DRL-EnSave: energy-aware deep reinforcement learning for variable- payload robotic pick-and-place under tact constraints
Este artículo presenta DRL-EnSave, un marco de control consciente de la energía para tareas robóticas de recogida y colocación de carga variable que combina un benchmark de MuJoCo físicamente realista, un programador de tiempo de ejecución con plazos de entrega factibles de forma cerrada que logra hasta un 8,83% de ahorro de energía sobre el control óptimo en el tiempo, y un análisis de fallos de políticas de aprendizaje por refuerzo profundo para establecer una frontera de energía-tiempo verificable para aplicaciones industriales.