检索结果-南通市图书馆

作者：林继旭广东工业大学

学位级别：硕士

在能源枯竭、环境污染的背景下,电动汽车取代燃油动力汽车已成为一种不可逆转的趋势。一方面,电动汽车可以大幅度减少化石燃料的使用,减少能源供给对化石燃料的依赖,缓解能源匮乏的窘境;另一方面,可以减少二氧化碳以及其它有害物质的排... 详细信息

在能源枯竭、环境污染的背景下,电动汽车取代燃油动力汽车已成为一种不可逆转的趋势。一方面,电动汽车可以大幅度减少化石燃料的使用,减少能源供给对化石燃料的依赖,缓解能源匮乏的窘境;另一方面,可以减少二氧化碳以及其它有害物质的排放,保护环境。目前,大量的城市已经开始普及电动出租车、电动公交巴士等。然而,电动汽车在推广普及的过程中还是存在一些问题。1)“续航焦虑”,很多电动出租车用户担心电动出租车的电池会在行驶途中没电,影响出行效率;2)电池损耗,若是电动出租车用户经常对电池进行满充、满放,这势必会缩短电池的使用寿命,增加出行开销;3)电网负荷,若是大量电动出租车同时在充电站进行充电,影响电网的稳定性。同时电网为了减少用户在负荷波峰时间段附近的用电量,一般会提高这段时间的电价,若是电动出租车用户选择在负荷波峰附近进行充电,这势必会增加电动出租车用户的开销。针对以上提到的三大类问题,我们亟需设计一种充电导航策略来进行电动出租车充电路径选择。本文重点工作是提出一种电动出租车的充电导航策略,该策略考虑了多种损耗成本,包括电池损耗成本、充放电损耗成本、电池退化成本、行驶时间成本、等待时间成本和充放电时间成本,同时也考虑了电动出租车在到达目的地前可进行多次充放电的情况。本研究的目的是最大程度减少电动出租车用户的综合开销,同时提高电池的使用寿命、引导用户在负荷波峰附近进行放电、在负荷波谷附近进行充电,起到“削峰填谷”的作用,从而提高电网的稳定性。本文主要进行的工作内容如下:为了引导电动出租车用户在负荷波峰附近进行放电、在负荷波谷附近进行充电,本文首先对电力负荷进行预测,把预测的结果用于指导路径规划中电价制定。针对电力负荷预测,本文提出了一种预测模型XGB-Kmeans-Bagging-LSTM来提升电力负荷预测的准确性。仿真结果表明,本文所使用的预测模型能有效地拟合原始电力负荷曲线,预测准确度也较其它几种算法高。为电动出租车路径规划中电价的制定提供指导,使得路径规划更加贴近现实场景。紧接着,针对电动出租车遇到的上述问题,提出了一种考虑综合损耗、提高电池寿命的电动出租车充电导航策略,该策略考虑了电动出租车多次充放电的场景。本文利用深度增强学习dqn(Deep Q Network)来对该问题进行求解。仿真结果表明,本文提出的充电导航策略能够为电动出租车用户找到一条最佳的路径,最大程度减少电动出租车用户的综合开销。

关键词：路径规划充电导航电力负荷预测深度增强学习 dqn

基于深度强化学习的机械臂密集堆叠物体智能抓取研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的机械臂密集堆叠物体智能抓取研究

作者：张浩博河南科技大学

学位级别：硕士

机械臂抓取物体是目前智能机器人研究的重点方向之一,比较常见的是在结构化的空间中,代替人类完成简单重复的抓取工作。随着深度学习(Deep Learning,DL)的发展,机械臂可以在非结构化空间中抓取物体,但是需要事先人为的对目标物体的特征... 详细信息

