控制理论与应用

作者：孙先涛,唐思宇,陈文杰,贺春东,智亚丽,陈伟海

单位：安徽大学电气工程与自动化学院,安徽大学电气工程与自动化学院,安徽大学电气工程与自动化学院,安徽大学电气工程与自动化学院,安徽大学电气工程与自动化学院,北京航空航天大学自动化科学与电气工程学院

关键词：深度强化学习; 神经网络; 机械臂抓取; Q网络

基金：国家自然科学基金项目(52005001)

针对现有抓取技术在复杂环境下难以进行有效的目标导向性抓取的问题, 本文提出了一种基于深度强化学习的推动和抓取协同操作的方法. 相对于以往的抓取方法, 本方法使用深度学习来处理Intel-D435i相机所获得的RGB-D图像数据, 同时又在视觉网络中引入了注意力机制, 用来提高系统对工作区域内目标物体的敏感性. 其次,使用深度Q网络来学习UR5机械臂与环境之间的交互过程, 提出了密集奖励策略来评判推动或抓取操作的好坏. 随着训练次数的不断增加, UR5机械臂在训练过程中不断地优化两种操作之间的协同策略, 从而更高效的进行决策.最后, 在V-rep仿真平台上设计了仿真场景, 并进行测试, 平均抓取成功率达到92.5%. 通过与其他几种方法进行对比, 证明该方法可以在复杂环境下较好的完成目标物体的抓取任务.

来源：2023年第10期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2023年第10期