CN109491320A - 一种基于强化学习的刀具路径生成与优化方法 - Google Patents

一种基于强化学习的刀具路径生成与优化方法 Download PDF

Info

Publication number
CN109491320A
CN109491320A CN201811283054.8A CN201811283054A CN109491320A CN 109491320 A CN109491320 A CN 109491320A CN 201811283054 A CN201811283054 A CN 201811283054A CN 109491320 A CN109491320 A CN 109491320A
Authority
CN
China
Prior art keywords
neural network
network model
value
deep neural
cutter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811283054.8A
Other languages
English (en)
Other versions
CN109491320B (zh
Inventor
杨建中
向单奇
武俊雄
高嵩
朱万强
宋仕杰
傅有
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201811283054.8A priority Critical patent/CN109491320B/zh
Publication of CN109491320A publication Critical patent/CN109491320A/zh
Application granted granted Critical
Publication of CN109491320B publication Critical patent/CN109491320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)

Abstract

本发明属于人工智能和计算机辅助相关技术领域，其公开了一种基于强化学习的刀具路径生成与优化方法，该方法包括以下步骤：(1)将加工信息输入到环境仿真模型；(2)环境仿真模型依据来自深度神经网络模型的动作值产生状态值，并将状态值输出给深度神经网络模型，深度神经网络模型根据状态值作产生新的动作值，并将新的动作值传输给环境仿真模型，如此两者不断交互，使得刀具从加工起始点到达加工终点，进而生成刀具路径；(3)重复步骤(2)以获得多条刀具路径，将多条刀具路径输入到路径评判模块，路径评判模块对每刀具路径做出判断并输出评判分数，将评判分数最高的刀具路径作为最终的刀具路径。本发明提高精度及效率，适用性较强。

