结构化环境中UR3机械臂对于移动物体的抓取研究

来源：计算机工程与应用杂志2025年第16期北京时间：

作者：罗国庆, 袁庆霓, 曲鹏举, 吴兴杰

单位：贵州大学 现代制造技术教育部重点实验室，贵阳 550025

摘要：针对在结构化环境下机械臂移动抓取自主决策能力不足、环境适应性低、学习效率低以及机械臂协同作业中的协调性和路径规划等问题，将双重回放缓存机制（double replay buffer，DRB）与强化学习柔性动作-评价（soft actor-critic，SAC）算法融合，提出基于DRB-SAC（soft actor-critic with double replay buffer）的深度强化学习移动物体机械臂抓取方法。首先搭建移动物体机械臂抓取系统。然后提出改进的深度强化学习控制策略DRB-SAC。该策略通过马尔可夫决策过程模型构建，定义动作空间和状态空间提供操作和观察环境的框架，确定机械臂控制任务的目标和约束条件，设计训练策略和奖励函数，利用深度神经网络来拟合动作价值函数和策略函数，实现机械臂移动自适应抓取智能决策，并引入双重回放缓存机制进一步增强了算法的稳定性和泛化能力。最后进行仿真和物理实验对比分析，结果表明该方法具有很好的收敛性，在探索环境奖励、抓取动作的完成程度方面具有优越性。

关键词：强化学习,移动物体抓取,双重回放缓存机制,CoppeliaSim仿真