使用部分可观测强化学习的机器人关节故障自适应补偿
机器人学
2024-09-24 v1
摘要
机器人机械臂被广泛应用于各种行业的复杂和重复性任务中。然而，它们仍然容易受到意外硬件故障的影响。在本研究中，我们应对了使机器人机械臂在关节故障情况下仍能完成任务的挑战。具体而言，我们开发了一个强化学习(RL)框架，以在任务执行过程中自适应地补偿失效关节。我们的实验平台是具有 7 个自由度(DOFs)的 Franka 机器人。我们将该问题表述为部分可观测马尔可夫决策过程(POMDP)，其中机器人在各种关节故障条件下进行训练，并在已见和未见场景中进行测试。我们考虑了关节永久性损坏和间歇性运作的场景。此外，我们通过与传统基于逆运动学的控制方法进行比较，展示了我们方法的有效性。结果表明，RL 算法使机器人即使在关节故障下也能成功完成任务，实现了 93.6% 的平均高成功率。这展示了其鲁棒性和适应性。我们的发现突出了 RL 在增强机器人系统弹性和可靠性方面的潜力，使其更适合不可预测的环境。所有相关代码和模型均已在线发布。
引用
@article{arxiv.2409.14435,
title = {Adaptive Compensation for Robotic Joint Failures Using Partially Observable Reinforcement Learning},
author = {Tan-Hanh Pham and Godwyll Aikins and Tri Truong and Kim-Doang Nguyen},
journal= {arXiv preprint arXiv:2409.14435},
year = {2024}
}
备注
15 pages