Reinforcement Learning spart Energie bei Robotik für Infrastrukturwartung

Mit dem rasanten Ausbau intelligenter Infrastrukturen und Smart Cities wird die Wartung von Anlagen immer komplexer. Robotik muss dabei nicht nur sicher und effizient agieren, sondern auch energiebewusst arbeiten – besonders bei der Manipulation von Gelenkkomponenten wie Zugtüren, Service-Schubladen oder Rohrventilen.

Traditionelle Ansätze konzentrieren sich meist auf das Greifen oder auf spezifische Objekte und berücksichtigen selten den Aktionsenergieverbrauch in einer mehrzieligen Optimierung. Das schränkt ihre Skalierbarkeit und Eignung für langfristige Einsätze in der Instandhaltung ein.

Die neue Methode kombiniert part‑guided 3D‑Perzeption, gewichtete Punkt‑Sampling‑Techniken und eine PointNet‑basierte Codierung, um eine kompakte geometrische Repräsentation zu erzeugen, die über verschiedene Gelenkobjekte hinweg generalisiert. Die Manipulation wird als Constrained Markov Decision Process (CMDP) formuliert, wobei der Aktionsenergieverbrauch explizit modelliert und über einen Lagrange‑basierten, restriktiven Soft Actor‑Critic reguliert wird.

Durch das end‑to‑end‑Training der Policy unter dieser CMDP‑Formulierung gelingt es, Gelenkobjekte effektiv zu handhaben und gleichzeitig ein langfristiges Energiebudget einzuhalten. In Experimenten mit typischen Wartungsaufgaben konnten Energieeinsparungen von 16 % bis 30 % sowie 16 % bis 32 % weniger Schritte bis zum Erfolg erzielt werden – und das bei konstant hohen Erfolgsraten. Das Ergebnis ist ein skalierbarer, nachhaltiger Ansatz für die robotische Instandhaltung von Infrastruktur.