Description

一种基于强化学习的刀具路径生成与优化方法
技术领域
本发明属于人工智能和计算机辅助相关技术领域，更具体地，涉及一种基于强化学习的刀具路径生成与优化方法。
背景技术
为了提高数控机床的加工技术的应用水平，降低数控加工的加工成本以及确保零件与产品的加工质量，无论是国内还是国外对数控加工中的刀具轨迹优化技术做了大量的研究工作。在数控加工过程中，当刀具轨迹骤然变化时，有可能会导致刀具瞬间铣削力急剧增大，机床和刀具的振动幅度增加，这样不仅会降低零件或产品的加工精度，还会降低机床和刀具的使用寿命。因此，刀具路径的研究具有十分重要的理论意义和经济效益。
目前，本领域相关技术人员已经做了一些研究，如采用了机器学习技术，然而当前的加工轨迹生成方法大都是基于几何形状而没有考虑实际加工过程中的动力学问题，导致刀具路径的生成速度较差、加速特性不佳、与实际机械加工过程的契合度较低、需要人为参与、灵活性较差等技术问题。相应地，本领域存在发展一种速度较好的基于强化学习的刀具路径生成与优化方法的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于强化学习的刀具路径生成与优化方法，其基于现有刀具路径的生成特点，研究及设计了一种速度较好的基于强化学习的刀具路径生成与优化方法。所述方法结合了强化学习强大的决策能力及深度神经网络强大的感知能力，且考虑了实际加工过程中的运动学及动力学特性，能够在公差带之中快速、准确地规划一条更加符合实际加工过程的刀具路径。
为实现上述目的，本发明提供了一种基于强化学习的刀具路径生成及优化方法，该方法包括以下步骤：
(1)将加工信息输入到环境仿真模型，所述环境仿真模型依据所述加工信息产生仿真刀具加工环境及加工的公差带，并将所述公差带输入到所述仿真刀具加工环境中；
(2)所述环境仿真模型依据来自训练好的深度神经网络模型的动作值产生状态值，并将所述状态值输出给所述深度神经网络模型，所述深度神经网络模型根据接受到的所述状态值作前向推导以产生新的动作值，并将新的动作值传输给所述环境仿真模型，如此所述环境仿真模型与所述深度神经网络模型不断交互，使得刀具不断做出动作以从加工起始点沿着所述公差带延伸方向到达加工终点，进而生成一条刀具路径；
(3)重复步骤(2)以获得多条刀具路径，将多条所述刀具路径输入到路径评判模块，所述路径评判模块对接收到的每一条刀具路径做出判断并输出一个评判分数，将多条所述刀具路径中评判分数最高的刀具路径作为最终的刀具路径。
进一步地，所述加工信息包括工件轮廓信息、公差带带宽及刀具半径。
进一步地，步骤(1)之前还包括构建所述环境仿真模型的步骤，所述环境仿真模型的构建包括以下步骤：首先，对实际加工过程进行建模以得到刀具加工模型，且对加工过程中机床给予刀具的动力及摩擦力进行分析，以抽象出加工过程中的刀具动力学过程；接着，对所述刀具加工模型中的摩擦系数进行辨识；最后，采用物理引擎构建仿真环境，进而得到所述环境仿真模型。
进一步地，所述环境仿真模型根据接受到的该动作值仿真计算出下一刻刀具所处的状态，并将该状态以状态值的形式传输给所述深度神经网络模型。
进一步地，所述环境仿真模型还根据接受到的动作值生成奖赏值并将生成的奖赏值传输给所述深度神经网络模型，所述奖赏值用于所述深度神经网络模型的训练。
进一步地，所述深度神经网络模型根据接受到的所述状态值再做前向推导以生成一个动作空间的分布，并选取最优动作值来决定下一步的动作值。
进一步地，步骤(2)之前还包括构建及训练所述深度神经网络模型的步骤。
进一步地，构建所述深度神经网络模型时，采用开源机器学习框架搭建整个深度神经网络模型的结构，并利用近端策略优化算法建立训练和预测的数据流通道。
进一步地，所述环境仿真模型与所述深度神经网络模型交互多轮后，所述深度神经网络模型将之前存储的奖赏值及状态值传输给值函数估计器，所述值函数估计器产生批量的优势值并将所述优势值传输给所述深度神经网络模型，进而结合所述状态值、所述奖赏值及所述优势值来训练所述神经网络模型，反复进行直至所述深度神经网络模型收敛到预定状态。
进一步地，所述深度神经网络模型训练时采用的公差带不是固定的加工公差带，而是所述环境仿真模型随机生成的公差带，以提高所述深度神经网络模型的泛化能力。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于强化学习的刀具路径生成与优化方法主要具有以下有益效果：
1.该方法结合了强化学习的决策能力及深度神经网络强大的感知能力，如此实现了快速、准确地规划符合实际加工过程中运动学和动力学特性的刀具路径，适用性较强。
2.采用物理引擎构建仿真环境，进而得到所述环境仿真模型，不仅仅模拟了加工过程中刀具与工件的几何关系，而且模拟了刀具运动过程中的动力学特性，这样保证生成的刀具路径既避免了干涉，使得路径在内外公差带之间，还符合真实的加工动力学特性，保证了加工的精度和效率。
