.png){kind=icon}
返回
Reinforcement learning-based obstacle avoidance for continuum robots
.png){kind=icon}
PRE
AI
DOI：10.24425/acs.2026.158424.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种用于控制平面三段式连续机器人在静态障碍物环境中行走的强化学习框架。假设每段具有恒定曲率，机器人被训练以避开多个静态物体并导航至固定目标。开发了一个自定义仿真环境，支持三种难度级别（易、中、难），每种级别具有不同的障碍物密度和位置。学习过程由深度确定性策略梯度（DDPG）算法驱动，该算法实现了平滑连续的曲率控制。在奖励函数和网络架构的设计上给予了细致关注，这两者对于实现稳定可靠的政策学习至关重要。通过多次运行评估性能，结果显示智能体成功将其行为泛化到复杂性递增的场景中。所提出的框架展示了强化学习作为连续机器人系统中安全自适应控制可行方法的潜力，并对医疗导航、搜救以及受限环境中的检查等应用具有前景。
Keyword:
reinforcement learning
DDPG
continuum robots
