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。

针对基于目标偏向的RRT算法在复杂环境下易陷入局部搜索与搜索效率低的不足,在ROS中分别基于Dobot模型和DIY模型,对算法做出进一步的改进。在创建机械臂模型基础上,利用MoveIt!对其进行配置,并通过简化模型来提高碰撞检测效率;在基于目标偏向RRT算法的基础上,分别引入扩展目标变更策略和可变步长对算法进行改进;在ROS中分别进行了不同形态障碍物环境下的避障运动规划仿真;在样机上进行了避障和避障抓取实验。仿真及实验结果表明,提出的改进RRT算法相比基于目标偏向的RRT算法,规划成功率和效率分别可提高42.9%和29.2%。