机械臂抓取物体是目前智能机器人研究的重点方向之一,比较常见的是在结构化的空间中,代替人类完成简单重复的抓取工作。随着深度学习(Deep Learning,DL)的发展,机械臂可以在非结构化空间中抓取物体,但是需要事先人为的对目标物体的特征进行标定,训练大量有关模型的数据集,抓取对象是特定的物体,缺少一定的泛化性。随着深度强化学习(Deep Reinforcement Learning,DRL)近几年被越来越多的学者应用到机器人控制方面,能够在非结构化环境下自主的进行学习训练,获得了不错的效果。本文基于深度强化学习的控制算法,研究机械臂在非模型的环境下对密集堆叠物体的智能化抓取,论文的主要工作如下:首先,本文研究并提出了一种基于深度Q网络(Deep Q-Learning Network,dqn)的机械臂控制策略算法,将抓取过程建模为马尔科夫决策过程,在密集物体环境下通过自监督的方式训练抓取的动作。针对在密集堆叠物体环境下,设计了一种模块化的推动和抓取策略,通过对当前物体的分布状态识别检测,判断是否存在独立的物体,若存在执行抓取动作,否则通过推动堆叠物体,改变其分布状态,使环境中重新出现独立的物体。以此反复,从而提高机械臂在密集堆叠物体环境下的抓取效率。其次,对采用的dqn算法进行优化,在训练前期使用高斯模型,提高机械臂探索环境的能力,以便获得最优的抓取位置;设计基于Sumtree的数据结构来存储样本,实现对样本的加权采样,提高机械臂训练的效率;选用Radam优化算法对神经网络中的参数迭代更新。最后,在V-REP仿真平台上进行实验验证,其结果表明,在密集堆叠物体环境下,优化后的dqn算法比传统的dqn算法收敛速度提高了约25%,抓取目标物体的成功率稳定在90%左右。在基于推动和抓取相结合的方法下,与单一的抓取方法相比较,达到平均抓取成功率的速度提高了33.3%,能够更快速的完成对密集堆叠物体的抓取任务,具有一定的实用性。

关键词：深度强化学习抓取物体机械臂加权采样 dqn

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的路径规划算法研究

基于深度强化学习的路径规划算法研究

作者：曹景祥烟台大学

学位级别：硕士

随着科技的快速发展和日益普及,人们对路径规划的要求也在提高。为了解决逐渐解决复杂的任务,研究人员提出了基于深度强化学习的路径规划算法。深度Q网络(Deep Q Network,dqn)算法作为深度强化学习的经典算法被广泛使用在路径规划领域... 详细信息

随着科技的快速发展和日益普及,人们对路径规划的要求也在提高。为了解决逐渐解决复杂的任务,研究人员提出了基于深度强化学习的路径规划算法。深度Q网络(Deep Q Network,dqn)算法作为深度强化学习的经典算法被广泛使用在路径规划领域。在单物体单目标的路径规划研究中,随着研究人员对环境信息处理方式的改进,使得环境信息越来越简单。而简单的环境信息会使复杂网络结构的网络收敛速度变慢,并且因为奖励函数设置了固定奖励值,无法更好的更新网络,最终导致网络无法快速收敛。此外,在必经点保序路径规划研究领域中,针对传统dqn算法改进ERdqn算法存在着Q值过高估计问题和经验池中高效数据无法被更好利用问题,降低了网络的更新速度。针对以上问题,本文具体研究如下:(1)针对因复杂网络结构和固定奖励值的奖励函数导致网络收敛速度慢的问题,本文提出了一种改进dqn的路径规划算法。该算法首先将多层感知机嵌入到dqn算法中,由多层感知机进行网络的迭代更新,加快神经网络的收敛速度;其次,将三次函数引入到奖励函数中,设置了动态奖励函数,当物体执行动作后,根据物体的状态,即物体所处位置返回动作奖励值;最后,本文设置了自适应动作选择机制,这使物体在路径规划后期更多地使用奖励函数选择动作,解决了因随机动作选择概率过高错过较优动作问题。实验结果表明,通过上述的改进,网络能够更快的收敛,提高了路径规划的效率。(2)针对ERdqn路径规划算法中的Q值过高估计和经验池中高效数据无法被更好利用导致网络更新速度慢的问题,本文提出了PER-ERD3QN路径规划算法。首先,将ERdqn路径规划算法与双Q网络和竞争网络相结合,解决Q值过高估计问题;其次引入了优先经验回放机制,从而更好的利用经验池中的较优数据。实验结果表明,PER-ERD3QN路径规划算法拥有更高的平均得分和平均奖励值,因此该算法的网络更新速度更快。

关键词：路径规划 dqn 多层感知机动态奖励函数 PER-ERD3QN

多站点可移动拾取CSPS系统的优化控制研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多站点可移动拾取CSPS系统的优化控制研究

作者：凌雅丽合肥工业大学

学位级别：硕士

现代生产制造业中,传送带给料加工站（Conveyor-Serviced Production Station,CSPS）是一类由生产加工站组成的生产线系统,具有卸载和加工工件的作用。在实际生产中,单个站点的生产线难以满足大规模生产的要求,因此需要在传送带上配备... 详细信息

