基于深度强化学习的工业机器人数字孪生模型更新方法
Update Method of Digital Twin Model of Industrial Robot Based on Deep Reinforcement Learning作者机构:武汉科技大学冶金装备及其控制教育部重点实验室武汉430081 华中科技大学武汉430074
出 版 物:《航空制造技术》 (Aeronautical Manufacturing Technology)
年 卷 期:2024年第67卷第11期
页 面:48-55页
核心收录:
学科分类:08[工学] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置]
基 金:国家自然科学基金(51975431,51605346) 湖北省重点研发计划(2022BAA059)
主 题:深度强化学习 工业机器人 数字孪生 深度确定性策略梯度(DDPG) 模型更新
摘 要:工业机器人的数字孪生模型能够模拟真实世界中工业机器人的行为和性能,但其仿真精度会受场景更新和设备磨损等使役工况的影响而下降。对此,本文提出了一种基于深度强化学习的工业机器人数字孪生模型更新方法。该方法应用仿真工具Coppeliasim建立了工业机器人数字孪生模型,同时基于深度确定性策略梯度(DDPG)算法对数字孪生模型的PID参数、关节阻尼等关键参数进行优化,实现模型的参数更新,提高模型精度。最后,通过ABB–IRB2400工业机器人仿真同步试验,验证了所提方法的有效性。