3.所述方法通过搭建仿真的加工环境模拟加工过程中刀具的运动学和动力学过程，生成更加符合实际加工过程的刀具路径，从而在实际加工过程中能够获得具有更好速度及加速度特性的走刀轨迹。
4.所述方法能够应对不同刀具轨迹和不同的公差带，无需人工介入，自动生成与优化刀具的走刀轨迹，灵活性较好，适用性较强，且减小了标注数据的需求量。
附图说明
图1是本发明提供的基于强化学习的刀具路径生成与优化方法的流程示意图。
图2是图1中的基于强化学习的刀具路径生成与优化方法涉及的深度神经网络模型的示意图。
图3是图2中的深度神经网络模型、环境仿真模型与值函数估计器之间的交互示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1、图2及图3，本发明提供的基于强化学习的刀具路径生成与优化方法主要包括以下步骤：
步骤一，将加工信息输入到环境仿真模型，所述环境仿真模型依据所述加工信息产生仿真刀具加工环境及加工的公差带，并将所述公差带输入到所述仿真刀具加工环境中。
具体地，将加工信息输入到所述环境仿真模型，所述环境仿真模型根据所述加工信息中的加工工程中零件的形状和需求的精度要求生成一个加工的公差带及仿真刀具加工环境，并将所述公差带输入到所述仿真刀具加工环境中，让刀具在所述公差带之内运动。所述加工信息包括加工过程中的工件轮廓信息、公差带带宽、刀具半径、机床特性等。所述环境仿真模型根据所述加工信息进行一系列转换以得到可训练的公差带并且设置机床加工过程中刀具走刀的加速度等加工量来创建对应的模拟刀具走刀的仿真刀具加工环境。
步骤一之前还包括建立所述环境仿真模型的步骤，具体为，首先，对实际加工工程进行建模，具体针对机床加工过程中刀具的行进过程进行建模，对刀具加工过程中机床给予的动力及摩擦力等进行分析，以抽象出加工过程中的刀具动力学过程。随后进行参数的辨识，刀具加工模型中的摩擦系数等参数进行辨识，以更加准确地描述刀具加工过程。接着，采用物理引擎及计算机图形学库构建一个仿真的环境，进而得到所述环境仿真模型。所述环境仿真模型能够将整个加工过程可视化，且可将刀具在加工过程中的状态量表示出来。
步骤二，所述环境仿真模型依据来自训练好的深度神经网络模型的动作值产生状态值，并将所述状态值输出给所述深度神经网络模型，所述深度神经网络模型根据接受到的所述状态值作前向推导以产生新的动作值，并将新的动作值传输给所述环境仿真模型，如此所述环境仿真模型与所述深度神经网络模型不断交互，使得刀具不断做出动作以从加工起始点沿着所述公差带延伸方向到达加工终点，进而生成一条刀具路径。
具体地，所述环境仿真模型能够接受来自所述深度神经网络模型的动作值，该动作值表示刀具的几种连续动作形式的组合，例如向右加速、向左加速等。所述环境仿真模型根据接受到的该动作值仿真计算出下一刻刀具所处的状态，并将该状态以状态值的形式传输给所述深度神经网络模型，同时根据预先设定的规则生成一个奖赏值并将所述奖赏值也输出给所述深度神经网络模型。所述奖赏值用于所述深度神经网络模型的训练。
所述深度神经网络模型根据接受到所述状态值再做一次前向推导以生成一个动作空间的分布，并选取最优动作值来决定下一步的动作，同时将得到的最优动作值传输给所述环境仿真模型。
所述深度神经网络模型与所述环境仿真模型如此交互不断的进行下去，在仿真刀具加工环境下，刀具会不断做出动作以自加工起始点沿着所述公差带延伸方向到达加工终点，最终完成走刀过程，这样就生成了一条刀具路径。
步骤二之前还包括构建及训练所述深度神经网络模型的步骤。具体地，采用开源机器学习框架搭建起整个深度神经网络结构，并利用近端策略优化算法建立训练和预测的数据流通道。接着，训练所述深度神经网络模型。训练时无需利用真实的加工公差带，随机的生成一条公差带和刀具半径，并运行仿真刀具加工环境，所述环境仿真模型产生状态值和奖赏值，并把得到的状态值及奖赏值传输给所述深度神经网络模型，所述深度神经网络模型产生新的动作值并将新的动作值传输给所述环境仿真模型。所述环境仿真模型与所述深度神经网络模型交互几轮后，所述深度神经网络模型将之前存储的奖赏值(Reward)及状态值(State)传输给值函数估计器，所述值函数估计器产生批量的优势值(AdvantageValue)，进而结合所述状态值、所述奖赏值及所述优势值来训练所述神经网络模型，反复进行直至所述深度神经网络模型收敛到一个理想的状态。
步骤三，重复步骤二以获得多条刀具路径，将多条所述刀具路径输入到路径评判模块，所述路径评判模块对接收到的每一条刀具路径做出判断并输出一个评判分数，将多条所述刀具路径中评判分数最高的刀具路径作为最终的刀具路径。