现代生产制造业中,传送带给料加工站（Conveyor-Serviced Production Station,CSPS）是一类由生产加工站组成的生产线系统,具有卸载和加工工件的作用。在实际生产中,单个站点的生产线难以满足大规模生产的要求,因此需要在传送带上配备多个加工站点,称为多站点CSPS系统。为提高生产线的加工率和站点负载率,降低运行成本,需要研究CSPS系统的最优控制问题,合理选择控制策略。与传统CSPS系统的固定点拾取方式相比,移动拾取方式可直接在机械臂工作区间内进行拾取,不用等待工件的到达,系统运行周期更短。论文将移动捡取卸载方式应用到多站点CSPS系统中,研究一种多站点可移动拾取式CSPS系统。考虑到上游站点的决策影响下游站点的运行,难以建立系统Markov模型进行最优策略的理论求解,因此,论文对系统建立强化学习模型,将缓冲库剩余量和机械臂状态作为站点的联合状态变量,前视距离为控制变量。然后采用Wolf-PHC算法求解各站点的最优策略,仿真分析了延时时间、系统参数变化以及末端站点代价处理方式对系统性能的影响,结果验证了该算法能够有效提高系统的处理率。此外,论文研究了集中控制方式在系统中的应用,将任意站点的决策时刻设定为系统的状态转移时刻,同时引入深度Q网络（Deep Q-Network,dqn）算法寻找系统最优策略。实验结果表明,dqn算法能提高系统处理率,降低系统平均代价。与Wolf-PHC算法相比,dqn算法对于提高负载均衡度的效果更好。

关键词：多站点CSPS 移动捡取多agent Q学习 dqn

基于人工智能的无线资源管理算法的评估与优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于人工智能的无线资源管理算法的评估与优化

作者：林梦婷北京交通大学

学位级别：硕士

5G移动通信网络能够通过连接一切来改变我们的生活。6G有望实现比5G更高速、可靠、全面以及智能的服务。面对这样的发展,机遇与挑战相伴而来。如今基于人工智能的无线资源管理已经成为研究热点,但对于不同场景下资源管理算法的选取、评... 详细信息

5G移动通信网络能够通过连接一切来改变我们的生活。6G有望实现比5G更高速、可靠、全面以及智能的服务。面对这样的发展,机遇与挑战相伴而来。如今基于人工智能的无线资源管理已经成为研究热点,但对于不同场景下资源管理算法的选取、评估以及优化亟待进一步的研究。本文的目标是在不同应用场景下对算法进行高效评估并对算法性能进行针对性优化,主要内容包括:介绍了与人工智能相结合的基于认知无线电的频谱共享技术以及网络切片技术,并总结了基于数学模型的资源管理方法与基于人工智能的方法的相关研究。针对如何评估对比不同的无线资源管理算法,设计了统一的评估体系和评估方法,提出了衡量资源管理问题难度的参数——场景难度系数,进而提升评估效率。对面向网络切片以及面向通信链接的无线资源管理分别进行了问题建模,并对面向网络切片以及面向链接的场景进行了难度等级划分,其中,网络切片场景中根据基站数量确定场景难度,面向链接的场景中根据理论上能够容纳的链接数量确定场景难度。针对这两种场景分别设计了基于蚁群优化算法(Ant Colony Optimization,ACO)以及基于深度Q网络(Deep Q Network,dqn)的无线资源共享算法,并在不同难度等级场景下对比了系统总效用、资源满意度、时延、数据速率以及执行时间等性能。面向网络切片的场景中,ACO与dqn除执行时间外的性能均相近。在面向链接的时频域资源块管理问题中,中等难度以及困难场景下dqn由于动作个数过多无法给出合理的资源分配方案。针对动态场景下ACO计算复杂性高的问题,提出了基于记忆的ACO以减少执行时间。将所提优化方法与ACO算法进行对比,仿真结果表明,当场景中部分链接移动时,所提方法能够显著降低执行时间,同时性能仍能得到保障。针对面向链接的无线资源管理场景下所设计dqn无法给出合理方案的问题,提出了基于领域知识的dqn。将所提优化算法与ACO、dqn算法进行了对比。仿真结果表明,与dqn算法相比,所提优化方法在不同难度等级的场景下都能给出有效的资源分配方案;此外,所提优化算法各项性能与ACO算法相近,且在困难场景下数据速率等性能指标甚至超过ACO算法性能。最后,基于可解释人工智能中可视化的思想,对解释与优化ACO给出的资源分配方案进行了探索。所设计的可视化方法能够帮助理解算法决策规律、确认算法决策准确性、辨别场景中对性能起较大影响的因素。

