Deep Reinforcement Learning-Based Motion Planning and PDE Control for Flexible Manipulators

要約

この記事では、柔軟なロボットマニピュレーターのモーションプランニングおよび制御フレームワークを紹介し、ディープ補強学習（DRL）を非線形部分微分方程式（PDE）コントローラーと統合します。
制御のみに焦点を当てた従来のアプローチとは異なり、目的の軌道がエンドポイントの振動に大きく影響することを実証します。
これに対処するために、Soft Actor-Critic（SAC）アルゴリズムを使用して訓練されたDRLモーションプランナーは、振動を本質的に最小限に抑える最適化された軌跡を生成します。
PDE非線形コントローラーは、リアプノフ分析を使用して閉ループの安定性を確保しながら、計画された軌道を追跡するために必要なトルクを計算します。
提案された方法論は、シミュレーションと実際の実験の両方を通じて検証され、従来の方法と比較して優れた振動抑制と追跡精度を示しています。
結果は、柔軟なロボットマニピュレーターの精度と安定性を高めるための学習ベースのモーション計画とモデルベースの制御を組み合わせる可能性を強調しています。

要約(オリジナル)

This article presents a motion planning and control framework for flexible robotic manipulators, integrating deep reinforcement learning (DRL) with a nonlinear partial differential equation (PDE) controller. Unlike conventional approaches that focus solely on control, we demonstrate that the desired trajectory significantly influences endpoint vibrations. To address this, a DRL motion planner, trained using the soft actor-critic (SAC) algorithm, generates optimized trajectories that inherently minimize vibrations. The PDE nonlinear controller then computes the required torques to track the planned trajectory while ensuring closed-loop stability using Lyapunov analysis. The proposed methodology is validated through both simulations and real-world experiments, demonstrating superior vibration suppression and tracking accuracy compared to traditional methods. The results underscore the potential of combining learning-based motion planning with model-based control for enhancing the precision and stability of flexible robotic manipulators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google