一种新型四元数关节缆驱动冗余机械臂配置及其基于FABRIK和残差强化学习的控制方法
研究人员提出了一种新颖的4段8关节四元数关节缆驱动冗余机械臂配置，该配置能在更低硬件成本下实现更广泛的工作空间。结合残差强化学习，该控制方法在位置和方向精度上比现有最先进的FABRIK算法提高了三个数量级，且控制实现更简单，为新型缆驱动机械臂的设计与控制提供了有力工具。
来源arXiv Robotics作者: Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien, Pasut Aranchaiya, Paulo Garcia, Viboon Sangveraphunsiri
缆驱动冗余机械臂因其灵活性和在受限空间中的操作能力而备受工业界关注。四元数关节的出现进一步增强了这类机械臂的能力，减少了每个自由度所需的电机数量，使得设计更加紧凑。然而，四元数关节运动学模型的复杂性给机械臂配置的预先决策带来了挑战，并且对控制系统提出了更高的计算需求，其非线性特性还放大了设计与实际制造之间的偏差。
针对这些问题，研究人员提出了一种由4个段和8个关节组成的新型四元数关节缆驱动冗余机械臂配置。实验表明，与现有配置相比，该配置在更低硬件成本下实现了更广泛的工作空间，从而在空间利用率上更具优势。
在控制方面，研究团队比较了两种方法：经典的FABRIK算法和残差强化学习。结果显示，残差强化学习在位置和方向精度上比FABRIK算法高出三个数量级，能够实现对新型4段8关节机械臂的精确定位与定向控制。此外，该控制实现更为简单，论文详细描述了完整的FABRIK控制过程及相应的学习实现方法，包括运动学建模、迭代求解步骤以及强化学习中的状态、动作和奖励函数设计。
这项工作的成果不仅针对特定的机械臂配置，其方法论可推广至新型系统的设计，为设计师开发此类机械臂及其控制系统提供了额外的工具。相关论文已提交至arXiv，并由Tanapath Pornthisan等六位作者共同完成，涉及机器人学和机器学习两个领域。该研究为未来在高度受限环境中执行复杂任务的机械臂设计奠定了重要基础。