DRL-EnSave: energy-aware deep reinforcement learning for variable- payload robotic pick-and-place under tact constraints
이 논문은 물리적으로 사실적인 MuJoCo 벤치마크, 시간 최적 제어 대비 최대 8.83%의 에너지 절감을 달だけで하는 폐쇄형 데드라인 가능 스케줄러, 그리고 산업 현장 적용을 위한 검증 가능한 에너지-시간 프런티어를 구축하기 위한 심층 강화 학습 정책의 실패 분석을 결합하여 가변 페이로드 로봇 픽 앤 플레이스 작업을 위한 에너지 인식 제어 프레임워크인 DRL-EnSave를 소개한다.