基于新型多模态强化学习的机械臂运动规划方法
来源：计算机集成制造系统杂志2026年第2期北京时间：
作者：周福杰, 胡祥涛, 李子怡, 韦治宏
单位：安徽大学电气工程与自动化学院
摘要：尽管深度强化学习在机械臂运动控制领域已取得显著进展,但仍面临状态表示不完整、高维数据学习效率偏低及奖励函数设计困难等核心挑战。为此,提出一种新的多模态强化学习方法,旨在通过整合多模态信息来提高机械臂自主运动规划能力。该方法以近端策略优化(PPO)算法为基础框架,结合变分自编码器和高斯混合模型,构建了包含观测图像信息、机器人运动学信息的多模态表示网络,将状态学习和策略学习解耦,降低了模型训练复杂度。此外,基于Mask R-CNN设计了动作引导机制和新型密集奖励函数,减少了学习过程中的无效探索,加速了算法收敛。仿真实验结果表明,与常规的PPO算法相比,所提方法展现出了显著的优势,证明了所设计的多模态表示网络、动作引导机制和密集奖励函数在提升算法性能方面的有益效果。
关键词：多模态强化学习,机械臂,运动规划,变分自编码器,高斯混合模型
基金资助：国家自然科学基金资助项目(52175210);江淮前沿技术中心追梦基金资助项目(2023-ZM01Z009)。
