基于深度强化学习的履带式机器人翻越臂控制
机器人学
2023-06-21 v1
摘要
翻越臂的自主控制在提升履带式机器人在复杂环境中的智能化作业方面起着重要作用。现有方法主要依赖手工设计的控制模型，本文提出一种利用深度强化学习（DRL）技术实现复杂地形下翻越臂自主控制的新方法。具体而言，我们提出一种名为 AT-D3QN 的新型 DRL 网络，可确保履带式机器人翻越臂的安全平稳控制。该网络包含两个模块：用于提取并融合机器人与环境状态特征的特征提取与融合模块，以及用于将专家知识融入以获取平滑高效控制策略的深度 Q 学习控制生成模块。为训练该网络，我们提出一种兼顾学习效率与通过平滑性的新型奖励函数。利用 Pymunk 物理引擎构建仿真环境进行训练，随后直接将训练好的模型应用于更真实的 Gazebo 仿真中以进行定量分析。所提方法持续的高性能验证了其相对于人工遥操作的优越性。
引用
@article{arxiv.2306.10352,
title = {Deep Reinforcement Learning for Flipper Control of Tracked Robots},
author = {Hainan Pan and Bailiang Chen and Kaihong Huang and Junkai Ren and Xieyuanli Chen and Huimin Lu},
journal= {arXiv preprint arXiv:2306.10352},
year = {2023}
}