利用深层强化学习与触觉反馈提升空间碎片捕获任务成功率
机器人学
2024-09-20 v1
摘要
传统控制方法虽然有效地管理机器人操作，利用运动方程等模型，但在接触和摩擦问题上面临挑战，导致控制不稳定且不够精确，常需人工调参。然而，强化学习已发展为一种能够处理接触相关挑战的稳健机器人控制解决方案。在本工作中，我们引入一种深度强化学习方法，以应对自由漂移目标（主要为空间碎片）的软捕获阶段，并在噪声数据环境下运行。我们的发现凸显了触觉传感器在软捕获阶段的关键作用。通过深度强化学习，我们无需手动设计特征，简化问题，使机器人能够通过试错学习软捕获策略。为促进接近阶段的有效学习，我们设计了一种特殊奖励函数，为智能体提供清晰且有洞察力的反馈。该方法在完全仿真环境中训练，无需直接演示或任务先验知识。开发的控制策略显示出有前景的成果，突显了必须使用触觉传感器信息的必要性。代码和仿真结果已公开于 Soft_Capture_Tactile repo。
引用
@article{arxiv.2409.12273,
title = {Improving Soft-Capture Phase Success in Space Debris Removal Missions: Leveraging Deep Reinforcement Learning and Tactile Feedback},
author = {Bahador Beigomi and Zheng H. Zhu},
journal= {arXiv preprint arXiv:2409.12273},
year = {2024}
}
备注
This paper is accepted and presented in CASE2024