无模型强化学习控制方案在自平衡轮式可扩展系统上的分析
机器人学
2022-03-16 v3 系统与控制
系统与控制
摘要
传统线性控制策略已在众多机器人与工业应用中被广泛研究和使用，但它们并未响应系统的全部动力学。为避免如 H-无穷控制与预测控制等非线性控制方案的繁琐计算，强化学习（RL）的应用可提供替代解决方案。本文给出了在提供状态历史的移动式自平衡可扩展轮式倒立摆（E-WIP）系统上，采用深度确定性策略梯度和近端策略优化实现 RL 控制以取得改进控制的结果。此类 RL 模型使寻找满意控制方案更为容易，并有效响应动力学，同时自整定参数以提供更好控制。本文将基于 RL 的控制器与 MPC 控制器进行对比，依据 E-WIP 系统跟随特定期望轨迹时的状态变量与轨迹误差评估性能。
引用
@article{arxiv.2111.08389,
title = {Analysis of Model-Free Reinforcement Learning Control Schemes on self-balancing Wheeled Extendible System},
author = {Kanishk . and Rushil Kumar and Vikas Rastogi and Ajeet Kumar},
journal= {arXiv preprint arXiv:2111.08389},
year = {2022}
}