相关实验视频
Updated: May 17, 2025
10:09
Operation of the Collaborative Composite Manufacturing CCM System
Published on: October 1, 2019
6.5K
研究基于多策略采样快速探索随机树的大型多臂岩石钻探机器人的高精度运动规划
1College of Mechanical and Electrical Engineering, Henan University of Science and Technology, Luoyang 471000, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究介绍了一种多策略采样RRT* (MSS-RRT*) 方法,用于多臂岩石钻探机器人的精确运动规划. 该方法提高了路线规划的效率和准确性,显著优于现有方法.
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
- 机械工程 机械工程
背景情况:
- 对于多臂机器人来说,最优的运动计划对于复杂的任务,如岩石钻井,至关重要.
- 现有的算法在多臂系统的效率和准确性方面面临挑战.
研究的目的:
- 为多臂岩石钻探机器人开发高精度运动规划方法.
- 提高RRT*算法在动态环境中的适应性和搜索效率.
主要方法:
- 引入多策略采样RRT* (MSS-RRT*),包括DRL位置球采样,空间随机采样和目标导向采样.
- 采用双 Jacobi 代反向解决方案与前向动力学错误补偿,以实现精确的定位.
- 利用后见经验重复-障碍臂转移 (HER-OAT) 训练深度强化学习 (DRL) 模型使用TD3算法.
- 实施了圆柱形界限框方法,以避免机器人手臂之间的碰撞.
主要成果:
- 与单个Jacobi代相比,运动规划准确度得到了94.15%的改善.
- 在最佳路径条件下,计划时间缩短到Informed-RRT*的20.71%.
- 与快速RRT*相比,在相同的时间限制下,路径长度减少了21.58%.
结论:
- 拟议的MSS-RRT*方法显著提高了多臂岩石钻探机器人的运动规划精度和效率.
- 多策略采样和先进的DRL技术的整合在复杂的机器人应用中提供了卓越的性能.
- 这项研究为优化多臂机器人系统的路径规划提供了强大的解决方案,为更复杂的自主操作铺平了道路.
