基于DRL和自由步态的六足机器人运动规划研究.docx

下载文档

10
0
约2.41万字
约 24页
2024-12-02 发布于浙江
举报
版权申诉
保障服务

基于DRL和自由步态的六足机器人运动规划研究.docx

1、本文档共24页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

第36

第36卷第2期2024年2月

Vol.36No.2Feb.2024

JournalofSystemSimulation

基于DRL和自由步态的六足机器人运动规划研究

王鑫鹏1,3，傅汇乔2，邓归洲1,3，唐开强2,3*，陈春林2，留沧海1,3(1.西南科技大学制造科学与工程学院，四川绵阳621010；2.南京大学工程管理学院，江苏南京210046；

3.制造过程测试技术省部共建教育部重点实验室，四川绵阳621000)

摘要：为提高六足机器人在非结构环境下的通过率和运动性能，提出一种基于DRL和自由步态规划器的多接触运动规划算法。自由步态规划器获取目标状态下可达落足点从而输出最优步态序列；利用DRL训练得到六足机器人在随机生成的梅花桩环境中的质心运动策略。为了保证机器人在运动过程中相邻状态之间的可达性，利用状态转移可行性模型对状态转移可行性进行判定，实现六足机器人在不同宽度沟壑梅花桩环境下的落脚点规划。仿真与样机实验表明：多接触运动规划算法能够让机器人快速平稳地从起点到达目标区域，并自动调整步态模式以应对不同环境下随机分布的梅花桩。

关键词：六足机器人；自由步态；深度强化学习；多接触运动规划；非结构环境

中图分类号：TP242.6文献标志码：A文章编号：1004-731X(2024)02-0373-12

DOI:10.16182/j.issn1004731x.joss.22-1220

引用格式:王鑫鹏,傅汇乔,邓归洲,等.基于DRL和自由步态的六足机器人运动规划研究[J].系统仿真学报,2024,36

(2):373-384.

Referenceformat:WangXinpeng,FuHuiqiao,DengGuizhou,etal.ResearchonMotionPlanningofHexapodRobotBasedonDRLandFreeGait[J].JournalofSystemSimulation,2024,36(2):373-384.

ResearchonMotionPlanningofHexapodRobotBasedonDRLandFreeGait

WangXinpeng1,3,FuHuiqiao2,DengGuizhou1,3,TangKaiqiang2,3*,ChenChunlin2,LiuCanghai1,3

(1.SchoolofManufacturingScienceandEngineering,SouthwestUniversityofScienceandTechnology,Mianyang621010,China;

2.SchoolofManagementandEngineering,Nanjinguniversity,Nanjing210046,China;

3.ManufacturingProcessTestingTechnologyKeyLaboratoryoftheMinistryofEducation,Mianyang621000,China)

Abstract:Toimprovethepassabilityandthemotionperformanceofthehexapodrobotintheunstructuredenvironment,amulti-contactmotionplanningalgorithmbasedonDRLandfreegaitplannerisproposed.Firstly,thefreegaitplannerobtainsthereachablefootholdsunderthetargetstateandoutputstheoptimalgaitsequence.Thecenterofmassmotionpolicyofthehexapodrobotintherandomlygeneratedplumblossompileenvironmentisobtainedbyusingdeepreinforcementlearningtraining.Toensure