.png){kind=icon}
返回
Reinforcement Learning-Based PID Gain Optimization for Delta Parallel Robot Trajectory Tracking
.png){kind=icon}
PRE
AI
DOI：10.3390/app16031453.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种基于深度确定性策略梯度（DDPG）强化学习算法的PID增益整定方法，用于Delta并联机器人的轨迹跟踪。由于具有3自由度（3-DOF）并联运动学结构，Delta机器人比串联操作器具有更高的刚度、精度和速度能力；因此，由于其运动质量小和闭环机构提供的刚度，它们被广泛用于高速拾取和放置应用。本研究将提出的DDPG-PID方法与传统的齐格勒-尼科尔斯（ZN）和科恩-库恩（CC）整定方法进行了比较研究；DDPG被设计用于在连续动作空间内优化PID增益（Kp、Ki、Kd）在预定义范围内。在针对四种不同轨迹（圆、双纽线、菱形和星形）进行的仿真中，采用RMSE、IAE、ISE、ITAE和最大误差指标进行评估。根据结果，DDPG-PID在所有轨迹上均实现了最低误差，与ZN-PID相比，RMSE降低了约35-58%，与CC-PID相比，降低了约79-82%；类似地，IAE/ISE/ITAE和最大误差值也得到了改善。这些发现表明，DDPG-PID提供了更稳定和准确的跟踪，特别是在涉及急剧方向变化的复杂轨迹上，并表明所提出的方法为工业并联机器人控制应用提供了一种优于经典整定规则的PID自动整定替代方案。
Keyword:
delta parallel robot
trajectory tracking
PID tuning
Ziegler-Nichols
Cohen-Coon
reinforcement learning
Deep Deterministic Policy Gradient (DDPG)
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Automatic tuning of simple regulators with specifications on phase and amplitude margins.png)
Automatica
OAAI
AutomaticaIF0
OAAI分享收藏Deep reinforcement learning with shallow controllers: An experimental application to PID tuning基于浅层控制器的深度强化学习: PID整定的实验应用OAAI
OAAI分享收藏分享收藏
查看更多内容