多代理深度增强基于学习的机器人手臂组装研究研究
1School of Mechanical and Electrical Engineering, Changchun University of Science and Technology, Changchun, China.
PloS one
|February 18, 2025
概括
本研究介绍了用于机器人臂组装的多代理增强学习方法,改善了复杂的轴孔任务中的融合和性能. 这种新的方法提高了机器人组装操作的适应性和稳定性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 控制系统 控制系统
背景情况:
- 由于可变性,单个代理算法在复杂的机器人手臂组装任务中难以融合和性能.
- 机器人臂组装,特别是轴孔任务,需要强大的和适应性的控制策略.
研究的目的:
- 为机器人臂轴孔组装提出和评估一个多代理强化学习 (MARL) 算法.
- 提高机器人组装工艺的融合速度,稳定性和适应性,重点关注方形轴孔配置.
主要方法:
- 对轴孔组装阶段的分析:寻找孔,对齐和插入.
- 整合了一个新的奖励函数与脱的多代理确定性深确定性政策梯度 (DMDDPG) 算法.
- 在 Gazebo 中开发一个模拟环境,用于模拟带有圆形和方形轴孔的机器人手臂组件.
主要成果:
- 拟议的MARL算法将机器人手臂分为多个代理 (前三个和最后三个关节),显示了性能改善.
- 在轴孔组装模拟中证明了增强的适应性和更快,更稳定的融合.
- 成功建模并解决了方形轴孔组装中的挑战,这是一个复杂的场景.
结论:
- 多代理增强学习为改善机器人手臂组装任务提供了一个有希望的解决方案.
- 基于DMDDPG的方法提高了机器人组装的效率和可靠性,特别是在诸如方形轴孔插入等复杂任务中.
- 开发的模拟框架验证了MARL战略对现实世界机器人组装应用的有效性.
