基于分层学习框架的视觉目标到达控制
机器人学
2026-01-05 v1
摘要
强化学习（RL）在众多机器人应用中有效，但需大量探索状态-动作空间，期间行为可能不安全。此限制了其在复杂执行机构作用于不稳定地表的大型机器人上应用。为此，本文设计一种安全的目标到达控制框架，将整个系统分解为一组紧密耦合的功能模块。1）采用实时视觉姿态估计算子，为2）用于目标到达任务的RL运动规划器提供准确的机器人状态，该规划器显式遵循机器人规格。RL模块生成实时平滑运动指令，独立于其底层动态复杂度。3）在执行机制中，训练监督式深度学习模型以捕获机器人复杂动态，为4）基于模型的鲁棒自适应控制器提供模型，该控制器确保轮毂在易打滑地表上精准跟随RL运动指令。5）最后，为减少人工干预，数学安全监督器监控机器人，检测不安全故障并自动引导其返回安全检查区域。该框架保证执行系统的均匀指数稳定性及整个操作的安全性。实验在6000公斤机器人上进行不同场景测试，验证了本框架的有效性。
引用
@article{arxiv.2601.00610,
title = {Vision-based Goal-Reaching Control for Mobile Robots Using a Hierarchical Learning Framework},
author = {Mehdi Heydari Shahna and Pauli Mustalahti and Jouni Mattila},
journal= {arXiv preprint arXiv:2601.00610},
year = {2026}
}