一種新型四元數關節纜驅動冗餘機械臂配置及其基於FABRIK和殘差強化學習的控制方法
研究人員提出了一種新穎的4段8關節四元數關節纜驅動冗餘機械臂配置，該配置能在更低硬體成本下實現更廣泛的工作空間。結合殘差強化學習，該控制方法在位置和方向精度上比現有最先進的FABRIK演算法提高了三個數量級，且控制實現更簡單，為新型纜驅動機械臂的設計與控制提供了有力工具。
來源arXiv Robotics作者: Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien, Pasut Aranchaiya, Paulo Garcia, Viboon Sangveraphunsiri
纜驅動冗餘機械臂因其靈活性和在受限空間中的操作能力而備受工業界關注。四元數關節的出現進一步增強了這類機械臂的能力，減少了每個自由度所需的電機數量，使得設計更加緊湊。然而，四元數關節運動學模型的複雜性給機械臂配置的預先決策帶來了挑戰，並且對控制系統提出了更高的計算需求，其非線性特性還放大了設計與實際製造之間的偏差。
針對這些問題，研究人員提出了一種由4個段和8個關節組成的新型四元數關節纜驅動冗餘機械臂配置。實驗表明，與現有配置相比，該配置在更低硬體成本下實現了更廣泛的工作空間，從而在空間利用率上更具優勢。
在控制方面，研究團隊比較了兩種方法：經典的FABRIK演算法和殘差強化學習。結果顯示，殘差強化學習在位置和方向精度上比FABRIK演算法高出三個數量級，能夠實現對新型4段8關節機械臂的精確定位與定向控制。此外，該控制實現更為簡單，論文詳細描述了完整的FABRIK控制過程及相應的學習實現方法，包括運動學建模、迭代求解步驟以及強化學習中的狀態、動作和獎勵函式設計。
這項工作的成果不僅針對特定的機械臂配置，其方法論可推廣至新型系統的設計，為設計師開發此類機械臂及其控制系統提供了額外的工具。相關論文已提交至arXiv，並由Tanapath Pornthisan等六位作者共同完成，涉及機器人學和機器學習兩個領域。該研究為未來在高度受限環境中執行復雜任務的機械臂設計奠定了重要基礎。