关键词：无线资源管理人工智能 dqn ACO

基于虚拟化攻击模块优先级评估的自动攻击框架研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于虚拟化攻击模块优先级评估的自动攻击框架研究

作者：陈可广州大学

学位级别：硕士

随着网络技术深入发展,网络安全事件在世界各地频发,诸如数据泄漏、勒索软件、黑客攻击等层出不穷,其所造成的经济损失也同步显著增长。传统网络安全防御手段以识别并阻断网络攻击为核心,力求拒威胁于内网之外,但随着高隐蔽未知威胁的... 详细信息

随着网络技术深入发展,网络安全事件在世界各地频发,诸如数据泄漏、勒索软件、黑客攻击等层出不穷,其所造成的经济损失也同步显著增长。传统网络安全防御手段以识别并阻断网络攻击为核心,力求拒威胁于内网之外,但随着高隐蔽未知威胁的出现和演进,越来越多的研究者相信网络攻击难以避免。渗透测试(Penetration Testing)是指通过模拟渗透人员的攻击方式,评估计算机系统、网络或应用程序的安全性的一种安全测试方法。渗透测试的目的是发现安全漏洞,以便组织可以采取措施修补这些漏洞并提高其安全性。智能渗透是利用人工智能(Artificial Intelligence,AI)技术将渗透测试过程智能化,其原理是利用AI技术赋能网络渗透,以攻促防,以此评估计算机系统、网络或应用程序的安全性。然而由于网络渗透方式众多、网络场景复杂,利用AI技术实现智能渗透需要解决渗透手段复杂多样而导致的渗透策略无法高效执行问题以及复杂网络环境下AI模型的渗透决策问题。为了解决上述问题,本文提出并实现了基于虚拟运行环境的原子渗透框架,以容器技术构建的虚拟环境组成原子工具,融合多种渗透技术以实现复杂渗透行为,利用协同控制技术分解渗透任务并执行。其次面向网络渗透的攻击路径智能规划问题,提出了基于强化学习的智能决策算法,解决强化学习模型在渗透路径规划中的奖励稀疏和动作空间过大问题。本文的主要工作和贡献如下:1)研究并实现了基于虚拟化环境的原子渗透框架:该框架对攻击程序进行分装,构造出可通用的原子工具调用接口和远程过程调用协议(Remote Procedure Call Protocol,RPC)调用方法,通过虚拟化技术构造原子工具及执行环境,使用协调控制将渗透任务分解为较小的渗透任务,并依据各个渗透原子的特定分发渗透任务并执行。2)研究并实现了面向渗透路径规划的渗透决策方法:将渗透测试建模为马尔可夫决策过程,设置动作空间和状态空间,引入强化学习算法。为提高渗透模型的训练效率,在基础强化学习模型之上结合经验优先回放和竞争网络等优化措施,提高模型的训练效率和稳定性。3)在上述强化学习模型的基础上,提出动作选择策略,包括启发式渗透路径表和基于先验知识导向的决策算法,降低选择无用动作的可能性。结合先验知识用于提出智能模型的决策引导机制,加快模型的训练速度,其次利用渗透路径表记录成功渗透目标网络的路径,融入动作选取中,使得模型可以多次获得有效奖励,最终实现了HD3QN模型算法以及HD3QN驱动的渗透测试系统,并在不同规模的复杂网络中对比传统dqn(Deep Q Network)算法模型,在各场景中均有优于其他模型的表现,由此证明其有效性。

关键词：渗透测试自动化渗透强化学习 dqn

基于投资者综合情绪和强化学习的单只股票交易策略研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于投资者综合情绪和强化学习的单只股票交易策略研究

作者：杨宁静武汉科技大学

学位级别：硕士

在证券市场中,个体的交易决策不仅受到行情数据的影响也会受到他人情绪态度的影响。大多数投资者缺乏专业知识,无法对接收到的信息做出理性的判断,导致交易损失惨重。因此能够有效的对股票数据进行分析,做出合理的交易决策有助于促进股... 详细信息

