Vergleichende Benchmark von sampling-basierten und DRL-Motion-Planungsmethoden für industrielle Roboterarme

Diese Studie präsentiert einen umfassenden Vergleich zwischen klassischen sampling-basierten Bewegungsplanern aus der Open Motion Planning Library (OMPL) und einem lernbasierten Planer basierend auf Soft Actor–Critic (SAC) für die Bewegungsplanung in industriellen Roboterarmen. Mit einem UR3e-Roboter, der mit einem RG2-Greifer ausgestattet ist, haben wir einen großangelegten Datensatz von über 100.000 kollisionsfreien Trajektorien erstellt, die mit OMPL-Planern, die in MoveIt integriert sind, generiert wurden. Diese Trajektorien wurden verwendet, um einen DRL-Agenten durch Curriculum-Lernen und Experten-Demonstrationen zu trainieren. Beide Ansätze wurden anhand wichtiger Metriken wie Planungszeit, Erfolgsquote und Trajektoriensmoothness evaluiert. Die Ergebnisse zeigen, dass der DRL-basierte Planer höhere Erfolgsquoten und erheblich kürzere Planungszeiten erreicht, was kompaktere und deterministische Trajektorien produziert. Die zeitoptimale Parametrisierung mit TOPPRA stellte die dynamische Machbarkeit aller Trajektorien sicher. Während klassische Planer Vorteile in der Nullshot-Anpassungsfähigkeit und der Umweltgeneralisierung beibehalten, heben unsere Ergebnisse das Potenzial von DRL für die Echtzeit- und Hochdurchsatzbewegungsplanung in industriellen Kontexten hervor. Diese Arbeit bietet praktische Einblicke in die Kompromisse zwischen traditionellen und lernbasierten Planungsparadigmen und ebnet den Weg für hybride Architekturen, die deren Stärken kombinieren.