将深度强化学习与鲁棒底层控制集成于机器人操作臂以完成非重复性到达任务
机器人学
2024-08-23 v3 机器学习
系统与控制
系统与控制
摘要
在机器人学中，当代策略是基于学习的，具有复杂的黑箱特性且缺乏可解释性，这可能在确保稳定性和安全性方面带来挑战。为了解决这些问题，我们提出将基于深度强化学习（DRL）的无碰撞轨迹规划器与一种新颖的自整定底层控制策略相结合，同时通过与环境的交互积极参与学习阶段。这种方法规避了控制性能和计算复杂性，同时处理了存在障碍物时的非重复性到达任务。首先，使用无模型DRL代理为具有n个自由度（DoF）的机械臂规划速度有界运动，通过关节级推理确保末端执行器的避碰。然后将生成的参考运动输入到鲁棒子系统自适应控制器中，该控制器产生所需的力矩，同时布谷鸟搜索优化（CSO）算法优化控制增益以最小化稳态下的稳定性和跟踪误差。这种方法保证了在陌生环境中，尽管存在不确定性和干扰，仍具有鲁棒性和均匀指数收敛性。通过展示仿真结果验证了理论断言。
引用
@article{arxiv.2402.02551,
title = {Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks},
author = {Mehdi Heydari Shahna and Seyed Adel Alizadeh Kolagar and Jouni Mattila},
journal= {arXiv preprint arXiv:2402.02551},
year = {2024}
}
备注
This paper has been accepted at the International Conference on Mechatronics and Automation (ICMA 2024), sponsored by the IEEE