在证券市场中,个体的交易决策不仅受到行情数据的影响也会受到他人情绪态度的影响。大多数投资者缺乏专业知识,无法对接收到的信息做出理性的判断,导致交易损失惨重。因此能够有效的对股票数据进行分析,做出合理的交易决策有助于促进股市健康发展。为此,本文基于投资者综合情绪和强化学习算法构建单只股票交易策略模型,以期望降低交易风险。具体做了如下三方面工作:第一,构建了投资者综合情绪指标。依据个体投资者和机构投资者的影响力,采集代表个体投资者意见的股吧评论60万条、代表机构投资者态度的机构研报2000份,采用Vader情感分析分析文本情感倾向,构建了投资者综合情绪指标度量股票的市场情绪。第二,研究基于投资者综合情绪和dqn(Deep Q-Network,dqn)的单只股票交易策略。针对股票行情数据与投资者综合情绪指标,采用深度强化学习dqn算法模拟股票交易,并在四只股票上进行实验,结果表明投资者综合情绪有助于提升投资策略的稳定性,降低交易风险。第三,探求了基于投资者综合情绪和DRQN(Deep Recurrent Q-Network,DRQN)的单只股票交易策略。针对全连接网络不能学习到历史经验的弊端,采用LSTM(Long Short-Term Memory,LSTM)网络代替全连接网络,并结合均线策略减少交易频率。经过实验验证表明,使用DRQN模拟股票交易,获得了更稳健的收益。本文提出的单只股票交易策略可以有效地降低证券交易过程中的交易风险,将情感分析与深度强化学习应用到证券市场中,可以帮助投资者更好地了解市场趋势和预测未来市场走向,进而做出更明智的投资决策。

关键词：投资者情绪深度强化学习 dqn DRQN 股票交易

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的船舶路径跟踪控制

基于深度强化学习的船舶路径跟踪控制

作者：张成宝大连海事大学

学位级别：硕士

船舶路径跟踪控制是船舶运动控制领域的研究热点,在提高船舶自动化水平、确保航行安全、降低能源消耗和提高航行效率方面具有重要意义。之前的船舶路径跟踪控制研究主要是利用现有的或新提出的船舶运动学和动力学模型,结合各种非线性控... 详细信息

船舶路径跟踪控制是船舶运动控制领域的研究热点,在提高船舶自动化水平、确保航行安全、降低能源消耗和提高航行效率方面具有重要意义。之前的船舶路径跟踪控制研究主要是利用现有的或新提出的船舶运动学和动力学模型,结合各种非线性控制理论方法实现控制目标。虽然在这一领域取得了重大进展,但这些方法通常需要大量的专业知识和经验,并且存在如控制参数难确定或控制器计算复杂度高等问题。近年来随着机器学习,特别是深度强化学习技术的快速发展,使许多在以前被认为不可能完成的任务取得了巨大的成功。Alpha Go战胜世界围棋冠军让人们看到了深度强化学习算法的巨大潜力,今年Chat GPT的表现更是让人们震撼。在此背景下,本文使用深度强化学习的方法,利用其不依赖于被控对象及环境的具体模型信息、不需要复杂计算、具有强大的自适应能力和自学习能力等优点,进行船舶路径跟踪控制研究。主要研究内容如下:(1)介绍现有的船舶路径跟踪控制研究相关成果及存在的问题,并介绍深度强化学习算法及其在如无人车、水下航行器等领域路径跟踪控制问题中的成功应用,提出利用当下热门的深度强化学习算法解决船舶路径跟踪控制问题的研究内容。(2)详细阐述船舶运动模型,深度Q网络(Deep Q-Network,dqn)算法、深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法基本原理,并设计路径跟踪控制器,以“育鲲轮”的实际参数,结合船舶Nomoto模型,搭建船舶路径跟踪simulink仿真环境,运用MATLAB2020b平台进行仿真实验,实现了较好的船舶路径跟踪直接控制。(3)将dqn、DDPG,与传统的基于视线法(Line-of-Sight,LOS)制导的船舶路径跟踪控制方法相对比,实验结果分析表明,以深度强化学习DDPG算法设计的控制器实现了更好的控制效果。本文利用深度强化学习算法的自学习、自适应能力,做出船舶路径跟踪控制最优决策,实现了快速稳定的跟踪控制,且误差较小,从而为将来自主水面船舶的路径跟踪智能控制研究奠定坚实的研究基础。

关键词：深度强化学习路径跟踪控制 DDPG dqn

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的股票交易模型研究

基于深度强化学习的股票交易模型研究

作者：马瑞上海外国语大学

学位级别：硕士

随着科技的发展量化投资已经成为一种趋势,许多个人投资者和投资机构关注的重要问题是如何在股票市场中获取有效的交易信息。首先,本文论述了深度学习,强化学习的相关理论,结合深度强化学习相关理论,本文又搭建了深度强化学习股票交易模... 详细信息

