基于深度强化学习的单机械臂智能控制算法

机械臂的运动控制问题一直是当下的研究热点,而传统控制算法存在环境适应性差、效率低等不足,已经难以满足当今工业复杂环境等对机械臂的需求,近几年新兴的智能控制算法逐步应用到机械臂的控制上,提高了机械臂的智能性和工作效率。深度强化学习(deep reinforcement learning,DRL)作为人工智能算法之一,已经形成适用于离散和连续状态空间的智能控制方法,目前用于机械臂运动控制的深度强化学习算法大多属于连续状态空间控制方法,并且取得了较好的实验效果。文中阐述了几种单机械臂深度强化学习运动控制算法,从优缺点、适用性等方面进行分析对比,为单机械臂的智能控制提供参考。

改进人工势场法的机械手关节空间避障规划

针对人工势场(Artificial Potential Field,APF)法对机械手进行路径规划时存在的问题,提出了关节空间APF自适应变步长和目标偏置的快速扩展随机树(Rapidly-exploring Random Tree,RRT)相结合的方法。在关节空间中进行APF法路径规划,减少逆向运动学次数和关节角突变;通过改进斥力和引力势场函数,解决APF法中碰撞和目标不可达问题;采用柯西概率分布,根据末端点与障碍物的距离来改变关节角步长;通过调节RRT算法的目标偏置值,产生合适临时目标点,从而解决APF法局部极小值问题。在APF法存在局部极小值情况下进行机械臂避障仿真,结果表明,自适应变步长路径规划能够生成平滑轨迹并能提高搜索效率,目标偏置RRT选取临时目标点后整体路径长度变短。捡拾机械手在该改进算法下能够有效实现避障拾取任务需求。