结合深度强化学习与加加速度有界轨迹生成器实现运动学约束下的运动规划
系统与控制
2025-10-30 v1 系统与控制
摘要
深度强化学习（DRL）正成为一种有前景的自适应机器人运动和复杂任务自动化方法，有效弥补了传统控制方法的局限性。然而，由于DRL固有的探索风险以及动作在时间间隔上的离散性，确保学习过程和策略部署过程中的安全性仍然是一个关键挑战。这些不连续性，即使属于连续动作空间的一部分，也可能导致连续动作之间的突变，引起不稳定和不安全的中间状态。为应对这些挑战，本文提出了一种集成框架，将DRL与加加速度有界轨迹生成器（JBTG）以及鲁棒的低级控制策略相结合，显著增强了机器人操作臂的安全性、稳定性和可靠性。低级控制器确保精确执行DRL生成的指令，而JBTG则优化这些运动以生成平滑、连续的轨迹，防止突变或不安全的动作。该框架还包括用于平滑制动的预计算安全速度区域，防止关节极限违规并确保符合运动学约束。这种方法不仅保证了机器人系统的鲁棒性和安全性，还优化了运动控制，使其适用于实际应用。通过将其应用于一个高度复杂的重型操作臂，证明了所提框架的有效性。
引用
@article{arxiv.2410.20907,
title = {Combining Deep Reinforcement Learning with a Jerk-Bounded Trajectory Generator for Kinematically Constrained Motion Planning},
author = {Seyed Adel Alizadeh Kolagar and Mehdi Heydari Shahna and Jouni Mattila},
journal= {arXiv preprint arXiv:2410.20907},
year = {2025}
}
备注
This paper has been submitted to the IEEE for potential publication