繩牽引并聯(lián)機器人在受限空間中如何躲避動態(tài)障礙物，是個有挑戰(zhàn)的課題。
來自哈爾濱工業(yè)大學(xué)（深圳）的熊昊老師團隊，開展了一項有趣的研究，論文《Dynamic Obstacle Avoidance for Cable-Driven Parallel Robots With Mobile Bases via Sim-to-Real Reinforcement Learning》發(fā)表在SCI&EI收錄期刊IEEE Robotics and Automation Letters上。
熊昊老師團隊將在2024年ICRA大會上展示相關(guān)研究成果。
研究背景
繩牽引并聯(lián)機器人(Cable-Driven Parallel Robot，CDPR)是一種使用繩索來代替剛性連桿控制末端執(zhí)行器位姿的新型并聯(lián)機器人。
這類機器人結(jié)構(gòu)簡單、慣性小、運動空間大、且動態(tài)性能良好。非常適用于裝備制造、醫(yī)療康復(fù)、航空航天等領(lǐng)域。由于它可以改變幾何結(jié)構(gòu)，非常適用于約束環(huán)境下的操作任務(wù)。
繩牽引并聯(lián)機器人在受限環(huán)境中執(zhí)行操作任務(wù)時，可能會遇到軌跡規(guī)劃方法未考慮的動態(tài)障礙物，需要實時避讓動作來繞過或越過障礙物。由于高維狀態(tài)空間、以及多個繩索和移動基座引起的約束，這是個有挑戰(zhàn)的課題。
該項研究解決了這個問題。所提出的算法能夠?qū)崿F(xiàn)繩牽引并聯(lián)機器人及時躲避，避免與障礙物碰撞，并返回到目標(biāo)軌跡上。
避障算法
該研究提出了一種基于強化學(xué)習(xí)（RL）的避障控制器（RL-based OAC），并將其集成到軌跡跟蹤控制器（TTC）中，并設(shè)計了一種基于Soft Actor Critic（SAC）算法和注意力模塊的OAC，用于處理具有固定長度繩索連接到移動基座的繩牽引并聯(lián)機器人的動態(tài)障礙物實時避讓問題。
該方法可以處理CDPR的多個約束和高維狀態(tài)空間，實現(xiàn)了CDPR在實時動態(tài)障礙物環(huán)境下的動態(tài)避障。
在Mujoco模擬器中對RL-based OAC進行訓(xùn)練。分別基于兩階段訓(xùn)練策略和一階段訓(xùn)練策略進行訓(xùn)練。
基于兩階段訓(xùn)練策略訓(xùn)練的OAC集中在5萬集以內(nèi)，OAC的訓(xùn)練時間約為35分鐘。基于單階段訓(xùn)練策略訓(xùn)練的OAC收斂在50萬集以內(nèi)，OAC的訓(xùn)練時間約為5.5小時。兩個OAC最終獲得了幾乎相同的累計獎勵。研究表明，使用獎勵塑造技術(shù)的兩階段訓(xùn)練策略可以加速OAC的訓(xùn)練。
真實實驗
在真實環(huán)境中，利用訓(xùn)練好的RL-based OAC方法進行實驗驗證。
實驗對象為連接有四個固定長度繩索的四個移動基座的繩牽引并聯(lián)機器人。使用兩種規(guī)則的障礙物，一種是高度為0.32米的較低的障礙物，一種是高度為0.92米的較高的障礙物。
CDPR的移動平臺可以從上方越過低障礙物，但無法從上方越過高障礙物，只能采取繞行的方式避障。
在實驗過程中，由NOKOV度量動作捕捉系統(tǒng)實時獲取繩索的位置、移動基座的位置，以及動態(tài)障礙物的位置和形狀信息。
遇到不同高度的障礙物時，RL-based OAC方法驅(qū)使CDPR采取不同的避障方式，成功地越過或繞過正在移動的障礙物。文章來源：http://www.zghlxwxcb.cn/news/detail-842957.html
參考文獻：
Y. Liu, Z. Cao, H. Xiong, J. Du, H. Cao and L. Zhang, “Dynamic Obstacle Avoidance for Cable-Driven Parallel Robots With Mobile Bases via Sim-to-Real Reinforcement Learning,” in IEEE Robotics and Automation Letters, vol. 8, no. 3, pp. 1683-1690, March 2023, doi: 10.1109/LRA.2023.3241801.
原文鏈接：
https://ieeexplore.ieee.org/document/10035491文章來源地址http://www.zghlxwxcb.cn/news/detail-842957.html
到了這里，關(guān)于繩牽引并聯(lián)機器人動態(tài)避障方法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