随着科技的发展量化投资已经成为一种趋势,许多个人投资者和投资机构关注的重要问题是如何在股票市场中获取有效的交易信息。首先,本文论述了深度学习,强化学习的相关理论,结合深度强化学习相关理论,本文又搭建了深度强化学习股票交易模型,其中主体框架为强化学习,过程工具为深度学习。强化学习算法为多目标深度Q网络(dqn),深度神经网络为多层长短期记忆网络(LSTM)。数据方面不但有股票的当日最高价、当日最低价以及交易数量等基本特征,还纳入了股票的相关技术指标数据特征。本模型所用数据为来自目前A股市场十个不同行业的十支股票,时间范围是从2011年到2020年近十年。将这十支股票的数据分为两部分:第一部分为从2011年1月1日到2018年5月29日的数据,将这部分数据用于模型训练。第二部分为2018年5月30日到2020年12月31日的数据,将这部分数据用于回测检验。将原始数据进行特征工程以及归一化处理,然后输入到深度神经网络中用来估计下一时刻的动作。运用梯度下降法不断优化模型的损失函数,进而更新模型参数和策略,最后将经过训练的模型进行回测以验证训练效果。在回测期间模型账户的总收益率为24.64%,同期上证指数的涨幅为19.157%。最后,本文的结论部分对深度强化学习模型和监督学习模型的特点进行了对比分析,指出了模型的适用场景与局限之处。本文对投资者搭建自动投资交易模型具有一定的借鉴意义,丰富了机器学习在金融投资领域的应用。

关键词：多目标深度强化学习 dqn LSTM

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于工业机器人的软体夹持器设计与控制研究

基于工业机器人的软体夹持器设计与控制研究

作者：庹桂本大连理工大学

学位级别：硕士

近年来,随着智能材料和驱动技术的发展,软体机器人逐渐成为了国际领域的研究热点。软体夹持器作为软体机器人的之中典型代表,与传统的刚性夹持器相比,因其材料的柔顺性,能够实现对易碎物体的柔软接触和无损抓取,具有良好的人机交互性和... 详细信息

近年来,随着智能材料和驱动技术的发展,软体机器人逐渐成为了国际领域的研究热点。软体夹持器作为软体机器人的之中典型代表,与传统的刚性夹持器相比,因其材料的柔顺性,能够实现对易碎物体的柔软接触和无损抓取,具有良好的人机交互性和较高的安全性。目前,软体夹持器的研究还处于初步阶段,存在制备工艺复杂,动力学建模和仿真困难,负载能力低等众多亟待解决的问题。因此,开展基于工业机器人的软体夹持器相关理论和控制技术的研究对促进其大规模应用具有重要的研究意义。本文首先以气动软体夹持器为研究对象,设计一款单腔软体夹持器的单指模块,利用软体夹持器单指模块设计了一款基于工业机器人的多指软体夹持器并进行了实验测试,为了进一步提升软体夹持器的刚度和灵活性,基于磁气混合驱动原理,设计了一款可变刚度的双腔软体夹持器,最后,提出了一种基于dqn的算法对工业机器人多指夹持器进行了抓取控制仿真,本文的具体研究内容如下所述:本文首先设计了一款单腔气动驱动软体夹持器单指模块,基于COMSOL软件,对该单指模块进行了有限元仿真,获取了气压与弯曲变形关系,设计了单指驱动模块的模具,利用3D打印技术完成了模具的制备,探索了单指模块的制备工艺并完成制备,基于SOLIDWORKS软件设计了多指软体夹持器的固定法兰,完成了与工业机器人的装配连接,搭建了软体夹持器的控制系统,最后进行了实验验证。为了进一步提升软体夹持器的负载和灵活性,设计了一种基于磁气混合驱动的可变刚度软体夹持器单指模块,基于ABAQUS软件对磁气混合驱动的单指模块进行了有限元分析,优化了结构参数,构建了励磁线圈的缠绕模型,基于COMSOL软件励磁线圈的磁场强度进行了有限元分析,最后设计了基于磁气混合驱动的多指软体夹持器。提出了基于dqn(Deep Q network)的工业机器人多指夹持器抓取运动控制算法,实现多指夹持器的智能运动控制仿真。基于ROS系统搭建了抓取仿真环境,构建了基于工业机器人的多指夹持器抓取的智能控制算法,进行了仿真实验,验证了所提方法的有效性。

关键词：多指软体夹持器工业机器人气动驱动 dqn 运动控制