基于强化学习的自主液压物料搬运机械臂控制——下摆动工具问题

重型物料搬运机器人的精确安全控制由于难以建模的液压驱动关节以及需规划无碰撞轨迹的自由摆动末端执行器工具，面临诸多挑战。本文提出一种基于强化学习的控制器，同时控制舱体关节与机械臂。该控制器在结合数据驱动建模与物理建模的仿真环境中进行训练。一方面，采用神经网络模型捕捉上程转向液压马达的高度非线性动力学， incorporating explicit pressure prediction 以更好处理延迟问题。另一方面，依据物理原理将机械臂建模为可控速度的系统，将自由摆动末端执行器工具建模为阻尼摆锤。该组合模型增强了仿真环境，使RL控制器能直接迁移至实际机器人。旨在到达稳态笛卡尔坐标目标，RL控制器学习利用液压动力学提高精度、保持高速度并最小化末端执行器工具振动。经实际中型原型物料搬运机测试，本控制器比不熟练的操作员更精确，且引起的工具振动更少。即使与经验丰富的专业驾驶员进行比较，其性能也具有竞争力。