【标题】Q-learning-based model predictive variable impedance control for physical human-robot collaboration

【作者团队】Loris Roveda, Andrea Testa, Asad Ali Shahid

【发表日期】2022.8.11

【论文链接】https://www.sciencedirect.com/science/article/pii/S0004370222001114

【推荐理由】在许多情况下越来越需要物理人机协作。为此，机器人应该能够识别人类的意图，并保证沿预期运动方向的安全和自适应行为。为此，本文提出了一种基于 Q-Learning 的模型预测可变阻抗控制 (Q-LMPVIC) 来协助操作员完成物理人机协作 (pHRC) 任务。笛卡尔阻抗控制回路旨在实现解耦的顺应机器人动力学。阻抗控制参数（即，设定点和阻尼参数）然后在线优化，以最大限度地提高 pHRC 的性能。为此，本文设计了一组神经网络来学习人机交互动力学的建模，同时捕捉相关的不确定性。然后，模型预测控制器 (MPC) 使用派生的建模，并通过 Lyapunov 约束增强稳定性保证。MPC 是通过使用 Q-Learning 方法来解决的，该方法在其在线实现中使用 actor-critic 算法来近似精确的解决方案。事实上，Q-learning 方法提供了一个准确且高效的解决方案。


内容中包含的图片若涉及版权问题，请及时与我们联系删除