.png){kind=icon}
返回
Collaborative Multiagent Closed-Loop Motion Planning for Multimanipulator Systems
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202501098.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多操作器机器人单元正越来越多地通过并行操作和协调的多臂动作来满足严格的周期时间和灵巧性要求。共享工作空间内增高的协同占用率提高了机器人自碰撞和互碰撞的风险，并使运动协调复杂化。本研究提出了一种分层闭环控制架构，该架构将用于全局策略的高层多智能体强化学习（MARL）与基于增强优化归一化动态运动基元（ON-DMP*）的低层运动层相结合。ON-DMP*模型自动进行参数选择，消除手动调参，实时生成平滑且具有避碰意识的关节轨迹。在监督层，MARL协调器根据共享反馈动态解决重叠区域的争用，分配子目标，并适应干扰。在具有时空重叠的装配和拆卸任务上的实验验证表明，与基于强化学习和非合作运动基元的基础线相比，该方法能持续避免自碰撞和相互碰撞，提高协调平滑度，并缩短任务完成时间。结果表明，该方案为共享工作环境中的可扩展协同操作提供了一种通用方法。
Keyword:
closed-loop hierarchical planning
collaborative manipulation
dynamic movement primitives
multiagent reinforcement learning
multimanipulator systems
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.1
论文数:
2.0K
被引数:
8.4K
机构
引用论文
.png){kind=icon}
Unleashing mixed-reality capability in Deep Reinforcement Learning-based robot motion generation towards safe human-robot collaboration在基于深度强化学习的机器人运动生成中释放混合现实能力，实现安全的人机协作
PREAI
分享收藏Path Planning of 6-DOF Venipuncture Robot Arm Based on Improved A-star and Collision Detection Algorithms基于改进A-star和碰撞检测算法的6-DOF静脉穿刺机器人手臂路径规划
PREAI
分享收藏分享收藏分享收藏
查看更多内容