח שיא או אנרגיה ליחידת העבודה.לדוגמה, זרוע רובוטית המשתמשת בתכנון מחדש או מסלול מותאם אישית יכול להפחית משמעותית את השימוש באנרגיה ללא הקרבה ביצועים.

בטיחות וסיכון

בטיחות אינה ניתנת להשגה באתרי בנייה.מטרות הקשורות לבטיחות כוללות סיכון להתנגשות מינימלי, הבטחת יציבות על שטח בלתי אחיד, ושמירה על מרחקים בטוחים מהעובדים האנושיים.מגבלות כוח, זמני תגובה חירום, ואמינות זיהוי מכשולים הם מדדים משותפים. MOO יכול לשלב מגבלות בטיחות כמגבלות קשות או כמטרות נוספות (למשל, הקטנת תצורה מסוכנת).

הסתגלות וגמישות

סביבות בנייה הן מאוד שונות. רובוט שיכול להסתגל לחומרים שונים, פריסות מבניות, או תנאי מזג אוויר הוא בעל ערך רב יותר. הסתגלות ניתן למדוד על ידי טווח המשימות רובוט יכול לבצע, את הקלות של תכנות מחדש, או את היכולת להתמודד עם מכשולים בלתי צפויים. מסגרות MOO יכולות להתאים לעוצמה - שיפור ביצועים על פני ספקטרום של תרחישים ולא אופטימיזציה למצב אידיאלי.

תשלום יכולות ויציבות

משימות בנייה רבות כרוכות הרמת חומרים כבדים (למשל, בלוקים קונקרטיים, פלדה דבורים) קיבולת המטען חייב להיות מאוזנת נגד משקל הזרוע, מומנט משותף, ונוקשות מבנית. מטרות של יכולת כמו חיי עייפות, ללבוש חומרי או מרווחי תחזוקה באים גם לשחק. אלה הפסקות סחר נחקרים לעתים קרובות באמצעות אופטימיזציה מבנית רב-אובייקטיבי.

טכניקות MOO ו-Algorithms for Robotics

בחירת אלגוריתם אופטימיזציה המתאים תלויה במימדיום הבעיה, את האופי של המטרות, ואת התקציב חישובי. להלן הם שיטות בשימוש נרחב במחקר הרובוטיקה.

אלגורית'מים גנטיים (NSGA-II ו-NSGA-III)

NSGA-II נשאר ציון של אופטימיזציה רב-אובייקטיביים.זה משתמש בהפרעות שאינן מחוסמות, מרחק מנוסה לגיוון, ואליטריזם כדי להתאסף לקראת החזית של Pareto. NSGA-III מרחיב את זה עבור בעיות רבות-אובייקטיביות (ארבע או יותר מטרות) על ידי הפעלת נקודות התייחסות.

Particle Swarm Optimization (MOPSO)

Multi-objective חלקיקים מוליכים אופטימיזציה ממינוף של אינטליגנציה נפוחה.כל חלקיק מייצג פתרון מועמד ועובר דרך חלל החיפוש המודרך על ידי מיטבים אישיים וגלובאליים. MOPSOSO הוא יעיל במיוחד עבור בעיות אופטימיזציה מתמשך ומשמש עבור כוונון בקרים PID במניפולטורים רובוטיים רובוטיים או אופטימיזציה מיקום חיישן עבור מערכות בטיחות.

אופטימיזציה של Bayesian עבור מטרות יקרות

כאשר כל הערכה של עיצוב רובוט דורשת סימולציה יקרה או ניסוי פיזי, אופטימיזציה של בייסיאני מספק גישה יעילה מדגם.זה בונה מודל פונדקאית פרובביליסטי (למשל, תהליך גאוסי) של המטרות ומשתמשת בפונקציה רכישה כדי לבחור את הנקודה המבטיחה הבאה.זה ערך עבור אופטימיזציה של מדיניות למידה חיזוק או בקרה היכן סימולציות הן זמן-רגישות.

Reinforcement Learning with Multi-Objective Rewards

ההתקדמות האחרונה משלבת את MOO עם למידה חיזוק (RL) במקום פרס קלאבלר יחיד, הסוכן מקבל וקטור של תגמולים עבור כל מטרה.טכניקות כמו Multi-objective Q-learning או Pareto-actor-critic לאפשר לרובוטים ללמוד מדיניות שדומה לחזית Pareto של התנהגויות.זה מבטיח ניווט אוטונומי או מניפולציה בבנייה שבו יש ללמוד על זבוב.

