提出一种基于深度确定性策略梯度(DDPG)算法与人工势场法相融合的机械臂避障轨迹序列模式挖掘方法。首先,对基于DDPG算法的机械臂避障轨迹规划模型进行创建与训练;其次,在人工势场法的应用下执行对DDPG算法下动作选择策略的干预任务;最后,基于仿真环境对算法性能进行相应的验证。仿真结果表明机械臂能够按照算法规划的避障轨迹进行运动,在整个运动过程中,可以较好地保证运动平稳性,并且不会和障碍物发生碰撞,意味着提出的机械臂避障轨迹序列模式挖掘方法能够在一个较短的时间内确定一条与机械臂运动要求相符合的、能够避开障碍物的路径,不仅如此,路径的挖掘精度也较高。

针对传统路径规划算法在机械臂避障运动时存在规划时间长、路径冗长等问题,提出了一种基于深度强化学习(Deep Reinforcement Learning,DRL)的运动规划方法。首先,构建了机械臂数学模型和运动环境,并在PyBullet中搭建了DOBOT机械臂与操作环境,设置了DRL所需的奖励函数、动作变量和状态变量等参数。其次,针对静态障碍物规避问题的特点,采用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法,进行了运动仿真试验。仿真结果表明,相较于快速扩展随机树(Rapid-exploring Random Tree,RRT)算法以及改进RRT算法,所提出的DDPG算法在规划时间和路径长度方面均有一定程度提高。最后,在实验室中采用DOBOT机械臂对DDPG算法在多种障碍物环境下避障操作的有效性进行了验证。