URPlanner：一种基于深度强化学习的无碰撞机器人运动规划通用范式
机器人学
2025-05-27 v1
摘要
复杂环境中冗余机械臂的无碰撞运动规划仍有待探索。尽管深度强化学习 (DRL) 与机器人技术交叉领域的最新进展凸显了其处理多样化机器人任务的潜力，但当前基于 DRL 的机械臂无碰撞运动规划器成本极高，阻碍了其部署与应用。这归因于对机械臂与障碍物之间最小距离的过度依赖、DRL 探索与决策能力的不足，以及数据获取与利用的低效。在本文中，我们提出了 URPlanner，一种基于 DRL 的无碰撞机器人运动规划通用范式。与现有方法相比，URPlanner 具有多项优势：与平台无关、在训练和部署上均具成本效益，且适用于任意机械臂而无需求解逆运动学。为实现这一点，我们首先开发了一个参数化任务空间和一个独立于最小距离的通用避障奖励。其次，我们引入了一种增强的策略探索与评估算法，可应用于各种 DRL 算法以增强其性能。第三，我们提出了一种用于高效策略学习的专家数据扩散策略，仅需少量专家演示即可生成大规模轨迹数据集。最后，通过实验全面验证了所提方法的优越性。
引用
@article{arxiv.2505.20175,
title = {URPlanner: A Universal Paradigm For Collision-Free Robotic Motion Planning Based on Deep Reinforcement Learning},
author = {Fengkang Ying and Hanwen Zhang and Haozhe Wang and Huishi Huang and Marcelo H. Ang},
journal= {arXiv preprint arXiv:2505.20175},
year = {2025}
}
备注
Version 1. 20 pages, 19 figures