具体地，为了完善优化，在同一个加工信息下生成多条刀具路径，并将多条所述刀具路径输入到所述路径评判模块，所述路径评判模块对每一条刀具路径进行评判并给出评判分数，选取一条最优刀具路径作为最终的刀具路径，所述最优刀具路径对应的评判分数是所有所述刀具路径对应的评判分数中的最大值。
本发明提供的基于强化学习的刀具路径生成与优化方法，该方法通过强化学习的方式，利用物理引擎搭建仿真刀具加工环境，不仅仅模拟加工过程中刀具与工件的几何关系，而且模拟了刀具运动过程中的动力学特性来生成刀路，这样保证生成的刀具路径既避免了干涉，使得路径在内外公差带之间，还符合真实的加工动力学特性，保证了加工的精度和效率。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于强化学习的刀具路径生成与优化方法，其特征在于，该方法包括以下步骤：
(1)将加工信息输入到环境仿真模型，所述环境仿真模型依据所述加工信息产生仿真刀具加工环境及加工的公差带，并将所述公差带输入到所述仿真刀具加工环境中；
(2)所述环境仿真模型依据来自训练好的深度神经网络模型的动作值产生状态值，并将所述状态值输出给所述深度神经网络模型，所述深度神经网络模型根据接受到的所述状态值作前向推导以产生新的动作值，并将新的动作值传输给所述环境仿真模型，如此所述环境仿真模型与所述深度神经网络模型不断交互，使得刀具不断做出动作以从加工起始点沿着所述公差带延伸方向到达加工终点，进而生成一条刀具路径；
(3)重复步骤(2)以获得多条刀具路径，将多条所述刀具路径输入到路径评判模块，所述路径评判模块对接收到的每一条刀具路径做出判断并输出一个评判分数，将多条所述刀具路径中评判分数最高的刀具路径作为最终的刀具路径。
2.如权利要求1所述的基于强化学习的刀具路径生成与优化方法，其特征在于：所述加工信息包括工件轮廓信息、公差带带宽及刀具半径。
3.如权利要求1所述的基于强化学习的刀具路径生成与优化方法，其特征在于：步骤(1)之前还包括构建所述环境仿真模型的步骤，所述环境仿真模型的构建包括以下步骤：首先，对实际加工过程进行建模以得到刀具加工模型，且对加工过程中机床给予刀具的动力及摩擦力进行分析，以抽象出加工过程中的刀具动力学过程；接着，对所述刀具加工模型中的摩擦系数进行辨识；最后，采用物理引擎构建仿真环境，进而得到所述环境仿真模型。
4.如权利要求1所述的基于强化学习的刀具路径生成与优化方法，其特征在于：所述环境仿真模型根据接受到的该动作值仿真计算出下一刻刀具所处的状态，并将该状态以状态值的形式传输给所述深度神经网络模型。
5.如权利要求1所述的基于强化学习的刀具路径生成与优化方法，其特征在于：所述环境仿真模型还根据接受到的动作值生成奖赏值并将生成的奖赏值传输给所述深度神经网络模型，所述奖赏值用于所述深度神经网络模型的训练。
6.如权利要求1所述的基于强化学习的刀具路径生成与优化方法，其特征在于：所述深度神经网络模型根据接受到的所述状态值再做前向推导以生成一个动作空间的分布，并选取最优动作值来决定下一步的动作值。
7.如权利要求1-6任一项所述的基于强化学习的刀具路径生成与优化方法，其特征在于：步骤(2)之前还包括构建及训练所述深度神经网络模型的步骤。
8.如权利要求7所述的基于强化学习的刀具路径生成与优化方法，其特征在于：构建所述深度神经网络模型时，采用开源机器学习框架搭建整个深度神经网络模型的结构，并利用近端策略优化算法建立训练和预测的数据流通道。
9.如权利要求7所述的基于强化学习的刀具路径生成与优化方法，其特征在于：所述环境仿真模型与所述深度神经网络模型交互多轮后，所述深度神经网络模型将之前存储的奖赏值及状态值传输给值函数估计器，所述值函数估计器产生批量的优势值并将所述优势值传输给所述深度神经网络模型，进而结合所述状态值、所述奖赏值及所述优势值来训练所述神经网络模型，反复进行直至所述深度神经网络模型收敛到预定状态。
10.如权利要求7所述的基于强化学习的刀具路径生成与优化方法，其特征在于：所述深度神经网络模型训练时采用的公差带不是固定的加工公差带，而是所述环境仿真模型随机生成的公差带，以提高所述深度神经网络模型的泛化能力。
CN201811283054.8A 2018-10-31 2018-10-31 一种基于强化学习的刀具路径生成与优化方法 Active CN109491320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811283054.8A CN109491320B (zh) 2018-10-31 2018-10-31 一种基于强化学习的刀具路径生成与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811283054.8A CN109491320B (zh) 2018-10-31 2018-10-31 一种基于强化学习的刀具路径生成与优化方法