מחקרים: MOO In Construction Robotics

בחינת יישומים בעולם האמיתי ממחישה כיצד MOO פותר דרישות סותרות.

עקבו אחרי Bricklaying Robot Arm

שקול מערכת גירוד רובוטית המשמשת לבניית קיר.היעדים הם: מהירות מקסימלית (bricks perשעה), מזער פסולת מרגמה (kg per לבנים), למקסם את הכוח המשותף (N / mm2) על ידי יישום NSGA-II על פרמטרים כגון מהירות הזרוע, פרופילים האצה ולחץ יישום מרגמה, מהנדסים יכולים לזהות את פרויקט אופטימלי של Pareto. 1 יכול להשיג 400 לבנים / שעה עם 0.5 ק"ג ו-N / מהירות N2 / מהירות עבור תצורה נמוכה יותר עבור רזולוציה נמוכה יותר עבור רזולוציה גבוהה.

תכנון רובוטי אנרגיה - Inlding Robot Path Planning

רובוטים מתרבים באתרי בנייה חייבים לייצר ים באיכות גבוהה תוך צמצום צריכת האנרגיה.מטרות כוללים איכות ים (מחושת באמצעות קצב פגם), מהירות השקועה, ואנרגיה הכוללת המשמשת ל-Weld. Using MOEA/D, Path and Welding הפרמטרים (זווית טורך, מהירות נסיעה, מתח) הם אופטימיזציה של מהירות מתונה, הן אנרגיה והן קצב בהשוואה לכוחות מהירים יותר, כי מהירות גבוהה יותר, מהירות מסחר, מהירות גבוהה יותר, לחץ גבוה יותר.

ניווט רובוטי נייד על טרה בלתי מוגבלת

רובוטים ניידים אוטונומיים לתחבורה חומרית באתרי בנייה חייבים לנווט מעל חצץ, בוץ, ו- debris. מטרות: למזער את זמן הנסיעה, למקסם את היציבות (סיכון גבוה), ולמזער את צריכת החשמל. MOPSO מייעלת את הגלגל לתפוצה, הגדרות השעיה ובחירת נתיבים.החזית של Pareto וכתוצאה מכך מראה כי מסלולים מהירים מאוד עוברים מדרונות סיכון, בעוד שמשתנים יותר עקב מרחקים ארוכים יותר, תוך כדי מהירויות נוחות ומהירויות גבוהות יותר, תוך שמירה על פני השטח, תוך כדי שמירה על פני השטח, תוך כדי מהירויות נוחות, תוך כדי שמירה על פני השטח, תוך כדי שמירה על פני 20 אחוזים, תוך שמירה על פני השטח הבטוחות, תוך כדי הגבלת זמן, תוך שמירה על פני השטח, תוך כדי מהירויות נוחות, תוך כדי הגבלת זמן, תוך כדי מהירויות נוחות, תוך כדי מהירויות נוחות, תוך כדי מהירויות נוחות, תוך כדי שמירה על פני השטח.

יתרונות של אופטימיזציה רב-Objective בפיתוח הרובוטיקה

יישום MOO מניב יתרונות עצומים לאורך מחזור חיי עיצוב הרובוט.

• (FLT:0) ניתוח של סחר-off:cioFLT:1 מהנדסים לקבל תמונה ברורה של איך כל מטרה משפיעה על אחרים.זה מונע גירוי יתר על חשבון אחרים אשר עלולים מאוחר יותר להיות קריטי.
• (FLT:0) ,העברה של ה- Prototyping Iterations:cioFLT 1 על ידי הדמיה וקידוד חישובי, צוותים יכולים לחקור אלפי תצורה עיצוב לפני בניית אבטיפוס פיזי.
• (FLT:0) פתרונות עבור פרויקטים של דיפונד: פרויקטים בנייה משתנים באופן נרחב. חזית A Pareto מאפשר מבחר מהיר של עיצוב המותאם למגבלות ספציפיות לאתר (למשל, עדיפות יעילות האנרגיה עבור אתרים מרוחקים עם כוח מוגבל).
• (FLT:0) קבלת החלטות-העברה:FLT 1 MOO מספק נתונים חזותיים וכמותיים המסייעים למנהלי פרויקטים ובעלי עניין להבין את ההשלכות של בחירת עיצוב אחד על פני אחר, טיפוח החלטות מושכלות.
• (FLT:0) רובה והתאמה: 1) שיטות MOO רבות משלבות אי ודאות או ריקנות במטרות, מה שמוביל לתכנוןים היטב בטווח של תנאים ולא רק תחת הנחות אידיאליות.

