面向协作机器人（Cobots）的安全驱动深度强化学习框架：仿真到现实的方法
机器人学
2024-07-03 v1 机器学习
摘要
本研究提出了一种新方法，将安全约束整合到机器人训练期间的深度强化学习（DRL）模拟中。该框架将特定的安全要求部分（如速度约束）直接整合到DRL模型中，该模型成为机器人的学习算法的一部分。随后评估了这些安全约束的效率，通过将DRL模型置于各种情景中，包括带有和不含障碍物的抓取任务。验证过程涉及对DRL模型对潜在危险的响应及其合规性进行全面的基于仿真的测试。还通过功能安全标准IEC 61508评估系统性能，以确定安全完整性水平。该研究表明，机器人系统的安全性能得到了显著提高。该提出的DRL模型在保持操作效率的同时预测并缓解了危险。该研究是在配备安全传感器的协作机器人臂上进行的测试，采用诸如平均安全违规次数、障碍规避和成功抓取次数等指标进行评估。该方法在测试情景的仿真中比传统方法提高了16.5%的平均成功率，在测试台上无安全违规情况下提高了2.5%。项目存储库可在 https://github.com/ammar-n-abbas/sim2real-ur-gym-gazebo 查看。
引用
@article{arxiv.2407.02231,
title = {Safety-Driven Deep Reinforcement Learning Framework for Cobots: A Sim2Real Approach},
author = {Ammar N. Abbas and Shakra Mehak and Georgios C. Chasparis and John D. Kelleher and Michael Guilfoyle and Maria Chiara Leva and Aswin K Ramasubramanian},
journal= {arXiv preprint arXiv:2407.02231},
year = {2024}
}
备注
This paper has been accepted for publication in the proceedings of the IEEE/IFAC International Conference on Control, Decision, and Information Technologies (CoDIT), 2024