Publications (2)

Publication Number Publication Date
CN109491320A true CN109491320A (zh) 2019-03-19
CN109491320B CN109491320B (zh) 2019-12-06

Family

ID=65693606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811283054.8A Active CN109491320B (zh) 2018-10-31 2018-10-31 一种基于强化学习的刀具路径生成与优化方法

Country Status (1)

Country Link
CN (1) CN109491320B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097192A (zh) * 2019-04-25 2019-08-06 长春理工大学 基于强化学习的自适应移动学习路径生成方法
CN110221580A (zh) * 2019-05-29 2019-09-10 华中科技大学 一种基于主轴数据仿真的进给速度优化方法
CN111267109A (zh) * 2020-03-24 2020-06-12 华中科技大学 一种基于强化学习的机器人速度规划方法和系统
CN111633469A (zh) * 2020-06-11 2020-09-08 深圳市彼络科技有限公司 一种基于强化学习的自动刀具补偿方法
CN111857054A (zh) * 2020-07-15 2020-10-30 清华大学 一种基于神经网络的数控系统运动轨迹控制方法
CN113283167A (zh) * 2021-05-24 2021-08-20 暨南大学 一种基于安全强化学习的特种设备生产线优化方法及系统
CN114200889A (zh) * 2021-11-23 2022-03-18 华中科技大学 一种基于深度强化学习的铣削参数优化方法
CN114265363A (zh) * 2021-12-17 2022-04-01 深圳先进技术研究院 一种数控机床加工路径智能优化方法及其系统
CN114755974A (zh) * 2022-04-19 2022-07-15 中科航迈数控软件(深圳)有限公司 复杂结构件加工路径优化方法、装置、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040015933A1 (en) * 2000-10-03 2004-01-22 Board Of Regents, The University Of Texas System Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks
CN101063880A (zh) * 2007-06-07 2007-10-31 北京航空航天大学 鼓型刀具多坐标宽行加工的刀位优化方法
CN103676786A (zh) * 2013-12-23 2014-03-26 北京航空航天大学 一种基于加速度原理的曲线光顺方法
CN106970594A (zh) * 2017-05-09 2017-07-21 京东方科技集团股份有限公司 一种柔性机械臂的轨迹规划方法
CN110134062A (zh) * 2019-04-17 2019-08-16 华中科技大学 一种基于强化学习的多轴数控机床加工路径优化方法
CN110221580A (zh) * 2019-05-29 2019-09-10 华中科技大学 一种基于主轴数据仿真的进给速度优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040015933A1 (en) * 2000-10-03 2004-01-22 Board Of Regents, The University Of Texas System Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks
CN101063880A (zh) * 2007-06-07 2007-10-31 北京航空航天大学 鼓型刀具多坐标宽行加工的刀位优化方法
CN103676786A (zh) * 2013-12-23 2014-03-26 北京航空航天大学 一种基于加速度原理的曲线光顺方法
CN106970594A (zh) * 2017-05-09 2017-07-21 京东方科技集团股份有限公司 一种柔性机械臂的轨迹规划方法
CN110134062A (zh) * 2019-04-17 2019-08-16 华中科技大学 一种基于强化学习的多轴数控机床加工路径优化方法
CN110221580A (zh) * 2019-05-29 2019-09-10 华中科技大学 一种基于主轴数据仿真的进给速度优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AMIR MAHYAR KHORASANI: "Characterizing the Effect of Cutting Condition, Tool Path, and Heat Treatment on Cutting Forces of Selective Laser Melting Spherical Component in Five-Axis Milling", 《JOURNAL OF MANUFACTURING SCIENCE AND ENGINEERING》 *
李刚年: "基于制造特征的刀具路径规划仿真与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
杨建中: "复杂多曲面数控加工刀具轨迹生成方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097192B (zh) * 2019-04-25 2020-11-24 长春理工大学 基于强化学习的自适应移动学习路径生成方法
CN110097192A (zh) * 2019-04-25 2019-08-06 长春理工大学 基于强化学习的自适应移动学习路径生成方法
CN110221580A (zh) * 2019-05-29 2019-09-10 华中科技大学 一种基于主轴数据仿真的进给速度优化方法
CN110221580B (zh) * 2019-05-29 2020-07-10 华中科技大学 一种基于主轴数据仿真的进给速度优化方法
CN111267109A (zh) * 2020-03-24 2020-06-12 华中科技大学 一种基于强化学习的机器人速度规划方法和系统
CN111267109B (zh) * 2020-03-24 2021-07-02 华中科技大学 一种基于强化学习的机器人速度规划方法和系统
CN111633469A (zh) * 2020-06-11 2020-09-08 深圳市彼络科技有限公司 一种基于强化学习的自动刀具补偿方法
CN111857054B (zh) * 2020-07-15 2021-10-08 清华大学 一种基于神经网络的数控系统运动轨迹控制方法
CN111857054A (zh) * 2020-07-15 2020-10-30 清华大学 一种基于神经网络的数控系统运动轨迹控制方法
CN113283167A (zh) * 2021-05-24 2021-08-20 暨南大学 一种基于安全强化学习的特种设备生产线优化方法及系统
CN114200889A (zh) * 2021-11-23 2022-03-18 华中科技大学 一种基于深度强化学习的铣削参数优化方法
CN114200889B (zh) * 2021-11-23 2023-10-24 华中科技大学 一种基于深度强化学习的铣削参数优化方法
CN114265363A (zh) * 2021-12-17 2022-04-01 深圳先进技术研究院 一种数控机床加工路径智能优化方法及其系统
CN114265363B (zh) * 2021-12-17 2024-02-20 中科航迈数控软件(深圳)有限公司 一种数控机床加工路径智能优化方法及其系统
CN114755974A (zh) * 2022-04-19 2022-07-15 中科航迈数控软件(深圳)有限公司 复杂结构件加工路径优化方法、装置、终端及存储介质
CN114755974B (zh) * 2022-04-19 2022-12-02 中科航迈数控软件(深圳)有限公司 复杂结构件加工路径优化方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN109491320B (zh) 2019-12-06

