16、强化学习与机器人运动学问题研究

强化学习与机器人运动学问题研究

1. 领域随机化与自适应权重蒸馏

在强化学习中，领域泛化至未知领域至关重要，而领域随机化是领域泛化研究的重要分支。Domain Randomization with Adaptive Weight Distillation（DRAWD）方法自动根据教师策略的表现计算蒸馏中的多任务权重，它结合了多任务学习和蒸馏领域随机化。

通过实验对比发现，在两项任务中，DRAWD 在未知领域的表现优于其他方法。对于 DiDoR 和 DRAWD，在两种环境下，即使随机化水平改变，使用 DRAWD 的学生策略在测试领域也能获得更高的回报。这表明根据教师策略的表现自适应地加权教师策略可以提高学生策略的性能和稳定性。

2. 6 - DOF 机器人逆运动学问题

2.1 引言

工业机器人是柔性自动化生产中自动化生产系统的组成部分，能提高劳动生产率和产品质量。6 - DOF 机器人的操纵系统（MS）具有六个自由度，通常前三个运动副实现工作部件沿给定轨迹的运动，后三个实现工作部件在空间中的定向。

研究 6 - DOF 机器人的运动时，主要考虑正向和逆向两个运动学问题。正向运动学问题是根据已知的广义坐标向量和给定的几何参数确定机器人工作部件相对于绝对坐标系的位置和方向；逆向运动学问题是根据给定的机器人工作部件在绝对坐标系中的位置和方向确定广义坐标。

为实现开发数值求解逆运动学问题的算法和实现该算法的软件这一目标，需要完成以下任务：
1. 选择用于解决逆运动学问题的数学工具。
2. 开发用于解决逆运动学问题的数值迭代方法算法。
3. 使用面向对象编程工具进行软件开发。