摘要
机械臂作为一种工业自动化和智能化的关键装备，近年来在智能制造等领域取得了显著的进展。从工业生产到医疗保健，再到日常生活中的辅助功能，机械臂不仅提高了生产效率，也为各种行业带来了更多的创新和应用可能性。然而，目前传统的机械臂控制方法需要对机械臂进行精准建模以及固定化编程，存在灵活性低以及缺乏智能决策能力等不足，随着人工智能的不断发展，深度强化学习为机械臂控制领域提供了更多可能性。深度强化学习控制机械臂的研究可以实现机械臂自主决策和执行复杂任务，机械臂可以理解环境、规划动作路径，并作出相应的决策以完成特定目标。本文利用深度强化学习方法，通过实验仿真实现机械臂的智能控制，降低了成本，提高了效率，在更广泛的任务和环境下有更出色的表现。本文的具体研究内容如下： 首先，在仿真环境下构建了机械臂运动学模型，并给出了适用的工作空间。本文在机器人工具箱RoboticsToolbox中，采用MDH(ModifiedDenavit-Hartenberg)法，对FrankaEmikaPanda机械臂进行了运动学建模与正逆运动学分析并求解。通过蒙特卡洛方法给出机器人工作空间，确保机械臂在深度强化学习训练中能够在工作空间内随机探索。通过仿真验证，确认了该机械臂在运动方面表现良好，并且其末端可以覆盖广泛的可到达区域。 其次，研究了深度强化学习的基本理论，并分析了深度确定性策略梯度方法。深入阐述了强化学习和深度强化学习的基础理论以及延伸内容，由于深度确定性策略梯度算法是解决机械臂等连续动作空间问题的常见方法，因此详细描述了深度确定性策略梯度算法的理论架构。此外，在二维仿真环境中进行了实验，测试深度确定性策略梯度算法的可行性，并比较了不同奖励函数对性能的影响。 最后，研究了基于事后经验回放的机械臂截断分位数评论家深度强化学习控制方法。介绍了截断分位数评论家算法框架并分析了事后经验回放算法原理和适用范围，研究了将事后经验回放算法与截断分位数评论家算法相结合的方法，提出改进的截断分位数评论家算法。实验结果表明，在仿真环境下采用改进的截断分位数评论家算法控制机械臂完成任务的成功率可高达90%以上，相比深度确定性策略梯度算法，大大提高了训练效率，降低了时间成本。
NETL