基于改进双树RRT^(*)算法的冗余机械臂末端路径规划

针对冗余机械臂的冗余特性与相关RRT^(*)算法在规划机械臂末端路径的应用中存在的搜索效率较低、收敛性不稳定以及没有充分考虑到机械臂末端几何构型与自身运动特性对路径规划影响的问题,提出一种改进策略。首先,引入一种基于根尾节点连线夹角的采样点选择方式,并设置目标逼近区域。根据连续采样成功次数动态选择改进采样与随机采样。接着,将双树扩展策略与上述方法相结合。最后,将初始可行路径进行二次重连得到最终的优化路径。通过验证,改进双树RRT^(*)方法能够有效地提升搜索效率、收敛性以及路径的优越性。虚拟碰撞体与胶囊碰撞体的引入也能较好地应对机械臂末端结构与运动特性带来的影响。使用Mujoco物理仿真引擎进行机械臂运动验证,证明该策略可以为冗余机械臂末端规划出一条较优的可行路径。

基于PPO算法的机器人轴孔装配控制与仿真

针对在管道运输和航空航天领域常见的大口径轴孔装配任务,设计一种基于PPO算法的装配控制方法。首先,建立强化学习算法与装配环境交互训练框架,设计两个网络用于拟合装配策略和评估值函数;其次,设计机器人输出的动作空间与装配环境输出的状态空间,保证学习过程中的有效探索;然后,设计非线性奖励函数以确保训练过程的快速收敛;最后,搭建基于MuJoCo物理引擎的机器人大口径轴孔装配仿真平台,并在仿真平台上对设计算法进行训练和实验。结果表明:基于PPO算法的训练框架能保证训练过程的快速收敛,改进后的优势函数估计方法提升了训练过程的稳定性,训练模型不仅能保证轴插入孔和法兰面贴合,还能保证装配过程的安全性。

仿真环境下不规则物体的高斯过程隐式曲面核函数优化

对于一个物体进行探索时,首要目标就是获取物体的形状,而当针对形状复杂的物体如不规则方块时,隐式曲面往往是最优选择。本文针对MuJoCo仿真平台下的建立的不规则物体,采用RBF(Radial Basis Function)高斯核函数和TPS(Thin Plate Spline covariance)薄板协方差核函数分别建立高斯过程,完成对物体的隐式曲面建模,通过对比,相比于最初的TPS核函数,改用调参后的RBF误差减小了93.07%。通过仿真实验结果表明,对于仿真平台中的不规则物体,高斯过程隐式曲面能够有效通过少量的采集数据完成曲面建模。