Similar Documents

Publication Publication Date Title
CN109491320A (zh) 一种基于强化学习的刀具路径生成与优化方法
CN111845773B (zh) 基于强化学习的自动驾驶车辆微观决策方法
CN105043379B (zh) 一种基于时空约束的景区浏览路径规划方法、装置
CN109933923A (zh) 一种基于数字孪生的机电装备精益设计方法
Zhang et al. A systematic solution of human driving behavior modeling and simulation for automated vehicle studies
CN110221580A (zh) 一种基于主轴数据仿真的进给速度优化方法
Van Willigen et al. A multi-objective approach to evolving platooning strategies in intelligent transportation systems
Chen et al. Intelligent computer-aided process planning of multi-axis CNC tapping machine
JP2020061155A (ja) Ｓｄｌモデルの導入した画像の抽出方法
CN113391633A (zh) 一种面向城市环境的移动机器人融合路径规划方法
Zhao et al. Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC
Hua et al. GA-based synthesis approach for machining scheme selection and operation sequencing optimization for prismatic parts
CN116620327A (zh) 基于PPO和Lattice实现自动驾驶的高速场景的变道决策方法
Zhou et al. A survey on autonomous driving system simulators
CN106647279A (zh) 一种基于模糊规则的机车智能操纵优化计算方法
US20220169145A1 (en) State interpolated velocity and state of charge optimization for autonomous vehicles
Van Willigen et al. Fast, comfortable or economical: evolving platooning strategies with many objectives
Du et al. Real time neural network path planning algorithm for robot
Jebessa et al. Analysis of reinforcement learning in autonomous vehicles
Zhou et al. Flexible job-shop scheduling based on genetic algorithm and simulation validation
Jin et al. WOA-AGA algorithm design for robot path planning
van Willigen et al. Evolving intelligent vehicle control using multi-objective neat
Qinyang Research and analysis of obstacle avoidance path planning for autonomous vehicles
Yu et al. Symbiotic CPS Design-Space Exploration through Iterated Optimization
JP2020061157A (ja) 自動機械学習の構成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant