基于多任务动态运动基元的冗余机械臂技能学习框架
1 引言
随着电子信息技术和制造工艺的不断发展与完善,高科技产品的生产步骤和制造要求日益复杂。为满足新型高科技产品开发中的加工和测试需求,“以机器人替代人类”已成为未来工业发展的必然趋势。7自由度冗余机械臂具有良好的运动性能和操作灵活性,因此广泛应用于智能制造、仓储物流、生物医药等现代工业领域。然而,7自由度冗余机械臂也面临着一些新的挑战,主要体现在以下两个方面:
- 运动规划效率低下 :7自由度冗余机械臂常用于复杂的非结构化环境中,而传统的运动规划算法,如随机采样、启发式学习和神经网络等,存在运动规划时间长、规划成功率低的问题,这将导致操作质量低下和操作阻塞。
- 多任务学习和执行的实时性差 :到目前为止,机器人技能学习的研究主要集中在端到端的强化学习算法上,这些算法存在预训练时间长、运动鲁棒性差以及仅适用于单一任务的问题,因此无法应用于工程实践。
因此,寻找一种适合连续多任务执行的机器人技能学习方法,对于推动冗余机械臂的发展和应用具有重要意义。机器人技能学习是冗余机械臂的核心问题之一。目前,许多学者已经对机器人技能学习方法进行了广泛的研究,根据不同的方法可以分为两类。第一类是基于人工智能算法的方法,如深度强化学习(DRL)、人工神经网络(ANN)、启发式学习(HL)等。然而,这类方法存在离线训练时间长、鲁棒性差的问题,因此难以应用于工程实践。第二类是基于模仿学习的方法,如动态系统(DS)、动态运动基元(DMPs)、概率运动基元(ProMPs)等。其中,DMPs及其变体由于建模简单、通用性强,已成为机器人技能学习的主流算法。然而,上述研究仅局限于单任务学习
订阅专栏 解锁全文
280



被折叠的 条评论
为什么被折叠?