אתגרים ושיקולים

למרות כוחו, יישום MOO בבנייה פנים רובוטיות.

מורכבות

הפעלת MOO מלאה עם סימולציות נאמנות גבוהה (למשל, ניתוח אלמנט סופי עבור עומסים מבניים או דינמיקות נוזל קירור) יכול להיות מאוד זמן-consuming מודלים וסיוע מחשוב מקביל, אבל עצירות סחר בין דיוק ומהירות נשאר.

בחירה אובייקטיבית ו Scaling

ההחלטה אילו מטרות לכלול וכיצד לדרג אותן (נורמליזציה) משפיעה באופן משמעותי על צורת חזית פארטה, כולל יותר מדי מטרות יכולות להציף את האלגוריתם ולהפוך את הויזואליזציה קשה.

אופטימיזציה בזמן אמת

עבור רובוטים שצריכים להתאים את עצמם ל-fly (למשל, במהלך מעבר מתפתל או בעודם מתפתלים מכשולים בלתי צפויים), MOO לא מקוון עשוי להיות מספיק.

תיאום רב-ממדי

פיתוח רובוטי כולל מהנדסי מכונות, חשמל, תוכנה ובקרה מכניים, וכל משמעת עשויה למקד מטרות שונות.MOO יכול לשמש שפה משותפת, אבל היערכות של סדרי עדיפויות דורשת תקשורת חזקה ומסגרת משותפת.

כיוונים עתידיים ואינטגרציה עם AI

הדור הבא של רובוטים מבניים ינף את הסינרגיה בין מוֹ ואינטליגנציה מלאכותית.

שליטה מרובה-אובקית בזמן אמת עם Reinforcement Learning

כאמור, אלגוריתמים רבים של RL מתפתחים במהירות.רובוטים של בנייה עתידית יכולים ללמוד מדיניות Pareto-optimal המאפשרת מעבר דינמי בין מטרות המבוססות על תנאים בזמן אמת.לדוגמה, רובוט עשוי להעדיף מהירות במהלך בניית החומה הראשונית, אך שינוי בטיחות כאשר עובד אנושי מתקרב.

גנטיקה ואופטימיזציה מקוונת

תאומים דיגיטליים – העתקים וירטואליים של רובוטים פיזיים ושל אתרי בנייה – יכולים לארח את MOO ברציפות.התאומות מעדינות את המודלים שלה בהתבסס על נתוני חיישן אמיתיים ו-re-optimizing פרמטרים. גישה זו סגורה-loop מאפשרת שליטה הסתגלותית המפצה על ללבוש, שינויים סביבתיים או וריאציות חומריות.

עיצוב רובוט מורפולוגיה

MOO יכול להניע אלגוריתמים עיצוביים חדשניים המציעים גלקסיות רובוטיות חדשניות (למשל, אורך הזרוע, סוגים משותפים, מיקום חיישן) מותאם למשימות בנייה מרובות.זה יכול להוביל לצורות רובוטיות לא קונבנציונליות אבל יעילות מאוד כי מעצבים אנושיים עשויים לא לשקול.

סטנדרט והתאמה

אימוץ תעשייתי דורש מסגרות MOO סטנדרטיות המשלבות עם מודל מידע קיים של בנייה (BIM) תוכנה ומערכות בקרה רובוטיות. Initiatives כמו IEEE Robotics וסטנדרטים של החברה לרישום ביצועים יכולים לעזור לבסס הגדרות אובייקטיביות משותפות ופרוטוקולים של הערכה.

מסקנה

אופטימיזציה רב-אובייקטיבית אינה רק כלי תיאורטי; היא הכרח מעשי לפיתוח רובוטים בנייה מתקדמים שיכולים לעמוד בדרישות התובעניות, הרב-פניות של אתרי בנייה מודרניים.על ידי חקר באופן שיטתי של שינויים בין מהירות, דיוק, אנרגיה, בטיחות, הסתגלות, עמידות, עמידות, MOO מאפשר למהנדסים ליצור יעילות גבוהה יותר ויותר של קיימות ומאובטחות.

(ב) לקריאה נוספת על טכניקות אופטימיזציה מרובות-אובייקטיביות, מתייחס לועידת ה-FLT:0 (Evolutionary Computation Agreements Computation) על פרוצדורות של אבולוציה (FLT:1 ).