买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春理工大学

摘要：本发明属于机械臂控制抓取技术领域，尤其为一种基于FO‑DDPG的机械臂抓取方法。本发明通过引入分数阶控制理论来选择机械臂的动作，引入分数阶折扣因子来计算分数阶回报，以更好地处理长期奖励的衰减。本发明能够更准确地建模和处理复杂的非线性、非局部和长时依赖的动态系统；提高值函数的估计准确性，以更好地指导机械臂的抓取决策；增强策略函数的决策质量和鲁棒性，通过更精确地利用过去的经验；增加算法的性能和稳定性，提高机械臂在抓取任务中的成功率和效率，使机械臂能够在不同环境和物体特征下成功进行抓取操作。

主权项：1.一种基于FO-DDPG的机械臂抓取方法，其特征在于：包括以下步骤：S1.确定目标和环境：定义机械臂抓取任务的具体目标，例如抓取特定形状的物体或将物体放置在特定位置，确定机械臂的物理环境，包括机械臂的结构、传感器配置和可执行的抓取动作；S2.构建分数阶DDPG网络结构：设计并实现Actor网络和Critic网络的结构，其中Actor网络用于学习抓取策略，Critic网络用于估计动作价值，使用分数阶微积分方法对值函数网络和策略网络进行优化，以捕捉状态空间中的长期依赖关系；S3.数据采集和预处理：在环境中随机执行抓取动作，并记录机械臂的观测值、抓取动作和奖励信号，对观测值和奖励信号进行预处理，如归一化、降噪等，以提高训练效果和稳定性；S4.经验回放缓冲区：构建经验回放缓冲区，用于存储机械臂执行的抓取动作和观测信息，在每个训练步骤中，从经验回放缓冲区中随机选择一批样本，以增加样本的多样性并减少训练过程中的样本相关性；S5.分数阶DDPG训练过程：根据分数阶DDPG算法的更新规则，反复进行训练迭代，在每个迭代中，根据观测值从Actor网络中选择抓取动作，并使用Critic网络估计动作的价值，计算目标价值函数和损失函数，并使用梯度下降法更新Actor网络和Critic网络的参数；S6.策略评估和优化：在训练过程中，周期性地对机械臂抓取策略进行评估，以评估抓取性能和鲁棒性，根据评估结果，对网络参数进行调整和优化，以提高抓取策略的质量和稳定性；S7.抓取任务执行：使用训练好的策略网络，将机械臂部署到实际的抓取任务中，通过实时观测环境和目标物体的状态，根据策略网络输出的抓取动作执行抓取任务。

全文数据：

权利要求：

百度查询： 长春理工大学 一种基于FO-DDPG算法的机械臂抓取方法