基于强化学习与危险状态分类的磁性吸附墙面爬行机器人特征选择
机器人学
2025-03-25 v1 仪器与探测器
摘要
磁性吸附型墙面爬行机器人在高空作业过程中可能因倾覆而面临风险，其稳定性对确保安全至关重要。本研究提出一种基于 Proximal Policy Optimization (PPO) 强化学习的动态特征选择方法，结合常规机器学习模型，以提高在复杂作业条件下危险状态分类的准确率。首先，本工作创新性地采用基于光纤棒的 MEMS 姿态传感器收集机器人振动数据，并提取时域和频域中的高维特征向量。随后，利用强化学习模型动态选择最优特征子集，减少特征冗余并提升分类准确率。最后，采用 CNN-LSTM 深度学习模型进行分类识别。实验结果表明，所提方法显著提高了机器人在各种作业场景下评估危险状态的能力，为机器人安全监控提供了可靠技术支持。
引用
@article{arxiv.2503.17615,
title = {Feature Selection Based on Reinforcement Learning and Hazard State Classification for Magnetic Adhesion Wall-Climbing Robots},
author = {Zhen Ma and He Xu and Jielong Dou and Yi Qin and Xueyu Zhang},
journal= {arXiv preprint arXiv:2503.17615},
year = {2025}
}
备注
21 pages, 11 figures, manuscript for Journal of Autonomous Robots