基于深度强化学习的自适应终端滑模控制用于外骨骼机器人系统的零力控制
机器人学
2024-07-29 v1 系统与控制
系统与控制
摘要
本文提出一种用于上肢外骨骼机器人（用于康复、帮助及人类物理能力增强等各种应用）的新型零力控制方法。该控制方法采用自适应积分终端滑模控制器（Adaptive Integral Terminal Sliding Mode, AITSM），结合指数到达律和深度强化学习（Deep Reinforcement Learning, DRL）中的 Proximal Policy Optimization（PPO）算法。PPO 系统集成了注意力机制和长短期记忆网络（Long Short-Term Memory, LSTM），使控制器能够有针对性地关注相关系统状态，适应变化的行为，并捕获长期依赖关系。该控制器设计用于对 5 自由度的上肢外骨骼机器人进行零力控制，即使在系统不确定性下也能工作。控制器使用积分终端滑模面以确保对期望状态的有限时间收敛，这是一种需要快速响应的关键特性。它还包括指数切换控制项以减少抖动并提高系统精度。由于 PPO 系统的可适应性，控制器能够根据系统反馈实时调整参数，从而具备鲁棒性，能够处理可能影响外骨骼性能的不确定性和扰动。通过数值仿真和与现有控制方法的比较，确认了该提出控制方法的有效性和优越性。
引用
@article{arxiv.2407.18309,
title = {Adaptive Terminal Sliding Mode Control Using Deep Reinforcement Learning for Zero-Force Control of Exoskeleton Robot Systems},
author = {Morteza Mirzaee and Reza Kazemi},
journal= {arXiv preprint arXiv:2407.18309},
year = {2024}
}